如果你现在还在给 AI 喂 PDF、喂网页、喂笔记,然后期待它自己变聪明,那你可能搞错了一层。
真正厉害的,不是让 AI 多读点资料,而是有人已经开始给 AI 造“知识操作系统”了。
这也是我看 LLM Wiki 和 GBrain 时最大的感受。它们看起来都在做 AI 知识库,但实际上回答的是两个完全不同的问题:一个在回答知识怎么被编译,另一个在回答知识怎么持续运行。
先说 LLM Wiki
LLM Wiki 这个思路,最早来自 Andrej Karpathy 提出的 LLM Wiki pattern。
它的核心想法不是把一堆资料直接丢给模型临时检索,而是先把原始资料整理成一套稳定的 Wiki 知识层,再让 AI 在这套知识层上工作。
这和很多人理解的“知识库”不太一样。普通知识库更像是把资料放进去,等提问时再临时捞几段相关文本。LLM Wiki 更强调先把知识编译出来:概念怎么组织,页面怎么形成,主题之间怎么关联,规则文件怎么约束查询和维护。
所以后来社区把这套方法论做成具体项目时,LLM Wiki 更像是把 Karpathy 的“知识先编译、再使用”这条路线产品化了。
它回答的问题不是“AI 能不能搜到资料”,而是“这些资料能不能变成一套稳定、可读、可维护的知识表达”。
再看 GBrain
GBrain 走的是另一条路。
这个项目来自 Garry Tan,也就是 YC 现在的 CEO。它不是一个纯研究感很重的知识库 demo,更像是一个长期在用 Agent 的人,直接把自己需要的知识运行系统做出来了。
如果说 LLM Wiki 回答的是“知识怎么写”,那 GBrain 回答的是“知识系统怎么持续运行”。
它保留了页面这种可读、可编辑的形态,但在上面又加了一整层工程基础设施:数据库、向量检索、关键词索引、知识图谱、自动化流程,还有多媒体处理。
这意味着 GBrain 不只是一个知识组织方法。它更像一个长期运行的知识系统。
比如一场客户会议录音,在普通知识库里,它可能只是一个附件。可是在 GBrain 里,它会被转录,生成页面,更新实体,补到时间线里,再建立索引。你后面提问时,面对的已经不是那段原始录音,而是一组被拆解和结构化过的知识对象。
这正是它和普通文件型知识库最根本的区别。
它们共同反对的,其实都是传统 RAG
RAG 是 Retrieval-Augmented Generation 的缩写,一般翻译成“检索增…