从检索到理解：LLM Wiki为何代表了知识管理的新范式

过去两年，RAG（检索增强生成）几乎成为了AI应用开发的代名词。向量数据库、embedding模型、chunking策略、rerank算法——围绕这一技术路径，业界建起了一套庞大的基础设施。RAG解决了一个真实痛点：大模型知识有截止日期，且容易编造事实。给它“参考资料”再回答，准确率确实会提升。

LLM Wiki的突破：从临时检索到主动编纂

然而，RAG对"知识"的处理方式存在一个根本性边界：每次查询都是重新组织信息，而不是持续积累理解。今天RAG回答了关于Transformer注意力机制的问题，明天被问到同样的话题，它会重新完成检索、拼接和生成。它不会因为昨天回答过这个问题就回答得更好——每一次都是从零开始。就像一个研究助理，你每次走进办公室问他问题，他都要把所有论文重新翻一遍。他确实能找到答案，但很难真正积累对这个领域的整体把握。

为什么是Markdown：极简背后的深意

与其在查询时临时拼装答案，不如在查询之前就把知识整理成更可读的结构——这是LLM Wiki的核心思路。具体做法其实很朴素：把论文、笔记、网页摘录、代码片段等各种格式的原始内容放进一个文件夹，无需预处理，也无需手动标注或切块。然后指向这个文件夹，给一份自然语言写的编纂指令（称为"Idea File"），LLM就开始工作——阅读全部材料，提取概念和实体，生成独立的wiki文章，并在文章之间创建交叉引用链接。产出是一组Markdown文件，每个文件对应一个主题词条，来源可追溯。新材料加入时，LLM会增量更新现有内容：修改已有文章、添加新词条、调整引用关系。Wiki是活的，在使用中生长。

Idea File：分享单位从代码到意图

Karpathy做了一个极简的选择：整个Wiki就是一组Markdown文件放在文件夹里，跳过数据库、向量存储和所有专门的知识管理工具。Markdown是纯文本，LLM天然能读写，不需要序列化、反序列化、ORM映射这些中间层。一个文件夹里的.md文件可以直接放入prompt，也可以被任何编辑器打开。没有vendor lock-in，没有数据库迁移的烦恼，甚至不需要运行任何服务。 更重要的是，Markdown文件是人和AI都能直接处理的共同工作介质。人随时可以介入修正，AI的产出也无需格式转换就能被人使用。这种双向可读性，是数据库或向量存储不擅长提供的。Git版本控制也直接可用——每次AI更新Wiki，变更可以被diff、review、revert，和管理代码完全一致。

局限与思考：检索是手段，理解才是目的

Karpathy的Idea File概念揭示了一个更深刻的趋势：在LLM Agent时代，分享代码本身的意义在下降。你分享一个想法，对方的Agent会根据各自的环境和需求去定制实现。按他的Software分代框架：1.0时代分享编译好的程序，2.0时代分享训练好的模型权重，到3.0——Agent时代——分享的变成了自然语言写的意图描述。代码更像实现细节，想法开始成为更容易迁移的部分。实际操作中，你拿到Idea File，交给Claude或GPT，说"按这个方案帮我搭一个Wiki"，Agent会根据你用的工具链、文件结构、工作习惯去生成具体实现。两个人用同一份Idea File，产出完全不同的代码，但解决的是同一个问题。

如有侵权，请联系删除。