当AI替你维护知识库,你还会每次从零开始检索吗?Karpathy三个月前在GitHub扔了篇gist,叫《LLM Wiki》。 没代码,没论文,就一页纯文字。 结果呢?
5000多颗星。评论区直接炸成黑客松。 一堆人排着队晒自己的实现。
说白了,这玩意儿戳中了一个我们忍了五年的痛点。
我干了快20年架构,踩过游戏高并发的坑,也搞过广告投放。 听我一句劝—— LLM Wiki 不会彻底取代 RAG,但它正在把 RAG 从主角降级成配角。
以后检索只是导航,真正值钱的资产,是一份 LLM 替你持续维护的、会自己生长的知识库。
这话可能刺耳,尤其是刚花大价钱上了 RAG 系统的团队。
01你那个RAG,每次都在重新发明轮子
RAG 这套,2020年就定型了。 文档切块,塞进向量库,提问时捡碎片,喂给大模型拼答案。 NotebookLM、ChatGPT 文件上传、市面上九成知识库产品,全是这个套路。
用着挺爽。
但有个巨坑。
LLM 每次回答问题,都是从零开始重新发现知识。 你问一个需要综合五份文档的刁钻问题,它现场找碎片、拼起来、推理一遍。 答完就忘。 下次再问类似的?对不起,重新来一遍。 没有一丁点积累。
打个比方:你请了个记性为零的顶级顾问。 每次见面都得把病历从头讲一遍。 顾问水平是真的高,但你迟早会疯。
02知识只“编译”一次,然后持续保鲜
Karpathy 换了个方向。 别让 LLM 在提问时才去读原始文档—— 让它平时就把知识“编译”成一份持续维护的 Wiki。
三层架构,权责分明
- 原始层:你喂进去的论文、文章、数据。不可变,LLM 只读不写。这是事实源头。
- Wiki 层:一堆互相链接的 Markdown 文件。实体页、概念页、对比页、综述页。LLM 全权拥有这一层,建页面、改页面、维护交叉引用。你只负责读。
- Schema 层:一个约定文件(比如 CLAUDE.md),告诉 LLM 这个 Wiki 的目录结构、命名规范、收录流程。这是把 LLM 从“闲聊机器人”变成“有纪律的图书管理员”的关键。 Karpathy 原话:没有它,LLM 就是个通用聊天机器人;有了它,LLM 才是个“懂规矩的 Wiki 维护者”。
三个核心操作,闭环运转
收录:丢一份新资料进原始层。LLM 读完一口气干这些事—— 写摘要页、更新总索引、更新所有相关实体页、标注和旧结论冲突的地方、往日志里追加一条记录。 一份资料可能动 10-15 个页面。 你可以一篇篇喂、全程盯着,也可以批量灌、事后抽查。
提问:基于已综合好的 Wiki 提问,LLM 先查索引找到相关页,读完再答,附引用。 关键设计是:好答案可以归档回 Wiki 变成新页面。 一次深度对比、一个意外发现的关联,不该消失在聊天记录里——这样你的探索本身也在给知识库复利。
体检:定期让 LLM 给 Wiki 做健康检查。 查什么?页面间的矛盾、被新资料推翻的过时结论、没有入链的孤儿页、被反复提到却没有自己页面的概念、缺失的交叉引用。 LLM 还擅长建议“下一步该找什么资料、该问什么问题”。 这是 Wiki 不烂尾的续命机制。
两个关键文件,替代向量索引
Wiki 长大的过程中,靠两个特殊文件导航,不需要 embedding 基础设施:
-
index.md:内容导向的总目录。每个页面一行——链接加一句话摘要,按类别分组。每次收录必更新。 提问时 LLM 先读索引锁定相关页,再钻进去细读。 实测在约 100 份资料、几百个页面的规模下好使得很。
-
log.md:时间线日志,只追加不修改。记录每次收录、提问、体检。 小技巧:每条目用统一前缀,这样
grep "^## \…