推荐语

告别信息收藏夹吃灰！LLM Wiki让你像维基百科一样，让AI主动消化知识，构建持续进化的个人知识库。

核心内容：
1. LLM Wiki与传统RAG知识库的本质区别
2. LLM Wiki三层架构与三种核心操作详解
3. 知识如何实现复合增长与主动维护

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

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
• • 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）
• • 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

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。