LLM Wiki：让对话真正沉淀下来

与AI对话时，我们常会产生一种错觉：既然模型「读过了」，那它应该就「学会了」。比如在对话中告诉它一门不存在的语言规则，或某款尚未发布的电子产品参数，模型能够据此继续推理、翻译、分析，似乎真的理解了这些新知识。然而一旦关闭对话、开启新的会话，再次询问同样的问题，模型大概率一无所知。这并非模型的刻意「装傻」，而是由其本质架构所决定：模型本质上是一个经过大规模预训练压缩的知识包，它能够根据当前上下文临时展开相关能力，但这个压缩包本身不会因为一次对话就自动改写。新输入的信息只存在于当前对话窗口中，无法转化为模型的长期知识储备。

概述

这一特性带来的实际问题远比表面看起来严重。传统AI问答系统的核心假设是「检索准确度决定答案质量」，但更深层的问题在于：AI并非在一个持续生长的知识系统上运作，而是在一次次临时构建的上下文中工作。对话结束，工作台清空，所有讨论产生的价值便随之消散。许多人习惯将重要对话内容复制到笔记软件中保存，但这种做法难以形成持续、系统的知识维护机制。问题的关键从来不在于文字记录本身，而在于如何建立一套可持续运转的维护体系。

对话价值的流失困境

LLM Wiki框架由Karpathy提出，其核心理念颠覆了传统思路：不要指望模型自身记住一切，而是让模型负责维护一个外部Wiki系统。在这一框架下，模型承担读取、提取、合并、链接和更新的职责；Wiki系统则负责保存、积累、迁移和审计。这种分工将知识存储的责任从模型参数转移到外部存储，使得知识积累不再依赖模型重新训练，而是通过规范化的文档管理实现。

LLM Wiki：外部知识库的理念

LLM Wiki的实现从目录结构入手：创建raw和wiki两个核心文件夹，分别存放原始材料和整理后的知识页面。raw目录作为只读层存放各类原始资料；wiki目录则是AI维护后的知识库，按主题分类组织。此外还需要index.md作为全局入口、log.md记录操作历史，以及AGENT.md定义AI的工作规则。目录结构本身并不复杂，但真正决定系统能否长期运行的，是规则层的精心设计。没有规则约束，AI容易将知识库变成随手书写的文件堆；有了规则，AI才知道哪些可以修改、如何撰写、写入依据为何。

目录结构与规则层设计

第一，raw目录严格只读。AI可从中提取事实，但不得创建、删除或修改任何文件，确保原始材料的权威性。第二，合并优先于新建。新材料进入时先检查wiki中是否存在相关页面，有则合并，无才新建，避免知识库沦为按时间堆叠的原始资料库。第三，默认可追溯。Wiki中每条重要信息必须标注来源，无来源支撑的内容不能写入事实区；冲突信息不得静默覆盖，应并列展示不同版本供核实。第四，项目级权限控制。AI在用户确认前不得修改任何文件，确认后也只能操作wiki目录、索引和日志等指定对象。第五，操作留痕。每次处理后更新日志，记录已完成事项和变更结果；新建页面后必须更新索引。第六，页面不删只标注。过时或重复内容优先合并，标注「已废弃」或归档处理。这些规则共同构成了知识库长期健康运转的制度保障。

如有侵权，请联系删除。