我把775篇收藏塞进4MB向量库：一个比Karpathy Wiki更能"翻箱底"的RAG skill

摘要

分享一個名為 chao-rag-wiki 的自製技能，將 775 篇收藏文章存入 4MB 向量庫，透過混合檢索與重排技術實現快速全文搜尋。文章對比了該方案與 Andrej Karpathy 提出的 LLM Wiki 理念，分析兩者在知識沉澱與長尾召回上的優劣，並提供結合 Obsidian 與自動化任務的完整實作流程。

A tutorial on building a custom RAG skill to search through 775 articles using a 4MB vector database, comparing it with the Karpathy Wiki approach.

摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。

重點

• 自製 chao-rag-wiki 技能，用 4MB 向量庫檢索 775 篇收藏文章。
• 採用混合檢索與重排技術，解決長尾與專有名詞檢索問題。
• 對比 Karpathy Wiki 與 RAG 方案，提供結合 Obsidian 的實作指南。

提到的工具與公司

• BM25
• Obsidian
• Claude Code
• Hermes

適合誰看

正在建構個人知識庫、使用 Obsidian 或需要高效檢索技術的開發者。

摘要依據

講者

smallnest

依據

文章全文

為什麼排在這裡

人氣

0.75

新鮮

0.68

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• Retrieval Augmented Generation (RAG), Search, and Vector Databases影片 ・ Luis Serrano Academy ・ 19 分鐘
• Agent Skills 做知识库检索，能比传统 RAG 效果更好吗？影片 ・ code秘密花园 ・ 14 分鐘
• Retrieval Augmented Generation (RAG) Explained: Embedding, Sentence BERT, Vector Database (HNSW)影片 ・ Umar Jamil ・ 49 分鐘
• Lexical Search in RAG Applications文章 ・ Jason Liu（部落格）
• The Complete Guide to Hybrid Search in RAG (BM25 + Embeddings + Reranker)影片 ・ Dave Ebbelaar ・ 59 分鐘
• RAG 工作机制详解——一个高质量知识库背后的技术全流程影片 ・ 马克的技术工作坊 ・ 17 分鐘