> ## Content Index > Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt > Use this file to discover other available public pages before exploring further. # 从RAG到自更新知识库 - URL: https://www.hubwiz.com/blog/from-rag-to-self-updating-knowledge/ - Published: 2026-04-14T12:05:50.000Z - Updated: 2026-04-14T12:05:50.000Z - Description: 在本文中，你将学习到什么是LLM Wiki模式、它与传统RAG有何不同并构建它的实际工作流程。 - Author: admin - Tags: LLM, LLM WIKI, #Import 2026-10-14 14:41 当今大多数AI知识助手都依赖**检索增强生成（RAG）**。你上传文档，模型在运行时搜索它们，并从检索到的片段生成答案。 它有效——但它无法*积累理解*。 ![](https://www.hubwiz.com/blog/content/images/2026/04/image-205.png) Andrej Karpathy提出的一个新想法建议采用不同的方法：与其反复搜索原始文件，不如让 [**LLM构建并维护一个结构化的Wiki**](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f?ref=hubwiz.com)。 这被称为**LLM Wiki模式**。 在本文中，你将学习到： - 什么是LLM Wiki模式 - 它与传统RAG有何不同 - 架构如何工作 - 构建它的实际工作流程 - 你今天可以实现的实际用例 让我们从它解决的问题开始。 ## 1、为什么传统RAG在知识构建方面扩展性不佳 大多数基于文档的助手遵循以下流程： ``` 用户问题 ↓ 嵌入模型 ↓ 向量数据库搜索 ↓ 检索相关片段 ↓ LLM生成答案 ``` 这有效——但每个答案都是从零开始重建的。 即使模型昨天回答了相同的问题，它仍然： - 再次搜索 - 再次检索 - 再次综合 **没有记忆积累**。 正如原始LLM Wiki概念中描述的，NotebookLM、ChatGPT文件上传和许多RAG栈等典型系统反复重新发现知识，而不是保留它。 这是低效的。 LLM Wiki模式通过引入持久知识层来解决这个问题。 ## 2、什么是LLM Wiki模式？ 与其每次检索原始文档片段，LLM会： 1. 阅读源材料 2. 提取结构化知识 3. 编写Wiki风格的Markdown页面 4. 将它们链接在一起 5. 持续更新它们 *这样想：* > *LLM成为活跃知识库的维护者 📘* 随着时间推移，系统构建一个它所学一切的结构化地图。 未来的答案来自Wiki——而不是原始文档。 ## 3、核心架构（简单的心智模型） 以下是高层流程： ``` 原始来源 （PDF、文章、笔记） ↓ LLM阅读和总结 ↓ 结构化Wiki页面 （Markdown知识库） ↓ 交叉链接和更新 ↓ 查询Wiki 而不是原始文件 ``` 关键区别： **知识编译一次，永远复用**。 ## 4、LLM Wiki系统的三层结构 该模式之所以有效，是因为它将知识分成三层。 ### 4.1 原始来源（不可变真相层） 这包括： - 研究论文 - 文档 - 文章 - 会议记录 - 书籍 - 数据集 LLM阅读它们——但从不编辑它们。 它们保持作为基本事实。 ### 4.2 Wiki（结构化知识层） 这是核心创新。 LLM生成： - 摘要 - 概念页面 - 实体页面 - 比较 - 主题概述 - 综合文档 这些页面存储为Markdown文件，并在新来源到达时自动更新。 示例结构： ``` /wiki transformers.md rag.md embeddings.md vector-databases.md ``` 随着时间推移，这成为你AI的内部知识地图。 ### 4.3 模式（行为层） 模式定义： - 页面格式 - 命名规则 - 更新工作流程 - 链接约定 - 索引策略 它就像指导LLM如何维护Wiki的指令。 这将模型从聊天机器人转变为**知识工程师**。 ## 5、知识如何添加到Wiki 这个过程被称为**摄取**。 示例工作流程： ``` 新文章添加 ↓ LLM阅读内容 ↓ 提取关键思想 ↓ 更新现有页面 ↓ 创建缺失页面 ↓ 添加交叉引用 ↓ 记录变更 ``` 一个来源可以自动更新10-15个页面。 这就是结构化积累的力量。 ## 6、查询Wiki而不是搜索文档 传统系统搜索原始文本。 