卡帕西力推的 LLM Wiki，會(huì)淘汰傳統(tǒng) RAG 嗎？

本文作者：樊天驕

2026-07-31 19:26

導(dǎo)語(yǔ)：看清 Agent Wiki ≠ AI 用戶(hù)記憶，你的知識(shí)庫(kù)落地就成功一半了。

看清 Agent Wiki ≠ AI 用戶(hù)記憶，你的知識(shí)庫(kù)落地就成功一半了。

作者丨樊天驕

編輯丨鄭佳美

2026 年 4 月，AI 領(lǐng)域知名研究者 Andrej Karpathy 在 GitHub 發(fā)布了一篇技術(shù) Gist，提出「LLM Wiki」的技術(shù)構(gòu)想，迅速在行業(yè)內(nèi)引發(fā)跟進(jìn)熱潮。雷峰網(wǎng)

短短數(shù)月內(nèi)，Cognition、Factory、LangChain、知名投資人 Garry Tan 四支團(tuán)隊(duì)幾乎同步落地了同類(lèi)產(chǎn)品，Agent Wiki 從一個(gè)個(gè)人想法快速成長(zhǎng)為一條明確的技術(shù)賽道。

近期 AI 記憶層項(xiàng)目 Mem0 發(fā)布了專(zhuān)欄文章《The State of Agent Wikis》，系統(tǒng)拆解了這一技術(shù)的原理、落地現(xiàn)狀與能力邊界。

AI 科技評(píng)論就以卡帕西原始構(gòu)想與這篇文章為藍(lán)本，做通俗化的解讀與梳理，在不改變文章原意的基礎(chǔ)上，回答行業(yè)最關(guān)心的問(wèn)題：LLM Wiki 到底是什么？它和傳統(tǒng) RAG 有何本質(zhì)不同？以及它真的能淘汰傳統(tǒng) RAG 嗎？

LLM Wiki 是什么？

要理解 LLM Wiki 的核心價(jià)值，我們得先搞懂它對(duì)標(biāo)的傳統(tǒng)方案 ——RAG（檢索增強(qiáng)生成）的底層邏輯。

卡帕西在原文里一針見(jiàn)血地點(diǎn)出了傳統(tǒng)檢索模式的核心弊病：大模型每回答一個(gè)問(wèn)題，都要從零開(kāi)始重新梳理知識(shí)，全程沒(méi)有任何積累。

傳統(tǒng) RAG 是典型的「查詢(xún)時(shí)做功」架構(gòu)：文檔導(dǎo)入系統(tǒng)時(shí)，只做最基礎(chǔ)的機(jī)械處理 —— 把長(zhǎng)文檔拆成短小的文本片段，給每個(gè)片段生成對(duì)應(yīng)的向量（你可以理解成給每段內(nèi)容貼一個(gè) “語(yǔ)義身份證”，方便計(jì)算機(jī)比對(duì)相似度），再統(tǒng)一存入向量數(shù)據(jù)庫(kù)。整個(gè)導(dǎo)入過(guò)程，系統(tǒng)不會(huì)去理解內(nèi)容、提煉要點(diǎn)、梳理邏輯，只是把素材 “拆好歸檔”。

真正費(fèi)算力的核心工作，全要等用戶(hù)提問(wèn)的瞬間才開(kāi)始做：系統(tǒng)先把用戶(hù)的問(wèn)題也轉(zhuǎn)成向量，去數(shù)據(jù)庫(kù)里比對(duì)出最相關(guān)的幾段原文；接著把這些零散片段去重、排序、拼接成完整的上下文；最后連同問(wèn)題一起交給大模型，讓模型當(dāng)場(chǎng)從原始片段里推理、總結(jié)出答案。

這套模式的優(yōu)勢(shì)很明確：始終基于原始文檔片段作答，只要召回的片段準(zhǔn)確，事實(shí)精度就有保障。但短板也同樣突出：同一個(gè)問(wèn)題問(wèn) 100 次，就要完整重復(fù) 100 次 “檢索 - 拼接 - 推理” 的全流程，算力和 Token 成本隨提問(wèn)次數(shù)線(xiàn)性上漲。

更關(guān)鍵的是，系統(tǒng)不會(huì)沉淀任何結(jié)論，第 100 次回答的質(zhì)量和第 1 次沒(méi)有任何區(qū)別，不會(huì)因?yàn)榛卮疬^(guò)就變得 “更懂” 這份文檔。

