AI研发自动化：Wiki知识库与技能包的融合实践

在AI赋能研发的场景中，如何让大模型真正理解并运用企业积累的技术知识，始终是业界探索的核心课题。传统做法依赖检索增强生成（RAG）技术，在查询时临时从文档中检索相关内容。然而，这种模式存在一个根本性局限：知识每次都需要重新发现，无法形成持续积累。LLM-Wiki的出现，为这一困境提供了全新的解决思路。

概述

LLM-Wiki是由Andrej Karpathy提出的新型知识库模式，其核心理念是将大模型从"每次查询时重新检索的RAG引擎"转变为"持续维护个人Wiki的全职编辑"。与传统RAG不同，Wiki中的知识不再每次重新发现，而是被一次次摄入、合并、交叉引用，沉淀为一份"不断变厚的、活的、可演化"的知识资产。这种模式之所以能够work，关键在于：维护知识库的累活不是"读"和"想"，而是迭代Wiki的过程——更新交叉引用、改综述、标矛盾、保一致性。人类放弃Wiki是因为维护成本随规模超线性增长，但LLM不会累、不会忘、一次能改多个文件，维护成本被压到接近零，Wiki才能长期保持活力。

LLM-Wiki的三层架构设计

LLM-Wiki采用清晰的三层架构设计：L1层为Sources（原始源），包含文档、图片、代码等原始材料，LLM只读不写，是真相之源；L2层为Wiki（知识层），是LLM全权拥有的Markdown文件集合，包含实体页、概念页、综述、对比页，人只读不写；L3层为Schema（灵魂层），是写给LLM的"工作规范"，包括目录约定、摄入流程、查询/巡检流程，这是把LLM从"通用chatbot"变成"有纪律的wiki维护者"的关键所在。

知识库的核心操作机制

Wiki知识库支持三种核心操作：摄入（Ingest）、查询（Query）和巡检（Lint）。摄入操作是当有新数据源时，LLM读取后与用户讨论要点，写摘要页，逐一更新被影响的实体页/概念页，更新索引并追加日志，一次摄入可触达多个页面。查询操作基于Wiki答题，但关键洞察在于：好答案要写回Wiki，让探索也变成沉淀，不消失在聊天历史里。巡检操作则定期让LLM自检——找矛盾、找过时、找孤页、找该独立成页但还没有的概念、补交叉引用、提建议性的下一步研究方向。

LLM-Wiki与RAG的核心差异

从多个维度对比可以更清晰地理解两者的本质区别：在知识形态上，传统RAG是原始文档片段加向量索引，而LLM-Wiki是结构化、互链的人类可读Markdown页面；在核心动作上，RAG是Retrieve→Generate，LLM-Wiki是Ingest→Read；在知识载体上，RAG依赖向量数据库（不可读、不可改），LLM-Wiki使用Git仓库（可读、可改、可版本）；在合成时机上，RAG是查询时生成，LLM-Wiki是摄入时就完成融合。最关键的差异在于知识增长模式：RAG是线性增长（多一份源=多一些chunk），而LLM-Wiki是复利式增长（多一份源=整张网被重写一次）。这意味着随着时间推移，RAG的答案质量不变，而LLM-Wiki的答案质量持续变好。

如有侵权，请联系删除。