五一假期，我花了3.5亿Token，从零写了一套企业LLM 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，写了15份设计文档，搭了八个微服务（gateway、core-api、repo-svc、search-svc、ingest-svc、agent-svc……），做了50租户压测和蓝队渗透扫描，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，从零到v0.12.1。

我不是专业程序员。但这五天，我一行代码没手写，全部是AI生成的。

这和Claude Code创始人Boris Cherny在红杉AI峰会上说的"编程已经被解决了"的体感一模一样。

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。

Karpathy说，这个方式有个根本问题：没有积累。每次提问，AI都在从头发现知识。你问一个需要综合五篇文档的问题，AI每次都要重新找、重新拼。什么都没有沉淀下来。

他提出的替代方案是：让AI不只是检索，而是持续地构建和维护一个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，然后持续更新——而不是每次查询都从头推导。

Karpathy的原话：“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，让企业每个员工都按部门、岗位和个人兴趣形成知识积累，会很有价值。于是五一开干。

二、五天的节奏 #

5月1日：项目启动。原始输入是karpathy的Github gist，和AI一起写PRD、系统设计、四阶段路线图、技术设计文档。一天搭完骨架，15个文档。
5月2日：MVP收尾。八个微服务联调跑通。
5月3日：多源接入——IM Bot、RSS、通用REST连接器。加了多租户隔离、权限审计、版权标注。跑50租户压测，做蓝队渗透扫描。
5月4日：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：Wiki骨架落地。实体页、概念页、综述页、索引、日志全部跑通。搜索结果给Wiki命中加权。引入[[wikilink]]双链。正式对齐Karpathy范式。

五天，一个人，3.5亿Token，大约13000块钱人民币的Token费用。

如果放在两年前，这个工程量至少需要一个5人团队干两个月。

最大的挑战 #

忍住不动手直接修改代码。中间好几次看到AI有非常弱智的Bug，真想亲自动手改。但还是忍住了，让AI自己修改、自己解决。

最大的难点 #

测试，特别是逻辑测试，还是需要人工发现和验证。

三、“编程被解决了"是什么意思 #

Boris Cherny的原话：“编程被解决了，不是说软件不重要了，而是说’写代码’这个动作不再是瓶颈了。”

这不是"用AI提效”，是工作性质的根本改变。你从写代码的人，变成了指挥AI的人。从程序员，变成了总指挥。

我这五天的体验一样。我的工作不是写代码，而是：

定义问题：这个知识库要解决什么企业痛点？
做架构决策：多租户怎么隔离？权限怎么设计？Wiki结构怎么定？
审核结果：AI生成的代码和文档，对不对？够不够好？
处理AI搞不定的事：蓝队渗透发现的安全问题、chat召回零命中的边界情况。

整个过程中，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。人解决 what to do、why to do，AI解决 how to do。

四、当编程门槛消失，人应该做什么 #

答案是：判断力。

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50租户的压测，但它不知道真实场景里用户会怎么"滥用"这个系统。

这五天我做的最有价值的事情，是三个关键决策：

不做"更好的RAG"，做"自维护的Wiki"。方向判断来自对Karpathy文章的理解，以及对企业知识管理痛点的长期观察。AI帮不了你做这个决策。
上传原文归档进git，按密级分级PR。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。
先做多租户隔离和蓝队渗透，再做花哨的功能。企业级产品，安全不是锦上添花，是准入门槛。

这些判断力来自十几年CEO积累的行业认知。

所以AI时代，人最应该做的是：

深耕行业认知。你对某个领域理解得越深，AI对你的加持就越大。不懂行的人拿着AI，和深度行业专家拿着AI，产出差距是指数级的。
培养判断力。AI可以生成100个方案，但你得能判断哪个是对的。这种判断力是在真实业务中被反复锤炼出来的。
学会提问。花在和AI沟通需求、定义问题上的时间，远超审核代码的时间。

