RAG 找答案,Wiki 长知识

简介: 本文提出“知识编译”新范式:RAG仅解决检索(Retrieval),而LLM-Wiki聚焦知识编译(Compilation)与演化(Evolution),将原始资料结构化为实体、关系、规则、证据等可复用、可追溯、可进化的知识资产,让AI真正继承历史经验,实现知识复利。

RAG 找答案,Wiki 长知识

我们之前给客户做过一个背调系统方案。用 RAG 查企业材料,自动生成背调报告。听起来很成熟,检索加生成,标准管线。

报告出来了,版式漂亮,引用齐全,语气笃定。

不过,财务数字是错的。营业收入、净利润,整段数字对不上材料。有的是编的,有的是把别处的数挪了过来。看起来比真的还真。

关键数字不对,报告就没法用。材料里明明写着数,模型为什么不抄材料。

后来我想明白了,这不是 RAG 做错了什么。恰恰相反,它很好地完成了自己的任务:找到相关材料。问题在于,我们让一个检索系统承担了知识管理系统的职责。RAG 是知识消费层,不是知识生产层。财务数字这种东西,不能靠模型「理解大意」,必须钉死在结构里,带单位,带期间,带口径,带出处。

搜得再好,也只是把原料端上桌。怎么变成可以下锅的知识,是另一件事。

我后来把这个过程叫做「知识编译」。

编译不是总结。写代码的人对这个类比不陌生:

源代码
 ↓
编译器
 ↓
机器码

知识这边对应的是:

原始资料
 ↓
知识编译
 ↓
实体、关系、规则、约束、证据

总结是给人看的一段话,编译是给系统用的结构。机器码可以在机器上反复执行,编译好的知识可以在 Agent 里反复调用,每次不用重新理解一遍源代码。

这两年大家默认堆 RAG。文档入库,切块,Embedding,进向量库。提问时召回几个分块,模型现场组答案。管线很漂亮。问题是它不保留结果。第 10 次提问和第 1 次一样,从原始分块重新推导。前面九次的理解,一点没剩下。

Karpathy 关于 Agent 上下文管理的一系列讨论,把问法换了一下。别在查询时重新发现知识,把知识编译一次,持续更新,让它成为 Agent 可以长期访问的环境。社区后来把这类做法叫成 LLM-Wiki。

我觉得多数人还是把它当成「又一种知识库产品」。这样看会看丢真正的变化。

它不是产品,是一种知识编译范式。


一,先看生命周期

RAG 是单向的。

原始资料,切块,Embedding,检索,回答,结束。

LLM-Wiki 是个环。

原始资料进来,理解、提取,变成实体、关系、规则、适用条件、证据与冲突。编译成 Wiki 页面。持续增量维护。Agent 与人消费。消费时冒出新证据、新经验。再编译。回到维护那一步。

区别就在这里:RAG 优化的是,这次怎么找到答案。LLM-Wiki 优化的是,这次找到的东西,能不能成为下一次的知识。

知识复利只在闭环里成立。单向管线跑一万次,也不会长出利息。

对照着拆解,知识能力其实分三层。

Knowledge Retrieval,我去哪里找。RAG、搜索、向量库,都停在这。

Knowledge Compilation,找到的东西怎么变成结构化、可复用的知识。这才是 LLM-Wiki 的核心。

Knowledge Evolution,新信息进来后,原知识怎么变。这是复利能不能转起来的关键。

RAG 等于 Retrieval。LLM-Wiki 等于 Compilation 加 Evolution。


二,Compilation 到底在编什么

它不是简单地写摘要完事。而是对着源资料,编译至少要落下这几类东西:

实体。谁是谁。同一项目在不同文档里的别名要并成一条。
关系。谁依赖谁,谁适用谁。客户到产品到规则那条链,以前散在四个目录里。
规则。生效的口径是什么,版本号是多少。
条件。什么情况下适用。地区、时段、服务类型、例外。
证据。每句话来自哪份材料,第几节。
冲突。两份材料不一致时,双方观点都钉住,标明待裁决。

