真正的AI知识库

用AI将知识“编译”成不断进化的Wiki，告别重复检索，实现真正的知识累积。LLM Wiki方法让AI成为你的知识库工程师。 核心内容： 1. 传统AI知识库（RAG与Agent）的局限与核心问题 2. 卡帕西LLM Wiki的核心原理与工作流程 3. 如何将LLM Wiki方法融入现有知识库并开始实践

2026年，如果想搭建自己的AI知识库，卡帕西的LLM Wiki方法值得认真考虑。 先记住这个结论：这套做法的本质，是把AI从“一次性检索生成器”升级成了“持续知识编译器”。 回顾一下过去大家是怎么做的，就能完全理解了。

以前有两种主流做法：最早是RAG，把文档切割、向量化，然后让大模型去检索。这种做法门槛高，局限性也挺大。后来很多人改用Claude Code之类的工具，直接让Agent去遍历所有文档。 这两种做法虽然路径完全不同，但核心问题其实一样：每次提问，AI都得重新读一遍文档。 “每次都得重新发现知识”带来的后果很直接——Token消耗巨大，尤其是当知识库越来越大的时候。而且一致性很差，那些矛盾、交叉引用每次都要重新发现，容易出现幻觉或遗漏。 所以，过去这两年的AI知识库，只能算是个半成品。那么，卡帕西到底做对了什么？他设计了这样一套系统：

你有一个素材库，存放所有原始资料，比如文章、论文、笔记、PDF等等。AI会主动把这些资料“消化”成一个结构化的、Markdown格式的Wiki。 Wiki里的内容不是简单的复制粘贴，而是包含了实体页、主题总结页等。它是AI完整理解了你所有内容之后生成的东西。 你提问的时候，AI会去查询Wiki，而不是每次都去原始素材里翻。AI回答完了，还可以把好答案存回Wiki，让知识继续累积。 之后每次添加新资料进知识库，AI还会主动更新整个Wiki。 所以，在你的知识库里，AI不再是每次回答都得查资料的秘书，而是一个知识库工程师。它替你把知识“编译”成一个不断进化的Wiki。 这才是AI知识库该有的样子。 而实现起来也很简单。卡帕西发布了一个Gist，把这个链接给AI，它就知道怎么做了。已经有不少人成功部署过了。

这套方法，不管是用Claude Code还是别的AI工具，都适用。比如，有些人的系统里，主Agent在收到要求后，会先结合现有知识库做个评估。 评估的结论往往是：跟卡帕西在做的是同一件事。比如已经有INPUT文件夹用来存原始素材；有AGENTS和KNOWLEDGE两个Markdown文档作为纲领性文件。唯独缺少中间层，也就是Wiki。 虽然AI建议把Wiki放到某个文件夹里，但最终决策还是要靠人。比如，基于OUTPUT文件夹建立Wiki就是一个更合理的选择——因为OUTPUT里存放的是笔记、文章以及视频脚本，都是成品，是基于这些资料建立Wiki才是最准确的。 所以，AI可以帮你搞定很多事，但知识库该是什么样的，这个大方向必须由你来把握。否则就成了AI的知识库，而不是你自己的。 跟AI商量好、交代清楚之后，剩下就不用管了，AI会自动完成。 这个过程可能会花很长时间，因为AI需要先消化所有内容。如果有多个文件夹需要处理，主Agent会决定兵分几路，创建后台任务让子Agent去并行执行。 当多路扫描的综合分析都搞定之后，AI会给出Wiki的设计方案。整个结构会分好几层，比如概念层——那些原创的、反复出现的、有完整论证的概念；实体层——各种内容所涉及到的实体，比如某个人、某个模型；线索层——可以归纳到一起的大主题，比如“AI工程三部曲”等等。 在确认方案之后，主Agent会把活儿派出去，并行完成。这就是多Agent编排系统的好处。 整个过程可能要等上20分钟左右，确实是个大工程。不过最终完成后的效果很漂亮。 概念层里的东西，都是之前提过的各种概念，每一个概念的Markdown文档里都有非常详细、完整的表述——这些都是AI从过往资料里提取出来的。 实体层里的东西，是各种内容所涉及到的实体，比如卡帕西这个人，或者某个模型，都是过去经常提到的。 线索层里的东西，是可以归纳到一起的大主题。之前写的内容很多都不是独立的主题，可以归纳到一个大主题或者专栏里。AI全面理解之后，用逻辑把它们串起来了。 另外还有几个纲领性文件。比如Index文档是结构性的，Log文档则是按时间来排的。这种横向和纵向的整理，让AI对整个知识库有了非常详细的了解，确实比之前单纯搜索强很多。 整个Wiki的使用方法，在知识库最底层的AGENTS文档里也有记录。以后AI就知道什么时候要去读取或者写入Wiki了。比如，当存入新的稿子，AI会自动对它进行处理，添加进Wiki。

用卡帕西的做法更新完知识库之后，效果很明显。原本“死”的文档，在Wiki加入之后“活”过来了。AI的检索效率大大提升。而且在Obsidian里去查看也很方便。 所以这件事非常值得去做。