2026 年 4 月,Andrej Karpathy 写了一篇 GitHub Gist。他在里面描述了一种方法,称之为 LLM Wiki。
随后,四个团队在短时间内各自构建了相同的概念:
- Cognition 构建了 DeepWiki
- Factory 构建了 AutoWiki
- LangChain 发布了 OpenWiki
- Garry Tan 发布了 GBrain
这四个系统的核心方法完全一致:LLM 一次性读取你的源文档,将信息写入 Markdown 页面,并在源文档变更时保持页面更新。智能体直接读取这些页面,而无需为每个问题重新读取原始文档。
人们将这些系统称为 Agent Wiki(智能体维基)。本文将告诉你它们是什么、每个团队构建了什么、这种方法的局限性,以及一个被许多人忽略的关键区别。
核心理念:在摄入时编译,而非查询时检索
传统上,让模型理解大量文档的方法是检索式 RAG:将文档存入数据库、分块、生成嵌入向量,每个查询都从原始片段中重新构建答案。
这种方法有效,但有一个问题:系统不会保留结果。第十次回答并不比第一次更好,而你要为同样的工作付出十次成本。
Agent Wiki 将成本前置。模型在读取源文档时一次性完成工作,将结果写入持久化的页面。
当新源文档加入时,模型执行以下步骤:读取新文档 → 更新相关的现有页面 → 修正摘要 → 标记与现有页面矛盾的信息。
两种方法都正确,但有两个关键差异:何时支付成本,以及问题之后留下了什么。
三个层次
每个 Agent Wiki 系统都包含相同的三层架构:
| 层级 | 内容 | 说明 |
|---|---|---|
| Layer 1 | 源文档 | 文章、论文、代码仓库,模型只读不修改 |
| Layer 2 | Wiki 维基 | Markdown 格式,模型编写全部内容,包含摘要、主题页面和页面间链接 |
| Layer 3 | Schema 文件 | 告诉模型 Wiki 的结构和要执行的任务(通常是 CLAUDE.md 或 AGENTS.md) |
三个操作
- Ingest(摄入):模型读取新源,将数据写入每个相关页面
- Query(查询):向 Wiki 提问,也可将优质答案写回 Wiki 成为新页面
- Lint(检查):模型审查 Wiki,发现矛盾信息、过期信息和孤立页面
为什么它能工作?
人类维护的 Wiki 会随时间变得不准确。原因很具体:难的不是阅读源材料,也不是产生想法,而是持续维护。
维护工作包括:修正页面间链接、保持摘要准确、将每个新文档与现有页面对比。这项工作永无止境,也没有回报。忙碌的团队最先放弃这项工作,然后 Wiki 变得不准确,最终被废弃。
模型做这项工作毫无问题。模型不会厌倦,不会忘记链接,可以一次性修改十五个文件。
这个想法历史悠久。1945 年 Vannevar Bush 就描述了 Memex——一个带有链接的个人文档存储系统。Bush 当时无法解决维护问题。而今天,模型就是答案。
名称由来
直接阅读 Karpathy 的 Gist 原文比任何摘要都准确。
关于传统方法,他写道:"LLM 在每个问题上都在从零重新发现知识,没有积累。"
他的方法是将信息编译(compile)而非检索。于是"知识一次性编译完成并持续保持最新,而非每次查询重新推导"。结果是一个"持久的、持续积累的产物"。
你不需要自己写 Wiki。他写道:"你很少(或从不)自己编写 Wiki,LLM 编写并维护所有内容。" 他将 Agent 和 Obsidian 结合使用:"Obsidian 是 IDE,LLM 是程序员,Wiki 是代码库。"
Gist 还给出了规模限制——很多摘要忽略了这一点:不依赖嵌入向量的方法"在中等规模下效果出奇地好(约 100 个源,数百个页面)"。对于更大的源,Gist 建议添加搜索,以 qmd 为例——"一个基于 Markdown 文件的本地搜索引擎,混合 BM25/向量搜索和 LLM 重排序。"
所以规则是关于规模,而不是关于替代。源集小时不需要检索基础设施;源集变大时再加入检索。
各团队实际构建了什么
Cognition:DeepWiki——作为公共工具的 Wiki
Cognition 将此方法应用于 GitHub 上的公开仓库。将 URL 中的 github.com 替换为 deepwiki.com,即可获得该代码库的 Wiki。包含架构摘要、文件索引、依赖关系图和搜索功能,且 Wiki 包含指向源代码的链接。
超过 50,000 个最大的公开仓库已有 Wiki,包括 MCP 和 LangChain。
更重要的是:Wiki 本身不是产品,而是 Agent 的检索基础设施…