一、摘要
我用 TRAE SOLO 基于 Andrej Karpathy 的 llm-wiki 理念，构建了一套完整的英文原著阅读知识库系统。目前已在 Wiki 中录入 4 本书、处理了 18 个章节、建立了 60+ 人物档案、积累了 300+ 词汇和 170+ 地道表达，并实现了跨书主题关联。整个项目从目录结构设计到每一条笔记的撰写，全部由 TRAE SOLO 完成。我只需要负责"阅读"这件事本身——AI 包揽了所有整理、交叉引用和知识维护工作。
二、背景
我是一名英文原著阅读爱好者，阅读过程中有几个长期痛点：
-
读完就忘：每章的内容、人物关系、主题线索，读完很快就模糊了
-
词汇学了就丢：在书里查过的生词，换一章又忘了
-
整理笔记太累：手动做读书笔记、人物档案、主题分析，精力跟不上阅读速度
我希望有一个系统，能在我阅读的同时，自动帮我建立结构化的知识库，并且随着阅读不断积累和深化。
三、实践过程
第一步：从一条 Gist 开始
我最初只给了 TRAE SOLO 一个链接——Andrej Karpathy 的 llm-wiki。这是一篇关于"用 LLM 构建个人知识库"的理念文档，核心思想是：让 LLM 增量式地构建和维护一个持久的 Wiki，而不是每次都从原始文档重新检索。
我的 Prompt 大致是：
请帮我基于这个 llm-wiki 的理念，构建一个用于阅读英文原著的 Wiki 系统。我主要读传记类和非虚构类书籍。
TRAE SOLO 完成了以下工作：
-
设计了完整的目录结构——
books/{book-slug}/下分 chapters、characters、themes、vocabulary、expressions 五个子目录，加上shared/用于跨书关联 -
编写了 CLAUDE.md（全局 Schema）——定义了 Ingest（处理新章节）、Query（回答问题）、Lint（知识库维护）三大操作流程，以及每种页面的标准格式
-
创建了 index.md 和 log.md——全局索引和操作日志，让知识库可导航、可追溯
第二步：逐章阅读，AI 自动构建知识库
每次我读完一章，只需要告诉 TRAE SOLO：“请处理《Elon Musk》第 X 章”，它就会执行一套完整的 Ingest 流程：
-
读取原始 PDF——从
raw/books/中定位对应章节 -
生成章节摘要——2-5 句英文摘要 + 关键要点
-
提取/更新人物档案——为新人物创建页面，为已有人物补充新章节的发展弧线和金句
-
深化主题分析——将新章节内容融入已有主题，或创建新主题
-
提取词汇——每章 15 个生词，含英文释义、中文翻译、原文例句
-
提取地道表达——每章 10 个句型/表达，含结构分析和学习理由
-
更新索引和日志——确保知识库始终可导航
第三步：惊喜发现——跨书关联
这是整个项目最让我惊喜的部分。
当我在读 Elon Musk 传记第 5 章时，TRAE SOLO 注意到 Isaacson 描述 Errol Musk 的"He changes reality around him"和 Steve Jobs 传记中的"reality distortion field"是同一个概念的不同表达。它主动提议更新 shared/expressions.md，记录了这个跨书关联。
随后，TRAE SOLO 进一步帮我建立了系统的跨书对比分析：
Steve Jobs vs. Elon Musk 的童年创伤对比（由 TRAE SOLO 自动生成）：
| 维度 | Steve Jobs | Elon Musk |
|---|---|---|
| 创伤类型 | 虚无——被遗弃，不知道自己从哪来 | 实在——被困在暴力父亲身边，太清楚自己从哪来 |
| 核心问题 | “被遗弃”——“So your real parents didn’t want you?” | “无法逃离”——“impossible to undo” |
| 应对方式 | 现实扭曲力场——控制外部世界 | Demon mode——硬核工作对抗内心黑暗 |
| 驱动力来源 | "被选择"的信念 → 独立性和控制欲 | 家族冒险传统 → “Live dangerously—carefully” |
TRAE SOLO 还帮我在 shared/reading-notes.md 中写了一段非常精彩的阅读反思，对比了两本 Isaacson 传记的叙事手法，这段文字让我对这两本书的理解提升了一个层次。
第四步：不只是桌面端——移动端 + 语音交互
TRAE 的移动端让我的阅读体验更加碎片化和自然：
-
通勤时提问：在地铁上用 TRAE 移动端问"Elon Musk 第 7 章中提到的 Diplomacy 游戏是什么？"，AI 会基于 Wiki 内容给出详细回答
-
语音聊书：直接和 TRAE 语音对话，像和朋友聊书中的内容一样自然。“你觉得 Elon 和 Jobs 谁更极端？”——AI 会从 Wiki 中调取两本书的人物档案和主题分析来回答
-
随机探索：有时候什么都不想读，就打开 TRAE 问"给我讲讲 GEB 里的 Strange Loops 是什么"，它会从 Wiki 中找到相关页面，用通俗的方式解释
四、成果展示
数据概览
| 指标 | 数量 |
|---|---|
| 书籍 | 4 本（Elon Musk、Steve Jobs、GEB、Naval Almanack） |
| 已处理章节 | 18 章 |
| 人物档案 | 60+ |
| 主题分析 | 18 个（含 9 个跨书对比主题） |
| 词汇积累 | 300+ |
| 地道表达 | 170+ |
| Wiki 页面总数 | 100+ |
知识库亮点
-
完全由 AI 构建：从 Schema 设计到每一条笔记，全部由 TRAE SOLO 生成
-
跨书关联是最大惊喜：AI 能发现人类容易忽略的跨书联系，并系统化地记录
-
沉浸式英语学习：Wiki 内容以英文为主，词汇和表达都附带原文例句
-
用 Obsidian 浏览：利用双向链接和 Graph View，知识库的关联一目了然
-
Git 版本管理：每次 Ingest 都有记录，知识库的演进过程可追溯
五、效果与总结
提效数据
-
阅读效率：以前读完一章需要 1-2 小时做笔记，现在只需要告诉 TRAE SOLO 处理，几分钟内自动完成全部整理工作
-
知识留存：通过结构化的 Wiki，人物关系、主题线索、词汇表达都系统化地保存下来，复习时一目了然
-
跨书洞察：AI 帮我发现的跨书关联（如 Jobs 的"reality distortion field"与 Musk 的"He changes reality around him"），是我自己很难系统化整理的
TRAE SOLO 在流程中的角色
TRAE SOLO 承担了整个知识库的构建和维护工作：
-
架构师：设计了完整的目录结构和 Schema
-
编辑：每章自动生成摘要、人物档案、主题分析、词汇表、表达集
-
关联者：主动发现跨书联系，提议更新共享内容
-
维护者：定期做 Lint 检查，确保知识库健康
-
对话伙伴：通过移动端和语音，随时回答关于书中内容的问题
可复用的方法
这套方法不仅适用于阅读传记，理论上可以应用于任何需要系统性积累知识的场景：
-
学术研究：论文阅读笔记 + 跨论文关联
-
产品调研：竞品分析 + 趋势追踪
-
课程学习：章节笔记 + 概念网络
-
项目管理：会议纪要 + 决策追踪
核心思路就是 Karpathy 说的那句话：“The human’s job is to curate sources, direct the analysis, ask good questions, and think about what it all means. The LLM’s job is everything else.”
而 TRAE SOLO 完美地扮演了"everything else"的角色。
本项目使用 TRAE SOLO 完成，基于 Andrej Karpathy 的 llm-wiki 理念构建。