我们库自己就挂着这种冲突。同一晚的 Agent 发邮件事件,团队第一次复盘,把 Code Sandbox 加 smtplib 直连夸成 Plan B 优秀实践。过阵子写修订版,把同一方案降成临时工,答案换成 Agently Mail。两份都是正式材料,但是观点和评价互相冲突了。

这种事没法靠检索消掉。只能在编译时承认冲突存在,双页标注,留下解决方向,等人或等新证据来裁。人类 Wiki 腐化,多半就腐在这一步。修链接、对齐摘要、逐份比对、统一实体,无尽头,无即时回报,团队一忙就扔,扔了就没人再用。

模型正适合干这个。它不会烦,不会跳过某条交叉引用,一次能改十几个文件。

所以定义可以收准一点。

LLM-Wiki,是用模型承担人类无法持续完成的知识编译与维护工作。

编译是前半程,维护是后半程。很多人只抄了「用 Markdown 记笔记」,没抄这两程,那还是检索套壳。


三,Evolution 怎么转

编译一次不够。材料会更新,结论会过期,新的经验会盖掉旧的判断。没有 Evolution,Wiki 会变成一屋子过期档案。

这里有个很容易被略过的判断。Evolution 不等于「自动改文档」。

变更至少要有三样东西:合并策略,出处,可追溯。

合并策略回答的是,新旧冲突时怎么办。是增量追加,还是整体替换;基石事实能不能被覆盖;过期记忆要不要删掉。没有策略的自动改写,等于让实习生拿橡皮擦直接改档案。

出处回答的是,这句话从哪来。可追溯回答的是,上周改了什么,能不能 diff。

所以认真的知识库都会把版本控制写进交付方式,用 git 分发,让每一次知识变更都留下痕迹。知识库不是聊天记录,得有 diff。

一个工程实现给出的合并语义,大致是这几种:

操作 合并策略 用途
增量合并 保留旧文,追加或局部修改 事实补充
整体替换 新结论覆盖旧结论 判断更新
只创建不覆盖 保护基石事实 口径、定义
删除 清过期记忆 失效信息
关联 记忆之间双向挂钩 建立图

闭环长这样。对话,完成任务,提取变更,按策略写入,重建导航,下次查询直接用上。每个动作都在给知识库进货。


四,规模上去了,怎么喂给 Agent

编译出几百个页面之后,新问题来了:Agent 怎么读得进去。

靠一份总目录加链接导航,大约撑到一百份源文档、数百个页面。再大,光索引就能把上下文撑爆。

但是撞墙的是导航方式,不是「编译成 Wiki」这件事本身。

工程上的答案是分层供给。不是把整库塞进上下文,而是让 Agent 像翻文件系统一样,从粗到细一层层看。

层 作用
L0 说清这是什么,判断方向
L1 核心信息与结构导航,理解脉络
L2 原文细节,确认需要才碰

Agent 的路径变成:先扫 L0 判断哪些目录相关,再读 L1 看结构,确认需要才下到 L2。Token 从全量读降到按需读。

检索也跟着变成结构化导航。先在粗粒度上定位相关目录,再钻进目录里精查。比在一堆扁平分块里捞 top-k,更不容易把无关目录的零散句子端上来。最近被频繁碰过的知识,理应优先出列——上周的经验不该埋在三年前的文档底下。

这里真正值得记住的不是某家的算法,而是一个原则:知识规模变大后,供给方式要比检索算法先升级。 先解决「Agent 一次该看多少、按什么顺序看」,再谈召回率。


五,形状怎么统一

知识编译完了,长什么样,各家原来各说各话。AGENTS.md、CLAUDE.md、Obsidian 加 Agent、各种 index.md 加 log.md 文件夹,互不兼容。

谷歌云 2026 年 6 月发的 OKF,Open Knowledge Format,想定的就是这个形状。

极度克制。一个 Bundle 就是个普通文件夹,一个概念一份 Markdown,上面 YAML frontmatter,下面正文。强制字段只有一个 type。title、description、resource、tags、timestamp 都可选。路径即概念 ID,tables/orders.md 的 ID 就是 tables/orders。文件之间用标准链接互引,文件夹自己长成图。保留名两个。index.md 管渐进探索,log.md 管变更历史。

