从 DeepWiki 到 OpenWiki:Agent Wiki 到底有什么用?
「写在前面」如果你做过 RAG,大概率遇到过这样一个问题:同一批文档,系统回答第 10 个问题时,并不比回答第 1 个问题时更聪明。每次查询都从原始分块重新推导一遍,前 9 次积累的理解,没有沉淀下来。
近一年中,几个团队从不同方向给出了相似的答案——不要在查询时重新推导,而要在资料导入时完成编译。这套模式被称为 Agent Wiki。Mem0 技术博客《The State of Agent Wikis》里,梳理了 Agent Wiki 的架构与运作方式、四个代表性系统的工程实现,以及它的适用边界。接下来我们就一起来看看:
Agent Wiki 的由来
2026 年 4 月 4 日,Andrej Karpathy 发布的 Gist llm-wiki(gist.github.com/karpathy/442a6bf555914893e9891c11519de94f#file-llm-wiki-md)把它讲得最清楚,也让它真正传播开来。不过 Cognition 的 DeepWiki 在 2025 年 5 月就已公开,比 Gist 早约 11 个月;而 GBrain 也与 Gist 基本同期出现;AutoWiki 和 OpenWiki 则分别发布于 2026 年 6 月和 7 月。
多个团队从不同场景出发,先后收敛到了相似的结构。这种跨场景的一致性就是一个值得注意的工程信号。
核心思路:把成本从查询阶段挪到资料导入阶段
给模型接入大量文档,常规检索做法是
文档入库 → 切分成块 → 生成 Embedding → 写入向量索引
每次提问时,系统再召回相关分块,交给模型生成答案。
这个方案能用,但有一个结构性问题:它不保留结果。每个答案都是从原始分块现场重建的,第 10 个答案不会比第 1 个更好,同样的理解工作要重复支付 10 次成本。
Agent Wiki 把这笔成本挪到了前面。模型在读取源文档时把工作做完一次,把结果写成页面,页面持久保留。新的源文档进入系统时,模型执行的是一套增量操作:读取新资料、更新相关页面、修正受影响的摘要,并标记与既有页面相互矛盾的信息。
两种方案都成立,差别在两点:成本发生在什么时候,以及一次查询结束后留下了什么。
三层结构
四个系统的架构可以抽象成同一个三层模型:
第一层是源文档——文章、论文、代码仓库。模型只读,不修改。
第二层是 Wiki,内容采用 Markdown 格式,全部由模型写入,包含摘要、按主题组织的页面,以及页面之间的链接。
第三层是维护指令或配置,用于告诉模型 Wiki 如何组织、生成和更新。具体载体因项目而异,可能是 CLAUDE.md、AGENTS.md,也可能是项目专用配置文件或工作流。
三个操作
Ingest:模型读取新的源文档,把信息分发到所有相关页面。
Query:向 Wiki 提问。一个好的回答可以作为新页面反写回 Wiki。
Lint:模型检查整个 Wiki,找出互相矛盾的信息、已经过时的内容,以及没有任何链接指向的孤立页面。Lint 这一步容易被忽略,但它恰恰是这套方案能长期成立的关键——原因见下一节。
为什么它能成立:瓶颈在于维护
人类维护的 Wiki 会随时间腐化,原因很具体:难的从来不是读文献,也不是产生洞见,而是维护。
维护意味着这些持续性的工作:修正页面之间的链接、让摘要与最新事实保持一致、把每一份新文档与已有页面逐一比对。这类工作没有尽头,也不产生任何即时回报。团队一忙,最先被放弃的就是它。接着 Wiki 开始失准,然后没人再用它。
模型做这件事没有同样的障碍:它不会厌倦,不会因为琐碎而跳过某条交叉引用,也可以在一次操作里改动 15 个文件。
这个思路本身并不新鲜。早在 1945 年,Vannevar Bush 就曾描述过 Memex——一个带有关联链接的个人文档库。Bush 当年没能解决的正是维护问题,而模型补上了这一环。
回到 Karpathy 的原始表述
其实, Karpathy 的 Gist 原文值得一读,它比大多数转述总结都准确。
Karpathy 对常规做法的判断是:模型在每个问题上都在从零重新发现知识,没有任何积累。他给出的替代方案是编译而非检索——知识编译一次,此后持续保持更新,而不是每次查询时重新推导,最终得到一个持久的、能不断累积的产物。
他也明确了人的位置:你几乎从不亲手写这个 Wiki,模型写它,也维护它。他给出的那个类比很精准:Obsidian 是 IDE,模型是程序员,Wiki 是代码库。
这里有一个被大量转述总结漏掉的关键限制:规模。 Gist 明确写了,靠索引文件 index.md 定位页面的做法在中等规模下效果不错——约 100 份源文档、数百个页面——并且能省掉一整套基于 Embedding 的 RAG 基础设施。超出这个量级,Gist 建议加上搜索,并给出了 QMD 作为示例。QMD 是一个面向 Markdown 的本地搜索引擎,采用 BM25 与向量混合检索,再加上模型重排序。
所以这条规则是关于规模的,不是关于替代的。需要注意的是,触及天花板的是「用一个扁平索引定位页面」这套导航方式,而不是「编译成 Wiki」这个模式本身——源文档集较小时,不必上检索基础设施;变大之…