摘要:有个开源项目悄悄把 Andrej Karpathy 的 LLM Wiki 设计模式做成了全功能桌面应用,Stars 已经 5.8k+。它解决的不是"怎么问 AI 问题",而是"怎么让 AI 帮你把知识真正积累下来"。
你有没有发现一个规律:用 RAG 搭的 AI 知识库,用了半年之后,跟第一天用起来感觉没什么区别?
文档还是那些文档,答案还是每次从零推理,知识没有在积累,连接没有在形成。你用得越久,反而越觉得它只是个"更贵的搜索引擎"。
这个问题 Karpathy 去年就想到了,他写了一篇设计文档,描述了一种完全不同的思路——用 LLM 持续构建并维护一个结构化的个人 Wiki。这篇文章和推文详细的介绍看这篇文章就行:👉【狂揽58.9k star,Karpathy一条推文,一个CLAUDE.md文件,让你的Claude Code聪明数倍。】
文档写的虽然很优雅,但是是基于抽象设计出来的,并没有实现,总感觉差一点意思。
直到这几天,我看到 LLM Wiki 这个项目。
RAG 和 LLM Wiki,本质上是两种不同的哲学
先把这个区别说清楚,因为理解了这个,后面所有功能都好理解了。
传统 RAG 的逻辑是这样的:
用户提问 → 向量检索相关段落 → LLM 基于段落临时生成答案 → 结束
每次对话都是从零开始,互相独立。知识没有积累,上下文没有沉淀,不管你用了多久,系统对你领域的"理解"不会比第一天更深。
LLM Wiki 的逻辑是另一套:
导入文档 → LLM 两步分析+生成 → 结构化 Wiki 页面持久存储 ↓用户提问 → 多相位检索(关键词+图谱扩展+可选向量)→ 基于已编译知识库回答
区别在于:知识是被"编译"过的。LLM 读完你的文档后,不是直接存下来备查,而是先消化、分析、生成结构化的 Wiki 页面——带 YAML frontmatter、带 [[wikilink]] 交叉引用、有来源追溯,然后这个 Wiki 会持续被维护和更新。
用得越久,Wiki 越丰富,知识网络越稠密,回答质量越高。这跟"用了半年感觉一样"的 RAG 是根本不同的产品。
两步思维链摄取:先分析,再生成
这是 LLM Wiki 对 Karpathy 原始设计最关键的工程改进之一。
Karpathy 的原始设计里,LLM 读完文档就直接写 Wiki 页面——一步到位。LLM Wiki 把这个过程拆成了串行的两个 LLM 调用:
第一步(分析):
- 提取关键实体、概念、论点
- 识别与现有 Wiki 内容的连接点
- 发现矛盾和知识张力
- 给出 Wiki 结构建议
第二步(生成):
- 基于分析结果生成带 frontmatter 的来源摘要页
- 生成实体页、概念页(含交叉引用)
- 更新
index.md、log.md、overview.md - 标记需要人工判断的 Review 项目
这个设计很合理——先让 LLM 想清楚再写,比边读边写质量好得多。另外还有 SHA256 增量缓存:文件内容没变就自动跳过,不浪费 token。
4 信号知识图谱:比向量相似度更聪明
这是我觉得技术含量最密集的部分。
它没有用单纯的向量相似度来判断页面之间的关联,而是建了一个带权重的知识图谱,用四个信号综合计算相关性:
| 信号 | 权重 | 含义 |
|---|---|---|
直接 [[wikilink]] |
×3.0 | 显式引用,最强信号 |
| 来源重叠(同一文档衍生) | ×4.0 | 同源内容天然高度相关 |
| Adamic-Adar(共同邻居权重) | ×1.5 | 通过共同节点推断间接关联 |
| 类型亲和(同类型页面) | ×1.0 | 实体对实体、概念对概念 |
这比纯向量检索要聪明:两篇都来自同一本书的页面,哪怕语义上看起来不相似,系统也知道它们之间的联系很强(来源重叠权重最高,×4.0)。
在图谱基础上还跑了 Louvain 社区检测算法,自动把你的知识库聚类——发现哪些内容自然成一组,并给每个聚类打"凝聚度分数"。低凝聚度的聚类会被标记,意思是这个知识领域的内容还比较松散,可以有意识地补充。
图谱洞察:知识库主动告诉你哪里有盲区
这个功能我觉得是整个产品里最有意思…