Context
2026-04-03 Discord 對話，分析 Karpathy 的 LLM Knowledge Bases 推文和 JUMPERZ 的延伸討論，對照現有 vault 結構找出落差與改善方向。
Key Insights
-
現有 vault 已實作 Karpathy 核心架構：Clippings/（raw）→ ai/（LLM 編譯）→ Obsidian（前端），三層都到位，不需要重構。
-
最大落差是單向流動：目前 clip → analyze 是單向的。Karpathy 說每次 Q&A 輸出都要 “file back into the wiki” — 這個回饋迴路是讓知識複利的關鍵，但 vault 完全缺少。
-
interest-map.md 是手動維護的瓶頸：Karpathy 強調 LLM auto-maintains index files。這個索引如果每次 analyze-vault 後不自動更新，就會隨著 ai/ 成長而失效。
-
JUMPERZ 的 agent 延伸：agents 不需要無限上下文窗口，只需要好的檔案組織 + 能讀自己的 index。vault 的 interest-map.md + ai/ 結構已朝這個方向走，但 agent 每次執行仍是無狀態的。
-
實作決策：新增
/qa-vault（問題 → 搜尋 vault → 合成答案 → 存 notes/）和/save-note（對話洞察 → 存 notes/）兩個 command，以最小侵入性關閉 Karpathy 的 compounding loop。
Connections
- Clippings-llm-knowledge-bases — Karpathy 原文
- Clippings-karpathy-is-showing-one-of-the-simplest-ai-architectures-that-actually-works — JUMPERZ 對 agent 架構的延伸
- Clippings-the-notebooklm-workflow-that-changed-how-i-learn-any-technology — 相似的 multi-source 合成模式，但 hosted vs local 的取捨不同