而卡帕西提出的 LLM Wiki 把這套邏輯整個(gè)反過(guò)來(lái)了。他的核心主張是：知識(shí)只編譯一次，隨后持續(xù)保持更新，而非每次查詢(xún)都重新生成，最終得到的是一個(gè)可持久沉淀、持續(xù)復(fù)利的知識(shí)產(chǎn)物。

這套思路被稱(chēng)為攝入時(shí)編譯：核心計(jì)算工作全部前置到文檔導(dǎo)入的階段完成。

大模型會(huì)一次性通讀所有原始文檔，完成語(yǔ)義理解、要點(diǎn)提煉、知識(shí)分類(lèi)，最終整理出一套結(jié)構(gòu)化的 Markdown 維基頁(yè)面 —— 每個(gè)主題單獨(dú)成頁(yè)，頁(yè)面自帶核心摘要，相關(guān)主題之間會(huì)加上語(yǔ)義內(nèi)鏈，形成一套完整的知識(shí)網(wǎng)絡(luò)。

等后續(xù)用戶(hù)提問(wèn)時(shí)，系統(tǒng)不需要再去翻原始文檔、不需要拼接零散片段，只需要定位到對(duì)應(yīng)的維基頁(yè)面，大模型直接讀取整理好的結(jié)構(gòu)化內(nèi)容，就能快速生成答案。

卡帕西還用一個(gè)非常經(jīng)典的比喻，定義了這套體系里三者的角色：Obsidian 是 IDE，LLM 是程序員，維基就是代碼庫(kù) —— 整個(gè)維基全程由大模型負(fù)責(zé) “編寫(xiě)” 和 “維護(hù)”，人幾乎不用手動(dòng)撰寫(xiě)內(nèi)容，只需要提供原始素材和維護(hù)規(guī)則。

▎Mem0 在文章中進(jìn)一步把這套系統(tǒng)梳理成了標(biāo)準(zhǔn)的三層架構(gòu)，從下到上分別是：

1.原始文檔層：最底層的事實(shí)源頭，也就是論文、代碼庫(kù)、規(guī)章制度這類(lèi)原始素材，系統(tǒng)只會(huì)讀取它，不會(huì)修改原始內(nèi)容；

2.維基內(nèi)容層：中間的核心知識(shí)層，也就是大模型編譯生成的 Markdown 頁(yè)面集合，帶摘要、分類(lèi)、內(nèi)鏈，是回答問(wèn)題的直接依據(jù)；雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))

3.規(guī)則文件層：最上層的 “運(yùn)維手冊(cè)”，常見(jiàn)的如 AGENTS.md、CLAUDE.md，它定義了維基的分類(lèi)標(biāo)準(zhǔn)、更新規(guī)則、矛盾處理邏輯，用來(lái)約束大模型，讓它能規(guī)范地維護(hù)好這套維基。

有了這三層架構(gòu)，當(dāng)用戶(hù)發(fā)起提問(wèn)時(shí)，整個(gè)流程就變得非常輕量：系統(tǒng)先通過(guò)頁(yè)面標(biāo)題、內(nèi)鏈或補(bǔ)充的檢索能力，定位到對(duì)應(yīng)的維基頁(yè)面；再把頁(yè)面里整理好的結(jié)構(gòu)化知識(shí)作為上下文，連同用戶(hù)問(wèn)題一起交給大模型。

大模型不需要再?gòu)牧闵⒌脑计卫飺感畔ⅰ⒆鐾评恚苯踊谡砗玫慕Y(jié)論就能生成回答，速度更快，算力成本也更低。

▎對(duì)應(yīng)的，整套系統(tǒng)圍繞這三層架構(gòu)，有三個(gè)核心操作：

攝入：導(dǎo)入新的原始文檔，大模型通讀拆解后，把信息同步更新到對(duì)應(yīng)的維基頁(yè)面里；

查詢(xún)：用戶(hù)基于維基提問(wèn)生成答案，優(yōu)質(zhì)的問(wèn)答結(jié)論還能反向補(bǔ)充進(jìn)維基，沉淀成新的知識(shí)；

校驗(yàn)：定期掃描整套維基，找出內(nèi)容矛盾、信息過(guò)期、沒(méi)有關(guān)聯(lián)的孤立頁(yè)面，自動(dòng)修正或者標(biāo)記出來(lái)。

卡帕西特別強(qiáng)調(diào)了一個(gè)很多解讀都會(huì)漏掉的規(guī)模邊界：純靠頁(yè)面導(dǎo)航、不帶向量檢索的 Wiki 方案，只適合約 100 個(gè)信息源、幾百個(gè)頁(yè)面的中等規(guī)模。在這個(gè)范圍內(nèi)，它完全不需要搭建復(fù)雜的 RAG 基礎(chǔ)設(shè)施，性?xún)r(jià)比最高。

