# 五一假期，我花了3.5亿Token，从零写了一套企业LLM WiKi

> Claude Code AI编程实战：五天烧掉3.5亿Token（约1.3万元），一行代码没手写，从零搭出一套企业级LLM Wiki知识库系统——15份设计文档、8个微服务、50租户压测和蓝队渗透全部跑通。实践Karpathy「AI自维护Wiki」取代RAG的范式，结论是AI时代最稀缺的是判断力。

Canonical: https://doraemeng.dev/notes/%E4%BA%94%E4%B8%80%E5%81%87%E6%9C%9F%E4%BB%8E%E9%9B%B6%E5%86%99%E4%BC%81%E4%B8%9Allm-wiki/


今年五一，除了杨浦滨江骑车和感受音乐节外，我都在跟 AI 结对编程。五天时间，烧掉大约 3.5 亿 Token，搭了八个微服务（gateway、core-api、repo-svc、search-svc、ingest-svc、agent-svc……），最终在 5 月 5 号把 Wiki 骨架跑通，一套面向企业的 LLM 知识库系统从零做到了 v0.12.1。

我不是专业程序员，这五天一行代码没手写，全部由 AI 生成。写完之后回头看，真正花时间的部分和敲代码关系不大。

## 一、Karpathy 的 LLM Wiki 思路

大多数人用 AI 和文档打交道的方式是 RAG：上传一堆文件，提问的时候 AI 去里面捞相关片段，拼一个答案。NotebookLM、ChatGPT 文件上传、各种知识库产品，基本都是这个路子。它解决的是“找不到”的问题，但每次提问都在重新发现知识：你问一个需要综合五篇文档的问题，AI 每次都要重新检索、重新拼接，答案依赖这一次召回了哪些片段。

Karpathy 说这个方式有个根本问题：没有积累。他提出的替代方案是让 AI 持续构建和维护一个 Wiki，每加入一个新文档，AI 读懂它，提取关键信息，更新已有的实体页面、概念页面、综述页面，标注新旧数据的矛盾，强化或挑战现有的综合判断。知识被编译一次，后续查询直接读更新后的页面。Karpathy 对这件事的比喻是：“Obsidian 是 IDE，LLM 是程序员，Wiki 是代码库。”

我看完想，这东西如果做成企业版，让每个员工按部门、岗位和个人兴趣形成知识积累，会很有价值。企业的知识库最怕两件事：文档放进去就没人维护，以及新旧制度冲突时没人知道哪一版有效。Wiki 模式把维护变成了 AI 的日常工作，人只需要在关键冲突上做裁决。这个想法就是五一开干的起点。

## 二、五天的节奏

5 月 1 日是项目启动。原始输入是 Karpathy 的 GitHub gist，我和 AI 一起写 PRD、系统设计、四阶段路线图和技术设计文档；一天搭完骨架，15 个文档一起落地。这个阶段最重要的产出是边界：哪些能力进第一版，哪些留到后面，多租户和权限从第一天就写进设计。

5 月 2 日收尾 MVP，微服务联调跑通。5 月 3 日接多源数据，IM Bot、RSS、通用 REST 连接器都接进来，同时加多租户隔离、权限审计和版权标注。当天跑了 50 租户压测，也做了蓝队渗透扫描，压测和渗透的结果直接变成了后面的修复项。

5 月 4 日补外围能力：会议语音自动转写、MinIO 文件归档、飞书/腾讯 webhook 对接、管理员后台、上传原文归档到 git、PDF 和图片自动 OCR、按密级分级的 PR 审阅流程。5 月 5 日收尾，实体页、概念页、综述页、索引和日志全部跑通，搜索结果给 Wiki 命中加权，并引入 `[[wikilink]]` 双链，正式对齐 Karpathy 范式。

五天，一个人，把原本需要 5 人团队干两个月的工程量压进了一个假期。这个估算按我的经验给出，不是精确报价。

最大的挑战是忍住不动手改代码。中间好几次看到 AI 写出很弱的 Bug，手已经放到键盘上，最后还是让它自己改；一旦我接手，它就不再需要理解那段代码，后面同类错误还会再来。最大的难点在测试，尤其是逻辑测试：AI 能跑通联调，但蓝队渗透发现的安全问题、chat 召回零命中的边界情况，仍然要人设计用例、看结果、判断对错。

## 三、“编程被解决了”是什么意思

Boris Cherny 的原话是“编程被解决了”，他接着解释，意思是写代码这个动作不再是瓶颈，软件本身仍然重要。这句话容易被读成“程序员没用了”，但他的重点在瓶颈转移：以前卡在实现，现在实现变便宜了，卡点来到定义和判断。工作从写代码转向写清需求、看 diff、判断结果，时间分配完全变了。

我这五天的时间主要花在四件事上：定义这个知识库要解决什么企业痛点；决定多租户怎么隔离、权限怎么设计、Wiki 结构怎么定；审核 AI 生成的代码和文档对不对、够不够好；处理蓝队渗透发现的安全问题和 chat 召回零命中的边界情况。真正写代码的时间很少，更多时间在写清楚需求、看 diff、跑测试、判断结果能不能用。

