LLM Wiki 构建手册：一份可直接落地的标准流程

在企业知识管理领域，如何让大语言模型真正理解和运用组织知识，始终是落地应用的核心挑战。传统的 RAG 方案虽然解决了信息检索问题，但碎片化的 chunk 切割往往破坏了知识的完整性和关联性。LLM Wiki 作为一种新兴的知识库构建范式，试图从源头重建知识组织方式——让 AI 不是简单地检索片段，而是像人类一样理解完整的知识页面和页面间的关联网络。

知识库约束配置

首先，需要建立原始资料库。建议创建 /raw 目录，统一存放 Markdown、PDF、TXT 等原始文件。关键原则是：系统永远只读取该目录，永不修改或覆盖原始文件。/raw 目录作为唯一可信数据源，所有 Wiki 内容都基于此增量生成。这种设计保证了数据的一致性和可追溯性，也为后续的增量更新奠定了基础。

增量编译与全局索引

为确保生成内容符合预期，需要在编译前定义明确的约束规则。可通过创建 SCHEMA.md 或 PURPOSE.md 配置文件来实现，主要作用包括：界定知识库的主题边界、统一写作风格和知识粒度、规范页面结构避免内容发散。这些约束相当于给 LLM 设定了一个“边界框”，确保提炼出的知识既精准又风格统一。

查询模式的选择策略

增量编译是 LLM Wiki 的核心机制。以文件为粒度进行增量处理——新增或变更的文件会被处理，旧文件通过哈希缓存自动跳过，避免重复处理。编译过程中，LLM 会提炼核心实体、概念和论点，生成完整、独立、结构化的 Wiki 单页，并自动建立页面间的 [[wikilink]] 前向链接网络。值得注意的是，反向链接不建议直接写入页面，以免增加复杂度和 token 消耗，可通过脚本独立维护。全局 index.md 作为系统级目录和入口，让模型能够看清知识库全貌。对于超大规模知识库，可采用分层索引策略，将全局索引拆分为多级主题索引。

LLM Wiki 提供两种查询模式，适用于不同场景。模式 A 为原生标准模式，适用于中小型知识库。流程是：LLM 读取顶层 index.md → 根据摘要判断相关页面 → 读取完整 Wiki 页面 → 依靠 wikilink 做多跳推理。其优势在于零向量、零检索碎片、零 chunk 割裂，是最纯正的 Wiki 范式，效果最佳。模式 B 为大规模扩展模式，适用于知识库极大的场景。本质上，向量检索只做页面定位，不直接生成答案。通过混合检索召回 Top-K chunks，再根据父页面 ID 读取完整原始 Wiki 页面，最后由 LLM 基于完整页面进行推理。关键原则是：向量检索是辅助定位插件，绝不使用碎片 chunk 作为上下文——这是 LLM Wiki 与传统 RAG 的本质区别。

如有侵权，请联系删除。