合规只要三件事。frontmatter 可解析,type 非空,index 和 log 若存在则结构正确。消费者必须容忍未知 type、缺字段、断链。一个文件不合格,不影响整包。

这套设计我觉得狠的地方在于,它不定义内容模型,只定义互操作最小公约数。type 取值完全由生产者定。要扩展加自定义键,消费者该保留,不该丢。

在更大的栈里,OKF 是内容层。llms.txt 是入口路标,EntityMap 是实体声明,OKF 是图书馆本体。MCP 管实时工具和活数据,在旁边另一条道。一个是知识沉淀层,一个是工具访问层,互补,不抢地盘。

我们自己的 wiki 结构几乎是 OKF 的超集。分层 INDEX、log、frontmatter、双链都有。还多两样 OKF v0.1 没有的。hot.md 当近期上下文缓存。矛盾用 callout 钉在冲突双方页面上。OKF 悬而未决的「冲突没有合并语义」,我们用最小机制先扛住了。


六,分清四层,就不会把产品摆成对打

到这里可以收一张图。

层次 解决什么 代表
Paradigm 为什么要把资料编译成 Wiki LLM-Wiki
Format 知识怎么表示、怎么流通 OKF
Infrastructure 大规模知识怎么被 Agent 高效使用 OpenViking
Ownership 知识如何长期属于一个人或组织 Molio

LLM-Wiki 是范式。OKF 是表示与流通规范。OpenViking 是企业规模的基础设施实现。Molio 管的是知识归属。

不在一个维度上竞争。

这里我原先写的是「个人可拥有」,后来觉得不够。真正的差异不是个人,是 Knowledge ownership。

OKF 管形状可交换。OpenViking 管规模可供给——当知识量超出扁平索引的边界,它用分层摘要和结构化导航,让 Agent 像操作文件系统一样渐进读取。Molio 管知识归属:Agent、Wiki、Skill、Memory 四层交在用户手里,本地 vault,入库人在环,页面可读可改。

「属于」比「个人」更大。企业私有知识库同样适用。否则别人会觉得这只是 Obsidian 加了个 AI。实际上的定位是:拥有自己的 AI 知识资产。

底下共同仰赖的,就是 Compilation 加 Evolution。

对做个人或小团队知识系统的人,我的建议其实很朴素。表示层尽量靠 OKF,将来好交换。供给层别急着上向量全家桶,先看有没有过那条百页边界。维护层宁可人在环,也别留下没人认领的自动改写。作答纪律要写死:依据不足,口径冲突,就明说,不要补猜。

知识系统最危险的时刻,从来不是搜不到,是搜到一条错的,穿着正确信息的外衣,被复述十遍。


七 总结

回到开头那份背调报告。

下次再生成财务段落,我不希望它「理解」材料。我希望它从编译好的实体页往上拼。这家公司,这个期间,营收多少,单位是什么,口径是什么,出处在第几页。材料更新了,页面跟着改。模型只负责组织,不负责发明数字。