在这套系统里，技术实现是最容易的部分。真正难的是想清楚要做什么，以及判断做出来的东西对不对；人负责定义问题和验收结果，AI 负责把实现推出来。这个分工听起来简单，实际执行时要不断回答一个问题：哪些判断必须由人做，哪些可以交给 AI 试。

## 四、当编程门槛消失，人应该做什么

AI 可以写代码，但它不知道该写什么，也不知道写什么代码能解决什么问题。AI 可以搭架构，但它不知道这个架构是否符合企业的实际需求。AI 可以做压测，但它不知道真实场景里用户会怎么“滥用”这个系统。这些判断只能由人来补。

这五天我做的最有价值的事情，是三个关键决策。它们都落在方向和顺序上，代码不是重点：

1. **把方向定在自维护 Wiki 上，没有把重心放在 RAG 的召回率上。** 这个判断来自对 Karpathy 文章的理解，以及我对企业知识管理痛点的长期观察。AI 能帮我实现 Wiki 的页面结构，但帮不了我决定要不要放弃更熟悉的 RAG 路线。
2. **上传原文归档进 git，按密级分级 PR。** 这个决定来自在企业里踩过的坑：知识库没有审计和版权追溯，在合规层面就是个定时炸弹。AI 可以生成权限代码，但它不知道哪类文档该进哪一级审阅。
3. **先做多租户隔离和安全验证，再做花哨的功能。** 企业级产品里，租户隔离失效是一次就够的故障，安全本身就是准入门槛。蓝队渗透发现的漏洞，AI 在生成代码时并没有主动避开，这部分只能靠人把攻击面走一遍。

这些判断力来自十几年做 CEO 攒下的行业认知。AI 可以生成 100 个方案，但选出哪一个，取决于你对业务、合规和团队能力的理解；这种理解只能从真实业务里长出来。

## 五、企业的护城河在哪里

会变弱的壁垒有两类。转换成本以前很高，一套系统用三年，迁移数据、重新培训员工的代价让客户懒得换；现在 AI 可以帮着做数据迁移和适配，切换成本会下降。流程壁垒也一样，纯靠复杂业务流程设计建立的壁垒，在“给一个目标就不断迭代”的 AI 面前变得脆弱，Karpathy 说的“hill climb anything”就是这个意思。

不会变弱的壁垒是网络效应、规模经济和独占资源。网络效应依赖用户基数，规模经济依赖成本结构，独占资源依赖数据、人才和客户关系的所有权，这些都不是 AI 生成几段代码就能复制的。AI 能降低实现成本，但降低不了获取用户、建设渠道和积累信任的成本。

最被低估的是组织级的 AI 能力。Boris 分享过一个细节：Anthropic 内部没有手写的代码，所有 SQL 都是 AI 生成的；他的 Claude 和同事的 Claude 通过 Slack 互相通信，在运行过程中协商解决问题。这是组织能力，个人会用 AI 只是前提；一个公司的 AI 能力，取决于流程、协作方式和知识管理有没有围绕 AI 重新设计。

我花五天能做出一个知识库系统，不代表任何一个人拿着 AI 都能做。能做是因为对企业需求有判断力，对技术架构有直觉，以及不怕重新学一套完全不同的工作方式；这三样东西，AI 替代不了，也速成不了。

## 六、组织应该怎么调整

先给员工足够的 Token。我这五天的 Token 账单按星图（我们 UCloud 的 AI 平台 https://astraflow.ucloud.cn/ ）的企业定价，大约是 13000 块人民币；这笔钱换来了一套能跑的知识库骨架，也买到了 AI 反复试错的空间。如果为了省 Token 限制调用次数，省下的是账面成本，丢掉的是模型把方案试错到可用的次数。

“程序员”这个岗位的定义也会变。未来团队里每个人都会编程，工程经理、产品经理、设计师、数据科学家、财务、用研都能通过 AI 把想法变成可运行的系统，未必需要先学会一门语言。企业更缺的是懂业务的人，程序员的绝对数量不再是瓶颈。

组织知识的管理方式也要跟着改。Wiki 模式要求把维护责任写进流程：新文档进来谁负责更新实体页，出现矛盾谁裁决，过期内容谁清理；这些责任不落到人，AI 只会把旧错误编译得更整齐。知识库的价值主要取决于之后每一天的更新质量，第一次导入只是一次性动作。

## 七、AI 的下一个目标是什么

编程被解决之后，下一个被改变的对象可能是组织本身。一个人可以用 AI 快速构建复杂系统，但一个人的时间和判断力有上限；更大的杠杆来自组织里的每个人都能这样工作，共享知识库持续更新，Agent 之间能互相协调。

这套 Wiki 现在只是骨架。实体页、概念页、综述页、索引和日志跑通了，真实员工会不会用、知识冲突怎么裁决、权限和版权审计能自动化到什么程度，都还没有答案。五天能验证的是构建速度，验证不了组织采用。

