Karpathy 花 2 小时做了个个人版 YouTube:39,834 条评论筛成 6,454 个视频,企业知识整理该换打法了

2 小时里到底发生了什么

流程是 Karpathy 自己在博客里写的，原话：“Opus downloaded all comments of HackerNews, filtered them, ran Sonnet over them in a Workflow (Claude Code feature), got rid of spam, and narrowed everything down to 40K comments recommending a YouTube video.”（Opus 下载了 HN 全部评论、过滤，用 Workflow 跑 Sonnet 去掉垃圾，最后剩下 4 万条推荐了 YouTube 视频的评论。）精确数字是 39,834 条评论——博客里写 40K 是约数，他在 HN 帖子里给了精确数。

分工值得细看：Opus 5.5 负责总控编排，Sonnet 在 Claude Code 的 Workflow 功能里跑批量过滤。贵的模型干脑力活，便宜的模型干体力活，连模型选型都是成本意识。他用的还是默认配置——Claude Code Mac 桌面版、Opus 5.5、Medium effort（中等投入档），没开最高档。二线媒体引述他透露的 token 账单：约 5.04 亿 input token（90% 走缓存）+ 760 万 output token——数字量级听着吓人，但缓存命中的 input token 很便宜，这也是“体力活”能交给 AI 的财务基础。

企业知识整理，编制算法要重写

过去企业做一次“把散落的知识整理成库”，算法是：招几个人，干几个月，逐条看、逐条标。现在的算法变了：

1. 先写标准，不先招人。Karpathy 的筛选标准就是“HN 评论里推荐过 YouTube 视频”——一句话。企业版：什么样的文档算“有效知识”？谁有权限定？标准写不清，AI 筛出来的就是垃圾。
2. 贵的定方向，便宜的干批量。Opus 编排、Sonnet 过滤——对应到企业：核心专家定规则、审样本，AI 跑全量。专家的工时从“逐条看”变成“定标准 + 抽查”。
3. 验收方法换成抽查制。6,454 个视频没人能全看完，质量靠的是流程可信度：评论来源可信（HN 社区）、去垃圾步骤可复现。企业知识库也一样：定抽查比例、定纠错通道，比“全部人工看一遍”现实。
4. 先跑通一个小闭环。Karpathy 的 MVP 就是个推荐站，没做账号、没做推荐算法。企业别一上来就规划“全公司知识中台”，先拿一个团队的真实知识跑通“收集—筛选—呈现”再说。

边界也要说清楚：这套打法只适用于“标准能写清楚”的整理任务。需要深判断的（比如法务条款的取舍、技术路线的拍板），AI 只能做初筛，终审还得是人。Karpathy 自己也没让 AI 决定“什么视频值得看”——标准是社区投票（评论推荐）给的，AI 只是执行。

转型落点：知识岗的 JD 该改了

正在做数字化、知识沉淀的企业，建议做两件事：第一，重写知识整理类岗位的 JD——从“负责收集整理XX资料”改成“负责制定筛选标准、抽查 AI 整理结果、维护纠错通道”，编制可以从“几个人干几个月”压缩到“一个人+AI 干几天”，省下来的人头转去做标准制定和终审；第二，给每个知识库定一个“可信度说明书”：数据从哪来、过滤规则是什么、抽查比例多少、有问题找谁。Karpathy 的 HackerTube 之所以可信，不是因为 AI 强，是因为来源（HN 评论）和流程（去垃圾+收敛）都摆在台面上。企业知识库缺的从来不是技术，是这份说明书。