而當(dāng)文檔量超過(guò)這個(gè)閾值后，頁(yè)面數(shù)量和關(guān)聯(lián)關(guān)系會(huì)變得龐雜，純靠頁(yè)面導(dǎo)航就不夠高效了，這時(shí)就需要補(bǔ)充BM25 關(guān)鍵詞檢索 + 向量檢索 + LLM 重排序的混合檢索能力來(lái)兜底。他的核心原則是：小體量不用硬上復(fù)雜的檢索基礎(chǔ)設(shè)施，規(guī)模變大了再補(bǔ)充檢索能力。

至于為什么這套思路直到今天才真正可行，Mem0 在文中給出了答案：人類(lèi)維基的核心痛點(diǎn)從來(lái)不是存儲(chǔ)，也不是檢索，而是居高不下的維護(hù)成本。

早在 1945 年，科學(xué)家范內(nèi)瓦?布什就提出了著名的「Memex」構(gòu)想 —— 一個(gè)能存儲(chǔ)個(gè)人所有文檔、自動(dòng)建立知識(shí)關(guān)聯(lián)的個(gè)人知識(shí)系統(tǒng)。但整整 80 年過(guò)去，這個(gè)構(gòu)想始終沒(méi)能真正落地。

原因很現(xiàn)實(shí)。人類(lèi)維基是由人類(lèi)進(jìn)行維護(hù)的，而更新頁(yè)面、修正鏈接、同步信息這類(lèi)瑣碎又沒(méi)有即時(shí)反饋的工作，團(tuán)隊(duì)一忙就會(huì)擱置，慢慢內(nèi)容就會(huì)過(guò)時(shí)，最后再也沒(méi)人用。

大模型補(bǔ)上了這最后一塊短板：它不會(huì)倦怠、不會(huì)遺漏、不怕繁瑣，一次操作就能批量更新十幾個(gè)頁(yè)面。只要給定規(guī)則，它就能持續(xù)不斷地完成維基的運(yùn)維工作，第一次讓 “持續(xù)迭代的結(jié)構(gòu)化知識(shí)庫(kù)” 這件事，把運(yùn)維成本降到了可以忽略的程度

同一個(gè)思路，四種工程選擇

卡帕西的構(gòu)想提出后，有四家公司幾乎同時(shí)進(jìn)行了工程化落地。Mem0 在文章中逐一拆解了四款產(chǎn)品的定位差異——它們底層架構(gòu)高度一致，但落地方向天差地別。

Cognition DeepWiki：Cognition 就是打造出 AI 程序員 Devin 的公司，他們把 Wiki 直接應(yīng)用在了公開(kāi) GitHub 倉(cāng)庫(kù)上：用戶(hù)把倉(cāng)庫(kù)地址中的 github.com 替換為 deepwiki.com，就能看到自動(dòng)生成的項(xiàng)目維基，包含架構(gòu)總覽、文件索引、依賴(lài)圖譜與搜索能力。

Wiki 本身不是面向用戶(hù)的最終產(chǎn)品，而是 Devin 的底層檢索基礎(chǔ)設(shè)施，是代碼檢索能力之下的預(yù)編譯知識(shí)層，幫助智能體快速定位代碼，無(wú)需每次從零通讀整個(gè)倉(cāng)庫(kù)。

Factory AutoWiki：Factory 的核心理念是：文檔必須是代碼的構(gòu)建產(chǎn)物，而非一個(gè)獨(dú)立的項(xiàng)目。他們把 Wiki 生成深度綁定進(jìn)了 CI/CD 流程：生成分為兩步，第一步做結(jié)構(gòu)掃描，讀取 README、依賴(lài)配置、CI 文件與項(xiàng)目入口；

第二步做語(yǔ)義掃描，梳理接口路由、服務(wù)類(lèi)、數(shù)據(jù)庫(kù)結(jié)構(gòu)與功能開(kāi)關(guān)。同時(shí)采用多智能體分工模式，每個(gè)智能體負(fù)責(zé)一個(gè)模塊，避免單個(gè)大模型處理大型倉(cāng)庫(kù)時(shí)的文檔質(zhì)量下降問(wèn)題。