有实证的直接引用写入。要确认的知道找谁。确认结果写回同一套知识。

RAG 答完就忘,每个答案都是一次性的现场发挥。编译好的 Wiki 会随时间长利息,数字长在结构上,下一次不用再赌模型会不会编。

再往下说一层。

过去的信息系统,解决的是「记录发生过什么」。
搜索系统,解决的是「找到在哪里发生」。
LLM-Wiki 想解决的是:让 Agent 继承过去发生过一切。

从检索走到编译,这是AI系统接下来的方向,核心竞争力,不是检索更多资料,而是把资料编译成可以持续进化的知识。


最后

如果你对 AI Agent、知识工程和 LLM-Wiki 的探索感兴趣,欢迎关注、点赞和转发,一起见证知识系统的下一次演进。

目录
相关文章
|
2月前
|
人工智能 算法 Java
突发!字节内部大调整,QA直接转研发了?
字节等大厂正推动QA转研发,合并测试与研发序列,抬高准入门槛:要求懂代码、架构、AI提效及质量体系建设。手工测试岗位收缩,全栈测开成新刚需,转型窗口期仅剩一两年。
616 0
|
2月前
|
人工智能 缓存 自然语言处理
大模型AI对话前端应用实践:深度详解流式响应、工具调用状态与长会话同步落地方案24.1
本文深入解析AI对话式前端交互三大核心技术:流式响应(基于SSE逐字渲染)、工具调用状态展示(识别/执行/结果四阶段精细化UI)及长会话同步(虚拟列表+分段加载+前后端双向同步),覆盖实现原理、代码示例与异常兜底,助力构建高性能、高体验的AI应用。
262 2
|
2月前
|
人工智能 自然语言处理
AI模型上下文长度是什么意思?AI 大模型 128k/256k/1M 到底有多强?一文讲透
上下文长度指大模型单次能处理的最大Token数(含输入+输出),决定其记忆与理解长文本能力。128K≈16万汉字,1M可达百万级,支持书籍、代码库等超长内容处理。在阿里云百炼官网:https://t.aliyun.com/U/fPVHqY 免费领取千万Tokens
491 3
|
2月前
|
人工智能 缓存 前端开发
24 天,630 次提交,16 万行代码:我用 Claude Code 从零做了一个 K12 产品
24天、630次提交、16.4万行代码——K12自学工具「拾阶」诞生记。它不是AI替代开发者,而是人机协同的范本:精准需求定义、可验证验收标准、带路径的Bug反馈、写进代码的隐性约定,以及坚持“自己点一遍”的真实验证。
24 天,630 次提交,16 万行代码:我用 Claude Code 从零做了一个 K12 产品
|
2月前
|
消息中间件 人工智能 自然语言处理
从钉群提问到任务交付:团队级 Agent 基础设施全链路实践
依托钉群无人值守、跨群会话记忆、组织知识检索及前端专业 Skill,云原生消息前端团队自研的内部研发协作平台 Domino 正经历关键演进——从单一的代码执行工具,升级为能够理解团队上下文、持续沉淀演进并闭环真实交付的研发 Agent 系统。
488 18
|
2月前
|
人工智能 JavaScript 前端开发
麻了!在线改 DOCX 最怕格式一保存就崩:docx-editor 把 OOXML、修订和协作留在浏览器
docx-editor 是一个面向 React 和 Vue 的开源 DOCX 编辑器,围绕 OOXML 做浏览器内解析、编辑与回写,并提供修订、评论、实时协作和 Agent 接口。
164 1
|
2月前
|
人工智能 算法
一个短剧剧本能卖多少钱?平台稿酬区间、4种计价方式与卖稿渠道(2026)
本文回答:一个短剧剧本能卖多少钱——保底加分成、纯分成、买断、按集约稿四种计价方式怎么算,剧本投给谁、要准备什么材料,平台公开过的剧本稿酬区间(现行版与旧版),影响价格的五个因素,以及要不要先做作品登记。
|
2月前
|
人工智能 自然语言处理 安全
Geo优化中AI偏好哪类内容?科普与深度解读
本文解析国产大模型生成式回答的底层机制(RAG),揭示内容被引用的真实逻辑:非整篇阅读,而是“片段截取”——关键在能否独立回答子问题。结合实测数据与Geo专家于磊的实战经验,系统梳理科普、深度解读、行业分析等六类内容的引用规律,并提出“结论前置、数字带源、出处可验”等十条可落地建议,助力创作者提升AI入口可见度。
167 3
|
2月前
|
机器学习/深度学习 数据采集 人工智能
千问大模型完整RLHF全参数微调指南
本文详解Qwen3.5-0.8B-Base全参数微调全流程,覆盖SFT监督微调、RM奖励建模、PPO强化学习与DPO直接偏好优化四大环节,提供可运行脚本与医疗领域实践案例,助力开发者低成本完成小模型垂直定制。(239字)
442 1
|
2月前
|
传感器 自动驾驶 算法
人行道场景检测数据集 | 10300张YOLO智慧城市数据集
本数据集含10300张YOLO格式高清图像,覆盖行人、车辆、道路设施等21类人行道目标,专为无障碍导航、智慧城市感知与多目标检测研发设计,支持YOLOv5-v12等主流模型,即下即用。