从RAG到LLM Wiki：用AI构建持续进化的个人知识库

你可能也经历过这样的场景：看到一篇好文章，随手收藏进去，心想"等会儿细看"，结果这个"等会儿"再也没来过。更头疼的是，当收藏夹里积攒了几百条链接后，想整理时却完全无从下手——信息杂乱无章，光梳理就让人泄气。

当下主流的个人知识管理工具，大多还是基于RAG的思路：上传文件，查询时检索相关片段，然后生成回答。这带来的问题是——每一次提问，大模型都要重新检索一遍，然后临时组织答案。没有积累，没有综合，更没有跨文档的交叉引用。

那么，有没有一种方式，能让知识像维基百科那样被主动消化、持续进化、越用越丰富？

这就是LLM Wiki要做的事。

一、LLM Wiki是什么

基本原理

LLM Wiki这个概念，最早由Andrej Karpathy提出。它与RAG最大的不同在于：当你添加一篇新资料时，LLM不是简单地把文档索引起来留作后用，而是真正去

。这个过程会不断更新实体页面、修订主题摘要、标注新旧数据之间的矛盾、强化或修正正在演化的综合分析。

换句话说，每接入一篇新资料，知识库都在进化。

三层架构

LLM Wiki由三层组成：

上传的源文档合集，包括文章、论文、图片等。这层是只读的，LLM不会修改它——它是整个知识库的真相来源（source of truth）。

由LLM生成并维护的Markdown文件目录。包括摘要、实体页面、概念页面、对比分析、综述等。LLM在这个层里可做的事情很多：创建新页面、在新资料到来时更新已有页面、维护交叉引用、保持内容一致性。

一个配置文档（比如 CLAUDE.md、AgentS.md 或 SCHEMA.md），告诉LLM整个Wiki的结构约定和工作流程。想让LLM真正做到"Wiki维护者"而不是"简单对话机器人"，这一层是关键。

三种核心操作

：添加新资料时，LLM会阅读它、与你讨论要点、写摘要页、更新索引，并更新所有相关的实体和概念页面。每接入一个来源，知识库就在"重组"自己。

：向Wiki提问时，LLM先搜索相关页面，阅读后给出综合回答并附上引用。如果某个回答质量很高，还可以把它作为一个新页面归档回Wiki——随着交互的深入，知识也在复合积累。

：定期让LLM对Wiki做一次"健康检查"。查找页面间的矛盾、过时声明、孤立页面、缺失的交叉引用，甚至通过搜索来填补数据空白。

与RAG的对比

维度	RAG	LLM Wiki
知识状态	无状态，每次重新检索	有状态，持续积累
处理时机	查询时（实时推导）	摄入时（编译一次）
交叉引用	无	自动维护
矛盾处理	不处理	主动标记
知识增长	线性（加文档数量）	复合（综合+交叉链接）
维护成本	低（只需索引）	高（需要LLM编译）
查询成本	高（每次检索+生成）	低（读已编译页面）
适合规模	大规模语料	中等规模深度研究

二、实践教程：搭建个人专用的LLM Wiki

下面以AI Agent 架构模式为研究主题，展示如何从零搭建一个LLM Wiki。

编写SCHEMA.md

SCHEMA.md是Agent的指导文件，告诉LLM如何处理Wiki。它定义了所有约定，是让LLM真正成为"Wiki维护者"的基础。包含目录结构、页面格式、Confidence评分规则、命名约定、三种核心操作的具体流程等等。

这个文件的核心，就是告诉Agent如何完成Wik的三项核心操作。

初始化目录

告诉Agent"初始化 wiki"，它会根据SCHEMA.md的指引，自动创建完整的目录结构、空的index.md和log.md，以及初始的overview.md。

摄入第一篇资料

用户输入：摄入这个项目 https://github.com/VectifyAI/OpenKB

Agent执行的操作流程：

• 读取项目的README
• 保存到raw/articles/2026-05-xx-openkb-vectifyai.md
• 展示关键要点（PageIndex、无向量检索、多格式支持等）
• 创建多个Wiki页面：concepts/llm-wiki-pattern.md（LLM Wiki模式定义）、concepts/vectorless-retrieval.md（无向量检索概念）、concepts/pageindex.md（PageIndex工作原理）、entities/openkb.md（OpenKB项目实体页）
• 更新index.md（添加4个条目）
• 追加log.md操作记录

在这次Ingest过程中，Agent共操作/生成了7个文件。

摄入第二篇资料

摄入第二篇资料（Hermes Agent）后，Wiki不仅在同样的位置多了几个页面，而且还：

• 已有的llm-wiki-pattern.md被更新，添加了Hermes的引用
• 新概念页之间自动建立了交叉引用
• overview.md的"当前认知"部分被扩展
• 页面间形成了网状链接结构

这就能看出LLM Wiki的特质了——每篇新资料不是孤立堆叠，而是让已有知识变得更丰富。这就是复合增长的含义。

提问与回写

用户提问：LLM Wiki 和 Hermes Agent 有什么关联？

Agent从Wiki中检索相关页面，综合出三层关联分析（比如Skills兼容、记忆同源、自我改进闭环）。这个回答本身有价值，于是被保存为synthesis/llm-wiki-hermes-relationship.md。

好的回答不应该消失在聊天历史中，而应该成为Wiki的一部分。这和现在很多自进化的Agent思想如出一辙。

使用效果

经过摄入2个来源后，Wiki中已有：

• 9个页面（包含6概念+2实体+1综合分析）
• 自动维护的index.md和log.md
• 一个持续演化的overview.md

三、使用心得与思考

当然，和大多数LLM应用一样，它也有不少局限性：

• 幻觉风险
  ：LLM可能在摄入时引入原文没有的信息。通过增加Confidence评分和citation audit能在一定程度上缓解。

• 一致性漂移
  ：多次摄入后，不同页面的风格和深度可能不一致。

• 上下文限制
  ：当Wiki很大时，LLM无法一次读完所有页面。index.md的设计变得非常关键。

• 判断力有限
  ：什么值得成为独立页面、什么应该合并，LLM可能做得并不好。

维护个人知识库最让人头疼的，往往不是阅读或思考本身，而是那些琐碎的维护工作——更新引用、保持摘要最新、标注矛盾点。这些事情人类做着做着就容易放弃，因为维护负担增长的速度会超过知识积累带来的价值。但LLM不会厌倦。当维护成本趋近于零时，知识库才能真正持续进化下去——这才是LLM Wiki最根本的价值所在。