最核心的設(shè)計(jì)是，只要代碼提交到主分支，系統(tǒng)就會(huì)自動(dòng)重新生成維基。它不靠人的自覺(jué)性維護(hù)，而是用工程機(jī)制強(qiáng)制保證文檔與源碼永遠(yuǎn)同步。

LangChain OpenWiki：LangChain 的版本是完全開(kāi)源的 CLI 工具，分為兩個(gè)模式：Code Brain 負(fù)責(zé)為代碼庫(kù)生成文檔，Personal Brain 則是更大的突破 —— 它可以接入郵箱、筆記、社交媒體、資訊訂閱等多源個(gè)人數(shù)據(jù)，統(tǒng)一整理成本地維基，把應(yīng)用場(chǎng)景從「代碼庫(kù)文檔」拓展到了「?jìng)€(gè)人工作全量知識(shí)沉淀」。

GBrain：Garry Tan 推出的 GBrain 是最輕量化的方案：僅靠 Git 倉(cāng)庫(kù) + Markdown 文件 + 規(guī)則文件運(yùn)行，沒(méi)有向量數(shù)據(jù)庫(kù)，也沒(méi)有復(fù)雜的后端服務(wù)，就能自動(dòng)生成主題間的關(guān)聯(lián)圖譜。它最大的意義，是證明了 Agent Wiki 的核心是「LLM 自主維護(hù)結(jié)構(gòu)化知識(shí)」的邏輯，而非復(fù)雜的基礎(chǔ)設(shè)施，最低成本的架構(gòu)就能跑通整套流程。

四家產(chǎn)品擁有一致設(shè)計(jì)共識(shí)：維基頁(yè)面的首要讀者不是人類(lèi)，而是大模型。所有輸出都是面向 LLM 優(yōu)化的結(jié)構(gòu)化 Markdown，帶清晰的標(biāo)題、內(nèi)鏈與摘要，目的是讓智能體最快找到相關(guān)信息，而非追求人類(lèi)閱讀的美觀性。

橫向?qū)Ρ饶軌蚩闯觯核目町a(chǎn)品底層都遵循「Markdown+Git 存儲(chǔ) + 規(guī)則文件 + 攝入時(shí)編譯 + 面向智能體讀取」的統(tǒng)一架構(gòu)。核心分歧集中在維基的更新維護(hù)機(jī)制：只有 Factory 依靠 CI 流水線(xiàn)實(shí)現(xiàn)全自動(dòng)持續(xù)更新；剩下三款都需要人工執(zhí)行命令才會(huì)刷新內(nèi)容，知識(shí)庫(kù)的準(zhǔn)確程度，取決于上一次手動(dòng)更新的時(shí)間。

邊界清晰：四個(gè)繞不開(kāi)的天然局限

LLM Wiki 的思路雖然高效，但 Mem0 在文中明確指出了它的四個(gè)固有局限，這也是它無(wú)法完全替代傳統(tǒng) RAG 的核心原因。

第一個(gè)局限是規(guī)模上限。卡帕西原文就給出了約 100 個(gè)信息源的閾值。超過(guò)這個(gè)規(guī)模后，頁(yè)面之間的關(guān)聯(lián)關(guān)系會(huì)指數(shù)級(jí)復(fù)雜化，增量更新、全量校驗(yàn)的成本會(huì)急劇上升，純 Wiki 模式就不再經(jīng)濟(jì)，必須補(bǔ)充檢索能力兜底。

第二個(gè)局限是精度損失。這是「提前編譯」必然要付出的代價(jià)：攝入階段的摘要、歸納過(guò)程，一定會(huì)丟失原始文檔中的邊緣細(xì)節(jié)，而這些被遺漏的信息，后續(xù)所有查詢(xún)都無(wú)法再找回。

傳統(tǒng) RAG 雖然重復(fù)成本高，但只要原文存在，理論上就有概率被檢索到。這是經(jīng)典的架構(gòu)權(quán)衡：用重復(fù)算力換取信息完整性，還是用少量細(xì)節(jié)損失換取效率與成本優(yōu)勢(shì)。

第三個(gè)局限是時(shí)效風(fēng)險(xiǎn)。Wiki 內(nèi)容的準(zhǔn)確性，永遠(yuǎn)等于最后一次更新的準(zhǔn)確性。Mem0 特別強(qiáng)調(diào)了一個(gè)反常識(shí)的結(jié)論：錯(cuò)誤的 Wiki 比沒(méi)有 Wiki 更危險(xiǎn)。

