大約一個月前公開、引發關注的「LLM Wiki」。
過了一段時間，我重新稍微拆解了一下，來看看它到底是什麼！
什麼是 LLM Wiki
- 由 Andrej Karpathy（OpenAI 創辦成員之一，Tesla 前 AI 資深總監）以 GitHub Gist 的點子文件形式公開。
- 原始來源：karpathy/llm-wiki.md
- 這是一種讓 LLM 代理人持續建立與維護永久性 Markdown Wiki 的知識管理模式；不是每次都像 RAG 那樣去搜尋知識，而是將知識累積成經過編輯的百科全書。
與 RAG 的差異
作為比較對象，文章提到了「RAG（檢索增強生成）」。
我從「結構」與「運作」兩個角度來比較看看。
結構上的差異
以索引的結構來看：
- RAG ≒ 倉庫
- 原始資料未經編輯，直接作為 I/O 使用。
- → 容易造成各文件的結構與粒度差異很大。
- 原始資料未經編輯，直接作為 I/O 使用。
- LLM Wiki ≒ 圖書館
- 參考原始資料後，使用的是經過編輯的內容作為 I/O。
- → 能抑制各文件的結構與粒度不一致。
- 參考原始資料後，使用的是經過編輯的內容作為 I/O。
LLM Wiki 的索引由 LLM 持續建立並維護，因此會不斷進化，這是它最大的特徵。
運作上的差異
如果用軟體工程來類比：
- RAG → 每次都用直譯器執行原始碼
- LLM Wiki → 先編譯一次，然後持續讓那個可執行檔成長
架構
LLM Wiki 由三個層次構成，且各自「誰寫、誰讀」的分工非常明確。
第 1 層：Raw sources
- 概要：
- 收納文章、論文、圖片等蒐集來的一次資料（原始資料）。
- 這些資料不會被改動，是 Wiki 的根據。
- 分工：
- 一次資料的蒐集與放置：人類
- 一次資料的讀取：LLM
第 2 層：The Wiki
- 概要：
- 由 LLM 產生的 Markdown 檔集合。
- 包含摘要、實體頁、概念頁、比較表、總覽、整合頁等。
- 由 LLM 完全負責，建立與更新頁面、維持交叉參照，並保持一致性。
- 分工：
- Wiki 的管理：LLM
- Wiki 的參照：人類
第 3 層：The Schema
- 概要：
- 教 LLM Wiki 結構、規範與工作流程（匯入、問答、維護）的文件。
- 例如：CLAUDE.md（給 Claude Code 用）、AGENTS.md（給 Codex 用）、...
- 教 LLM Wiki 結構、規範與工作流程（匯入、問答、維護）的文件。
- 分工：
- 整體管理：人類、LLM
作業流程
LLM Wiki 主要透過三種操作來運作。
① Ingest
- 每匯入一份新資料，就會影響 Wiki 的 10～15 個頁面。
- LLM 不會只是把它當成搜尋對象，而是會讀取內容、擷取重要資訊，並整合進既有的 Wiki。
② Query
- 關鍵是名為
index.md的檔案（※詳情後述），它是所有 Wiki 頁面的目錄（附有一行摘要、按類別整理）。 - 當提出問題時，LLM 會先讀取 index，找出相關頁面，再深入閱讀並整合答案。
- 這個系統的特色是，不需要 embedding 基礎設施也能運作。具價值的答案會被「歸檔」成新的 Wiki 頁面。
③ Lint
- 透過定期健康檢查，修正矛盾與孤立頁面。
- 定期找出矛盾、過時的主張、孤立頁面、缺少的交叉引用，以及需要額外調查的資料缺口等問題。
索引與日誌
隨著 Wiki 成長，有兩個特殊檔案能幫助 LLM（以及人類）瀏覽整個 Wiki。
index.md
- 包含每個頁面的連結、一行摘要，以及（可選）日期、來源數等中繼資料的 Wiki 全頁目錄。
- 依類別（實體、概念、來源、...）整理。
- 每次匯入（Ingest）時由 LLM 更新。
- 在問答（Query）時，LLM 會先讀取這個
index.md找出相關頁面，再深入查閱。
log.md
- 以追加寫入（append-only）方式記錄「什麼時候發生了什麼事」的檔案。
- 匯入（ingest）、問答（query）、lint 等所有事件都會按時間順序留下紀錄。
- 若讓每筆記錄都以一致的前綴開頭，就能像
grep "^## \[" log.md | tail -5這樣，用簡單的 Unix 工具解析。- 前綴範例：
## [2026-04-02] ingest | 文章標題
- 前綴範例：
- 這能讓人掌握 Wiki 演進的時間線，也能幫助 LLM 了解「最近做了什麼」。
- 若讓每筆記錄都以一致的前綴開頭，就能像
使用的工具
- Wiki 檢視器
- Obsidian、VS Code、...
- LLM 代理人
- Claude Code、Codex、...
結論：什麼是 LLM Wiki
這是一個會越用越聰明、越整理越有價值的「活的知識庫」。
RAG 的適用情境
【觀點】
| 觀點 | 適合 RAG | 適合 LLM Wiki |
|---|---|---|
| 資料更新頻率 | 高 | 中～低 |
| 資料規模 | 數千～數百萬 | 數百 |
| 知識性質 | 事實查詢 | 概念理解、整合 |
| 想要的答案 | 「原始資料裡寫了什麼」 | 「綜合多份資料後，可以得出什麼結論」 |
【具體例子】
| 具體例子 | RAG or LLM Wiki |
|---|---|
| 個人學習・研究 | LLM Wiki |
| 企業內部文件搜尋 | RAG |
| FAQ | RAG |
正在尋找一起思考新技術社會實作的夥伴
感謝你讀到最後！
我想我們大概很合拍。
目前我們公司正在招募能一起寫程式、一起抓頭苦思、成功時也能彼此喝采的工程師。
就算只是「想先聊聊看」也完全沒問題！我們反而非常歡迎。
原文出處：https://qiita.com/shinnosuke_takami/items/86307593829ac5e70852
共有 0 則留言
文字內容提供幾種功能：
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式
熱門文章
🏆 本月排行榜
評分標準：發文×10 + 留言×3 + 獲讚×5 + 點讚×1 + 瀏覽數÷10
本數據每小時更新一次