FDE 企业 AI 落地与交付 · 企业知识治理 · 2026-07-06

RAG 负责召回,LLM Wiki 负责沉淀:团队知识系统为什么不能只做检索

RAG 擅长召回原始资料,但无法沉淀团队的核心判断。LLM Wiki 则通过知识编译,让高频决策真正成为可复用的资产。

核心内容:

  1. RAG 与 LLM Wiki 在知识管理中的不同定位
  2. 团队知识系统中,哪些问题适合 RAG,哪些需要 LLM Wiki
  3. 如何通过知识编译,将高频判断沉淀为可复用资产

很多团队在知识建设上都会经历同一个阶段:文档越来越多,检索越来越强,问答也能跑起来,但真正需要复用的判断却始终沉不下来。你能把资料找回来,却很难保证下一次不用再理解一遍。

这也是我看 Andrej Karpathy 提出 LLM Wiki 时最有感的一点。它真正切中的,不是“再造一个知识库产品”,而是把一个长期被忽略的问题说透了:有些知识适合在查询时临时拼装,有些知识则应该在入库时就先完成一轮整理、抽象和连接。前者更接近 RAG,后者更接近 wiki 式的知识编译。

如果把这两类机制混成一件事,知识系统很容易沦为一个更昂贵的搜索入口。它能回答问题,但不能稳定复用判断;能召回原文,却不能把经验真正积累下来。

问题不在“能不能找到”,而在“要不要反复理解”

RAG 的价值从来都不小。它擅长保存原始语义,适合挂接大规模资料,也适合处理那些低频、长尾、临时出现的问题。对于“某份方案里有没有提过这个字段”“去年的会议里谁说过这件事”这类问题,RAG 的路径非常合理:先把资料找出来,再让模型基于上下文完成理解。

问题在于,团队里并不只有这类问题。

很多真正消耗协作成本的内容,恰恰不是“找不到”,而是“每次都要再想一遍”。比如:

这类内容只靠检索并不划算,因为它们的成本不在召回,而在重复理解。

RAG 的能力边界:保存原料,按需取用

从系统设计角度看,RAG 更像一种“存储优先”的范式。它尽量不提前改写知识,而是把原始材料保留下来,在用户发问时再做上下文拼装。

这种范式有三个天然优势:

但它也有明显边界。只要一个问题会高频重复出现,RAG 就会不断重复支付同一种理解成本。系统每次都要重新检索、重新组装、重新归纳。短期看没问题,长期看就会暴露出两个症状:

换句话说,RAG 很擅长“把资料带到现场”,却不天然负责“把判断沉淀下来”。

如果把两种思路并排看,差异会更直观:

图:RAG 负责把原始资料带回现场,LLM Wiki 负责把高频判断沉淀成可复用资产

维度 RAG LLM Wiki
处理时机 查询时再理解 写入时先做一轮抽象
主要目标 找回原始资料 固化可复用判断
更适合的内容 冷区、长尾、低频问题 半熟、高频、反复解释的问题
典型产物 检索结果、引用片段、即时回答 概念页、实体页、专题判断
成本曲线 每问一次,理解成本支付一次 前置加工一次,后续持续复用

LLM Wiki 的关键,不是整理文档,而是编译知识

LLM Wiki 更有意思的地方,在于它把“理解”这件事往前移了一步。

它不是等问题来了再临时组织答案,而是在…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/RAG/2026070650287.html