自从大模型诞生以来，我们主动或者被动接收到的信息越来越多，信息爆炸是我们每个人必须面对的问题。如果想提升自己的效率，就得从这些信息中精确筛选出有用的部分，避免自己被淹没在信息的海洋里。试想一下，比如你现在看到一篇文章，随手点了收藏，以为过后就会仔细去阅读，但是很多时候往往进了收藏夹之后就会吃灰。就算哪天真的想起来要看一下收藏夹的文章，如果收藏夹中已经有了大量的文章，且杂乱无序，这时候整理起来也费劲，往往会让人没有想看的欲望。
主流的个人知识库管理工具，主要还是利用了RAG的思想，即：上传文件，查询时检索片段，生成答案。这意味着每次提问，LLM都会重复执行一遍检索，然后根据上下文回答，整个过程没有积累，没有综合，更没有交叉引用。
一、LLM Wiki是什么 基本原理 LLM WiKi是Andrej Karpathy提出的一种基于LLM构建个人知识库的设想，这种构建的思路与RAG不同。当你添加一篇新资料时，LLM不只是索引它以备后用，而是 阅读它、提取关键信息、并将其整合到现有 Wiki 中 。这个过程会不断更新实体页面、修订主题摘要、标注新旧数据的矛盾之处、强化或修改正在演化的综合分析。
三层架构 LLM Wiki由三层组成：
1. 原始资料层 (raw/)
上传的源文档集合，可以是文章、论文、图片等形式的数据。这些是不可变的，LLM只读不改，也被称为真相来源（source of truth）。
2. Wiki层 (wiki/)
由LLM生成和维护的Markdown文件目录。包括摘要、实体页面、概念页面、对比分析、综述等。完全由LLM来维护这个文件目录，包括创建页面、在新资料到来时更新、维护交叉引用、保持一致性等操作。
3. Schema层
一个配置文档（如 CLAUDE.md、AgentS.md 或 SCHEMA.md），告诉LLMWiki的结构约定、工作流程。这是让 LLM 成为Wiki 维护者而非简单chatbot的关键。
三种核心操作 Ingest（摄入） ：添加新资料时，LLM阅读它、与你讨论要点、写摘要页、更新索引、更新相关实体和概念页面。
Query（查询） ：向Wiki 提问，然后LLM搜索相关页面、阅读后综合回答并附引用。好的回答可以作为新页面归档回 Wiki，这样随着交互的深入，知识也能复合积累。
Lint（维护） ：定期让LLM 对Wiki做健康检查，比如查找页面间矛盾、过时声明、孤立页面、缺失的交叉引用、可以通过搜索填补的数据空白。
与RAG的对比 二、实践教程：搭建个人专用的LLM Wiki 下面我将以 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，定义了所有约定。包含以下部分：
# Wiki Schema 本文档定义了 Wiki 的结构约定、页面格式、工作流程和维护规则。 LLM Agent 在操作 Wiki 时必须遵循这些约定。 ## 主题 ## 目录结构 llm - wiki / ├── SCHEMA . md ← Wiki 约定（ LLM + 人类共同维护） ├── raw / ← 原始资料（不可变） │ ├── articles / ← 网络文章、博客 │ ├── papers / ← 学术论文 │ ├── transcripts / ← 播客/视频文字稿 │ └── notes / ← 个人笔记 ├── wiki / ← 知识层（ LLM 维护） │ ├── index . md ← 内容目录 │ ├── log . md ← 操作日志 │ ├── overview . md ← 全局综述 │ └── pages / │ ├── concepts / ← 概念页 │ ├── entities / ← 实体页（框架、工具、人物） │ ├── comparisons / ← 对比分析 │ └── synthesis / ← 综合分析 └── output / ← 生成产出物 ## 页面格式 ### Confidence 评分规则 ## 命名约定 ## 操作流程 ### Ingest（摄入） 1. 将原始资料存入 `raw/` 对应子目录 2. 阅读资料，与用户讨论关键要点和强调方向 3. 创建或更新相关 Wiki 页面（一个 source 可能触及多个页面） 4. 为每个新增/修改的事实标注来源 5. 更新 `wiki/index.md` 6. 追加 `wiki/log.md` 条目 7. 运行 backlink audit ：检查现有页面是否需要添加指向新内容的链接 ### Query（查询） 1. 先读取 `wiki/index.md` 定位相关页面 2. 读取相关页面内容 3. 综合回答，附带 `[[page-link]]` 引用 4. 如果答案有价值，建议将其保存为新的 Wiki 页面 ### Lint（维护） 检查项目： - 🔴 错误：死链接、 index . md 中缺失的页面 - 🟡 警告：孤立页面（无入链）、过时内容（ source 超过 6 个月未更新） - 🔵 信息：可以补充的交叉引用、建议创建的新页面 自动修复： - 补充缺失的 index 条目 - 修复简单的链接错误 - 标记需要人工确认的矛盾 ## Log 格式 ## 演化规则 该文件的核心是告诉Agent如何去进行WiKi的三种核心操作。
初始化目录 告诉Agent"初始化 wiki"，它根据 SCHEMA.md 的指引，会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: 摄入这个项目 https://github.com/VectifyAI/OpenKB Agent会执行以下操作流程：
1. 读取项目的 README 2. 保存到 `raw/articles/2026-05-xx-openkb-vectifyai.md` 3. 展示关键要点（ PageIndex 、无向量检索、多格式支持等） 4. 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 5. 更新 index . md （添加 4 个条目） 6. 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 • overview.md 的"当前认知"部分被扩展 这就是LLM WiKi的特点，能够实现复合增长，每篇新资料都让已有知识更丰富。
提问与回写 用户: 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。这与现在很多自进化的Agent的思想如出一辙。
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） 三、使用心得与思考 与大多数LLM应用一样，大模型存在不少局限性，并不一定总能完美地对Wiki进行维护：
• 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能在一定程度上进行缓解。 • 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。 维护知识库最繁琐的部分不是阅读或思考，反而是更新引用、保持摘要最新、标注矛盾等会让人感到麻烦。人类会因为维护负担增长快于价值而放弃Wiki，但是LLM不会厌倦。 维护成本接近零，这就是LLM Wiki的根本价值。
粤ICP备14082021号
免费POC，
零成本试错
