两种管理知识的方式——为什么其中一种不够用
大多数 AI 实践者今天都面对同一个困境：你收集了大量笔记、文章和文件，每次需要答案时，你把相关内容粘入 AI 对话，得到一个好答案，然后关掉窗口。第二天，你重新粘入。这个循环不断重复。
RAG（检索增强生成）本来是解决这个问题的方案，但它有一个结构性缺陷：每次查询都从零开始。系统找出相关片段，交给模型冷处理，但模型无法记住上周建立的连接，也无法自动整合跨越 50 份文件的规律。你的知识库在体积上增长，但理解深度没有积累。
2026 年 4 月，OpenAI 联合创始人 Andrej Karpathy 在 GitHub 发布了一个名为「LLM Wiki」的方案，描述了一种根本不同的方法：不是你向 AI 查询知识，而是 AI 帮你维护知识库。AI 读取你的原始资料，提取概念，撰写结构化文章，建立概念之间的反向链接，并在新资料到来时自动更新。
Karpathy 自己的研究 Wiki 目前包含约 100 篇文章、40 万个字，完全由 Claude 建立。与同等规模的 RAG 系统相比，查询效率提升约 70 倍，因为知识整合的工作只需进行一次，而非每次查询都重复。
什么是 LLM Wiki？核心概念解释
LLM Wiki 是一个让 AI 代理人代你维护个人知识库的框架。你提供原始资料，AI 读取资料、提取概念、撰写结构化文章，并在文章之间建立链接。你只需阅读最终的 Wiki，无需手动整理。
这个模式解决的是「拥有信息」与「拥有理解」之间的鸿沟。RAG 帮你找回信息，LLM Wiki 则让模型对你的材料进行深度思考，并将思考结果永久保存在一个不断成长的 Markdown 目录中。
关键洞察在于：大型语言模型本来就擅长摘要、概念提取和关系推理。LLM Wiki 只是给了它们一个永久存放这些思考成果的地方，让它们随时间积累，而不是在每次对话结束后被丢弃。
三层架构：实际运作原理
LLM Wiki 由三个协同运作的组件构成。在设置之前，理解每个组件至关重要。
第一层——原始资料（不可变）：这是你的输入文件夹。将 PDF、文章、会议记录、研究论文等任何你想让 AI 学习的内容放入其中。这个文件夹只增不减，你永远不直接编辑它。
第二层——Wiki（由 AI 维护）：这是一个包含概念文章、摘要、时间轴、词汇表的 Markdown 文件目录，完全由 AI 创建和更新。每篇文章都有前置信息（标题、日期、标签）并在末尾列出相关 Wiki 条目的反向链接。
第三层——架构文件（配置）：这是一个名为 CLAUDE.md 或 AGENT.md 的配置文件，告诉你的 AI 代理人如何运行 Wiki。它指定文件夹结构、文章格式、如何处理新资料文件，以及新资料到来时如何更新现有条目。这是你唯一需要自己撰写的文件。
30 分钟内建立你的 LLM Wiki
你不需要是开发者才能运行这个模式。Claude Code 或任何具备文件访问能力的代理人设置都可以处理所有实际工作。
第一步：创建三个文件夹：sources/、wiki/，以及根目录下的 CLAUDE.md。
第二步：撰写你的 CLAUDE.md 架构文件。下方有完整的入门模板可以直接复制。
第三步：将前 5–10 份文件放入 sources/。从同一主题的材料开始——你已阅读的文章、某个项目的研究资料，任何你想让 AI 整合的内容。
第四步：运行代理人。在 Claude Code 中，将其指向你的项目文件夹，并给出指令：「依照 CLAUDE.md 架构处理 sources/ 中的所有新文件。」代理人会读取每个文件，提取概念，并撰写新的 Wiki 文章或更新现有条目。
第五步：随时间持续添加新材料。当你遇到新资料时，放入 sources/ 并重新运行代理人，Wiki 会自动成长和深化。
架构提示：复制这个模板开始使用
以下是完整的入门 CLAUDE.md 模板：
立即尝试这个提示（粘入你的 CLAUDE.md 文件）：
--- CLAUDE.md 开始 ---
你是 wiki/ 目录中个人知识库的维护者。当我要求你「处理资料」时，请严格按以下步骤执行：
1. 检查 sources/ 中尚未处理的文件（与 wiki/processed-log.md 比对）。
2. 对每个未处理文件，仔细阅读全部内容。
3. 从文件中提取 3–7 个关键概念或发现。
4. 对每个概念：检查是否已有 Wiki 文章。若有，用新信息更新；若无，在 wiki/ 中创建新 Markdown 文件，格式包括：前置信息（标题、日期、标签、来源文件）、摘要段落（100 字以内）、要点列表、详细说明、相关概念链接。
5. 处理完所有文件后，更新 wiki/index.md，列出所有 Wiki 文章及其一句话描述。
6. 将已处理的文件名添加到 wiki/processed-log.md。
永远不要删除现有 Wiki 文章。当新信息与现有内容矛盾时，添加「观点分歧」章节，而非替换原内容。
--- CLAUDE.md 结束 ---
LLM Wiki 比 RAG 更有优势的地方
LLM Wiki 与 RAG 的比较不在于哪个更聪明，而在于你需要哪种知识工作。RAG 擅长检索：「找到关于 X 的部分。」LLM Wiki 擅长整合：「根据我所有资料，X 和 Y 的关系是什么？」
RAG 按需检索片段并进行组合，每次查询都从零开始。LLM Wiki 中，整合工作已经完成。Wiki 文章包含预先建立的理解——概念已被定义、比较和链接。查询一个成熟的 LLM Wiki，就像请教一位拥有十年精心整理笔记的专家，而不是让人去搜索文件柜。
LLM Wiki 还能自然处理跨文件整合。如果你有 20 篇文章从不同角度讨论同一个概念，Wiki 会建立一篇包含所有观点的权威文章——这是 RAG 在没有专门工程设计的情况下无法做到的。懂AI，更懂你 UD相伴，AI不冷。
常见错误及如何避免
最常见的错误是一次性将太多不相关的资料放入 Wiki。从聚焦的主题开始——一个项目、一个研究方向、一项你正在培养的技能。聚焦在单一主题上的 20 篇文章，远比涵盖所有主题的 200 篇混乱文章更有用。
第二个错误是架构文件过于模糊。如果你的 CLAUDE.md 没有明确定义文章的结构，代理人会自由发挥，导致格式不一致。
第三：不要跳过处理记录。没有代理人已处理文件的记录，每次运行都会重新处理所有内容，产生重复文章并浪费 API 费用。
准备好测试你的 AI 知识水平了吗？
掌握 LLM Wiki 这类技术，是真正深度使用 AI 的实践者与普通用户的分水岭。UD 团队手把手带你完成每一步——从选择适合你工作流程的工具，到建立随时间复利增长的 AI 系统。