五、企业的护城河在哪里 #

会变弱的护城河 #

转换成本。以前用了一套系统三年，迁移数据、重新培训员工的成本很高。现在AI可以帮你快速迁移，切换成本大幅下降。

流程壁垒。纯靠复杂业务流程设计建立的壁垒，变得非常脆弱。AI可以"hill climb anything"——给它一个目标，让它不断迭代优化。

不会变弱的护城河 #

网络效应、规模经济、独占资源（数据、人才、客户关系）。这些AI抢不走。

最被低估的护城河：组织级的AI能力 #

Boris分享的细节：Anthropic内部没有任何手写的代码，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。

这不是个人能力，这是组织能力。

一个公司的AI能力，不取决于招了几个会用AI的人，而取决于组织流程、协作方式、知识管理系统是不是围绕AI重新设计的。

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，以及不怕重新学习一套完全不同的工作方式。

**企业真正的护城河，是组织层面的AI原生能力。**个人用AI提效是第一步，只有当整个组织的流程、文化、知识管理都围绕AI重构时，护城河才真正建立。

六、组织应该怎么调整 #

1. 给员工足够的Token #

一个不给员工分配Token的公司，就像过去不给员工配电脑的公司。

我这五天烧了3.5亿Token。按星图（我们UCloud的AI平台 https://astraflow.ucloud.cn/ ）的企业定价，成本大概13000块钱。13000块钱换来了一个原本需要5人团队干两个月的项目。

**Token是新时代的生产资料。**不要在这上面省钱。

2. 重新定义"程序员" #

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。不是说每个人都要学编程，而是每个人都能通过AI把自己的想法变成可运行的系统。

企业需要的不是"更多的程序员"，而是"更多懂业务的人"。代码不再是瓶颈，理解业务才是。

3. 组织知识要"编译"，不要"检索" #

这是Karpathy范式最大的启发。

大多数企业的知识管理是RAG模式——文档扔进去，有人问的时候AI去翻。每次查询都在从头发现知识，什么都没有沉淀。

更好的方式是Wiki模式——AI持续把新信息整合进已有的知识体系，维护实体关系、标注矛盾、更新综述。知识被编译一次，然后持续更新。

**这不只是技术架构的选择，是组织知识管理理念的根本转变。**从"存档"变成"活档"，从"有人问才找"变成"持续整理、随时可用"。

4. 拥抱"松树型"组织 #

顶部是精简的碳基精英做战略判断，底部是大量的硅基员工在执行。中间层从"传话筒"变成"人机编排师"。

一个人+AI真的可以顶一个小团队。但前提是这个人必须具备三种能力——行业判断力、架构思维、和AI协作的技巧。

七、AI的下一个目标是什么 #

编程已经被解决了。下一个被"解决"的，不是某个具体的工作类别，而是让"组织"本身变得可编程。

一个人可以用AI快速构建复杂系统。但一个人终究是一个人。真正的爆发力，来自组织里的每个人都像我这五天一样工作——每个人都在用AI构建、每个人都在往共享知识库里贡献、AI Agent之间互相协调。

整个组织就是一个由人类指挥、AI执行的分布式计算系统。

这才是AI的终极目标——不是替代个人，而是让组织的认知能力实现指数级扩展。

当一个公司的每个人都能"编程"，当组织知识从RAG进化到自维护Wiki，当AI Agent之间可以自主协调——这个公司的能力上限，就不再受限于它有多少员工，而是受限于它的组织设计有多好。

结语 #

五天，3.5亿Token，一套企业知识库。

编程的门槛正在消失。但真正的门槛——判断力、行业认知、组织能力——从来没有变低。

AI不是在取代人，而是在放大人与人之间的差距。

印刷机普及了文字，带来了文艺复兴。AI普及编程，会带来什么？

我不确定答案。但我确定的是，这个假期让我看到了一种完全不同的工作方式。而这种方式，正在快速从少数人的实验变成所有人的日常。