从RAG到自更新知识库

微信 ezpoda免费咨询：AI编程 | AI模型微调| AI私有化部署
AI工具导航 | ONNX模型库 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo

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。

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。

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

汇智网翻译整理，转载请标明出处