LLM Wiki系统搜索结构化知识。 ``` 用户问题 ↓ 搜索Wiki索引 ↓ 打开相关页面 ↓ 生成综合答案 ↓ 可选地将结果存储为新页面 ``` *重要洞察：* 答案本身可以成为知识库的一部分。 你的系统每次使用时都会改进 📈 ## 7、随时间保持Wiki健康（Linting） 随着知识增长，维护变得重要。 LLM可以定期检查： - 页面间的矛盾 - 过时的声明 - 缺失的交叉引用 - 孤立的主题 - 未探索的想法 这个过程被称为**Wiki linting**。 它保持你的知识库一致和可靠。 ## 8、使导航简单的两个文件 大型知识库需要结构。 两个特殊文件帮助管理一切： ### 8.1 index.md 充当目录： ``` Transformers → 架构概述 Embeddings → 向量表示解释 RAG → 基于检索的生成工作流程 ``` LLM在回答问题时首先阅读这个。 ### 8.2 log.md 跟踪历史： ``` [2026-04-02] 摄取 | Attention Is All You Need [2026-04-05] 查询 | Transformer vs RNN比较 [2026-04-07] lint | 交叉引用更新 ``` 这创建了你的知识如何演变的时间线。 ## 9、LLM Wiki最有效发挥作用的实际用例 这种模式非常灵活。 以下是一些强大的应用。 ### 9.1 个人知识系统 跟踪： - 笔记 - 目标 - 想法 - 日记条目 - 学习进度 随着时间推移，系统构建一个你如何思考的结构化模型。 ### 9.2 研究助手 非常适合： - 文献综述 - 论文准备 - 长期调查 LLM自动连接论文间的想法。 ### 9.3 工程团队文档 向系统提供： - Slack线程 - 会议记录 - 架构文档 - API规范 Wiki无需手动努力即可保持更新。 ### 9.4 竞争情报或市场研究 持续跟踪： - 竞争对手 - 战略转变 - 产品发布 - 价格变化 你的知识库自动演变。 ## 10、为什么这种模式如此有效 手动维护知识库很困难。 人类停止更新文档是因为： - 交叉链接很繁琐 - 摘要变得过时 - 矛盾累积 - 结构随时间破裂 LLM解决了这个维护问题。 它们可以瞬间更新数十个文件而不会失去一致性。 你的角色变成： - 选择来源 - 提出问题 - 指导方向 LLM处理其他一切。 ## 11、LLM Wiki vs RAG：何时使用每个？ 当以下情况使用**LLM Wiki**： - 知识逐渐增长 - 结构很重要 - 综合很重要 - 需要可解释性 当以下情况使用**RAG**： - 数据集巨大 - 信息频繁变化 - 需要实时检索 今天的最佳实践： 结合两者。 ``` 稳定知识 → LLM Wiki 实时数据 → RAG ``` 这种混合方法给出最佳结果。 ## 12、你今天可以尝试的最小实现工作流程 你可以在一个周末构建一个简单的版本。 *步骤1：* 创建文件夹： ``` /raw_sources /wiki /schema.md /index.md /log.md ``` *步骤2：* 将一篇文章放入`/raw_sources` *步骤3：* 询问你的LLM： > *将其转换为结构化Wiki页面并更新相关主题* *步骤4：* 随着你阅读更多材料重复 几天内，你就会看到你的知识库自动增长 🚀 ## 13、关键要点 以下是使LLM Wiki模式强大的原因： - 知识积累而不是每次查询重置 - 系统自动构建结构化Markdown页面 - 交叉引用随时间改进 - 矛盾被早期标记 - 答案成为可复用的知识资产 - 维护成本大幅下降 *最重要的是：* 你的AI不再像搜索引擎那样行为——而开始像研究伙伴那样行为。 ## 14、结束语 LLM Wiki模式不仅仅是一个技术技巧。 它是一种处理知识的新方式。 与其反复检索信息，不如**构建一次理解并持续完善**。 如果你正在构建： - 开发者copilots - 研究助手 - 学习系统 - 内部文档工具 - 个人知识图谱 今天尝试创建你的第一个AI维护的Wiki。 从一个来源开始。 让LLM编写第一页。 然后看着你的知识系统从那里成长。 --- 原文链接: [From RAG to Self-Updating Knowledge: Understanding Andrej Karpathy's "LLM Wiki" Pattern](https://medium.com/@vishal369mehta/from-rag-to-self-updating-knowledge-understanding-andrej-karpathys-llm-wiki-pattern-0fa1feac2964?ref=hubwiz.com) 汇智网翻译整理，转载请标明出处