因?yàn)榻Y(jié)構(gòu)化、體系化的呈現(xiàn)形式，會(huì)給內(nèi)容賦予一層虛假的權(quán)威性，用戶(hù)更容易不加驗(yàn)證地采信。這也是 Factory 自動(dòng)更新方案價(jià)值極高的原因——只有把更新變成自動(dòng)化流程，才能最大程度降低時(shí)效風(fēng)險(xiǎn)。

第四個(gè)局限是成本浪費(fèi)。提前做功不是沒(méi)有成本，只是把成本從查詢(xún)側(cè)轉(zhuǎn)移到了攝入側(cè)。生成全量 Wiki 頁(yè)面要消耗 Token，定期校驗(yàn)、清理矛盾、維護(hù)鏈接也要消耗 Token，其中很多頁(yè)面可能生成后從未被訪問(wèn)，這些都是無(wú)效的沉沒(méi)成本。如果文檔體量大但實(shí)際查詢(xún)頻率很低，Wiki 方案反而可能比傳統(tǒng) RAG 的成本更高。

Wiki 不等于用戶(hù)記憶

這是 Mem0 這篇文章最核心的觀點(diǎn)，也是行業(yè)內(nèi)普遍存在的認(rèn)知偏差 —— 很多人把 Agent Wiki 稱(chēng)作「AI 記憶」，甚至覺(jué)得搭建了一套維基，就等于給 AI 加上了記憶能力。這是完全錯(cuò)誤的。

文章指出，「記憶」這個(gè)詞在這里有兩層完全不同的含義：第一層是文檔集合的知識(shí)記憶，這是 Wiki 擅長(zhǎng)的領(lǐng)域。它錨定文檔本身，來(lái)自批量資料導(dǎo)入，回答的是資料里寫(xiě)了什么，對(duì)所有訪問(wèn)者輸出的內(nèi)容都是一致的。

第二層是具體用戶(hù)的交互記憶，這是 Wiki 完全做不到的事。它錨定具體的用戶(hù) ID，來(lái)自真實(shí)的交互過(guò)程，記錄的是用戶(hù)偏好、過(guò)往決策、失敗方案、臨時(shí)變更的想法等，每個(gè)人的記憶都是獨(dú)一無(wú)二的。

兩者的數(shù)據(jù)模型有著本質(zhì)區(qū)別：Wiki 按「主題 / 文檔」組織知識(shí)，記憶層按「用戶(hù)」組織數(shù)據(jù)；Wiki 來(lái)自批量文檔攝入，記憶來(lái)自多輪交互沉淀；用戶(hù)記憶還需要支持單用戶(hù)維度的信息修正、過(guò)期清理、溯源、按需刪除，Wiki 的文檔級(jí)架構(gòu)天然不匹配這些需求。

打個(gè)最直觀的比方：文檔維基能告訴你公司制度的通用規(guī)則，但它不會(huì)知道"你去年還剩 3 天年假?zèng)]休，并且和領(lǐng)導(dǎo)申請(qǐng)過(guò)延期"—— 后者就是典型的用戶(hù)記憶，只屬于具體的人，來(lái)自交互過(guò)程。

Mem0 以自身產(chǎn)品為例說(shuō)明：專(zhuān)門(mén)的用戶(hù)記憶層會(huì)以 user_id 綁定每條記憶，支持記憶隨用戶(hù)跨會(huì)話(huà)、跨應(yīng)用、跨智能體流轉(zhuǎn)。

兩者不是競(jìng)爭(zhēng)關(guān)系，而是天然的互補(bǔ)組合：用 Wiki 沉淀通用的文檔知識(shí)，用記憶層沉淀個(gè)性化的用戶(hù)信息。真正的認(rèn)知誤區(qū)，就是誤以為搭建好了文檔維基，就等于給 AI 實(shí)現(xiàn)了用戶(hù)記憶能力。

卡帕西提出的這套思路，本質(zhì)上是給 AI 知識(shí)處理提供了一種新的選型：在文檔穩(wěn)定、查詢(xún)高頻、追求響應(yīng)速度的場(chǎng)景下，用預(yù)編譯的方式換取更低的成本與更好的體驗(yàn)；在文檔多變、查詢(xún)低頻、對(duì)細(xì)節(jié)精度要求極高的場(chǎng)景下，傳統(tǒng) RAG 依然是更優(yōu)解。

未來(lái)更主流的方向，一定是二者結(jié)合的混合架構(gòu)：核心、高頻、穩(wěn)定的知識(shí)用 Wiki 做預(yù)編譯提效，長(zhǎng)尾、低頻、細(xì)節(jié)性的內(nèi)容用傳統(tǒng) RAG 兜底精度。