FDE 企业 AI 落地与交付 · 企业知识治理 · 2026-06-23

RAG之后,知识库开始自己长大

这个开源项目让知识库从静态仓库变成会自我生长的城市,帮你告别重复检索的烦恼。

核心内容:

  1. RAG 知识库的局限性:每次查询都需重新检索,无法积累知识
  2. LLM Wiki 的创新架构:三层结构实现知识编译与自动维护
  3. 个人知识管理的产品化:从理论到桌面应用的实践突破

你有没有这种感觉:资料越存越多,脑子反而越来越乱。

网页剪藏、PDF、会议纪要、聊天记录,都躺在文件夹里。真正要用时,还是从搜索开始,从摘要开始,从一堆片段里重新拼答案。

这不是懒。是传统知识库有个老毛病:它只负责存,不负责长大。

LLM Wiki 想改掉这件事。这个 GitHub 项目已经拿到 10897 Stars,它把 Karpathy 提出的 LLM Wiki 思路,做成了一个跨平台桌面应用。

知识库不是仓库,是一座会修路的城市

RAG 每次都在重新打井

过去两年,RAG 是很多 AI 知识库的标准答案。

你把文档丢进去,系统切块、向量化、检索,再让模型生成回答。听起来很先进,但它像一个临时工:每次来上班,都要重新翻箱倒柜。

问一个简单问题还好。问一个需要综合五篇文章、三次会议、两份报告的问题,它就开始吃力。

RAG 的问题不是不会找资料,而是找完以后什么都不留下。

下一次,你又得重新付一遍 token,重新等一遍检索,重新赌一遍模型能不能把关系拼对。

LLM Wiki 先编译,再查询

LLM Wiki 换了个思路。

它不把原始资料当成“每次查询时再翻的仓库”,而是让大模型在资料进入系统时,就把它编译成一套结构化的 Markdown Wiki。

一份新资料进来,模型会读它,提炼它,更新已有页面,建立交叉引用,标记矛盾,把新信息织进旧知识网络里。

这就像从“每次现查地图”,变成“每天有人帮你更新城市路网”。

它真正厉害的地方,是把维护变成默认动作

三层架构很朴素

LLM Wiki 的底层架构并不花哨,甚至有点土。

第一层是 Raw Sources,原始资料不可变。PDF、网页、图片、笔记,都先放这里。

第二层是 Wiki,由 LLM 生成和维护。这里有摘要页、实体页、概念页、索引页、日志页。

第三层是 Schema,告诉模型怎么维护这套知识库。命名规范、链接方式、来源引用、冲突标记,都写在规则里。

越朴素,越容易跑起来。Markdown、Obsidian、Git,这些老工具反而成了新基础设施。

Ingest 不是摘要,是重构

很多工具说“导入文档”,其实只是生成一段摘要。

LLM Wiki 的 Ingest 更像一次小型重构。

它会先做分析:这份资料里有哪些实体、概念、论点,和已有 Wiki 有什么关系,有没有冲突,有没有值得延伸的问题。

再做生成:更新 source 页面,补 concept 页面,改 index,写 log,把需要人判断的地方放进 Review。

项目 README 里把它叫 Two-Step Chain-of-Thought Ingest。说白了,就是先想清楚,再动手改文件。

这对知识库很关键。因为真正值钱的不是“又多了一篇摘要”,而是旧知识因为新资料被重新排列了一次。

个人知识管理,终于有了产品形态

桌面应用降低了门槛

Karpathy 原始想法更像一份“idea file”,适合懂 Agent 的人复制进 Claude Code 或 Codex 里自己搭。

LLM Wiki 往前走了一步:它做成了 Tauri v2 + Rust + React 的跨平台桌面应用,支持…

— 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/2026062306197.html