RAG太难学？LLM Wiki了解一下

AI已经出来很多年了，可是里面有很多概念，我们大家可能都还没搞明白，比如这个RAG。

AI时代，和AI一个知识点还搞不明白，说明不是我们的问题，而是这个知识点不适合AI，既然不适合，自然而然的就会有替代品出现，比如最近流行起来的LLM Wiki。

什么是 LLM Wiki

LLM Wiki 是 AI 研究者 Andrej Karpathy（OpenAI 创始成员之一、前 Tesla AI 总监）在 2026 年 4 月初通过 GitHub Gist 公开的一种知识管理方法。简单来说，它是一种用 LLM 构建个人知识库的方法论——与传统 RAG（每次查询从头检索）不同，LLM 会持续构建并维护一个结构化的 Markdown Wiki，知识随每次导入和查询不断积累，形成复利效应。

核心理念：从"检索"到"编译"

传统 RAG 更像你每次想吃一盘菜，就把生鸡肉、蔬菜、调料端上灶台重新炒一遍；LLM Wiki 则像你冰箱里已经有腌好的肉、熬好的高汤、备好的油——出菜就是组装。

RAG 是"仓库检索"结构，而 LLM Wiki 是把知识"编译成百科全书并持续更新"的结构。具体区别在于：RAG 每次查询都在重新拼接碎片、重新消耗算力；LLM Wiki 模式则主张先编译知识——用 LLM 阅读原始资料，综合整理为结构化、互相连接的 wiki 页面，然后针对这个"编译产物"做所有查询。

三层架构

Karpathy 把它拆成三层：raw 层（原始资料，LLM 只读）是不可变的来源层；wiki 层是 LLM 根据 schema 规则编译出来的页面网络，可以反复重写；schema 层是你自己写的"规矩"，告诉 LLM 该按什么格式去干活。

对应的目录结构大致如下：

raw/ 存放原始资料（文章剪藏、PDF 等，LLM 只读不改）；wiki/ 存放 LLM 生成维护的知识库页面，包括 index.md（内容索引）、log.md（操作日志）、以及各种资料摘要页、实体页、概念页、工作流页面等。

为什么有效

Karpathy 有一句关键论断：维护知识库的苦活不在读也不在思考，而在簿记（bookkeeping）——分类、编号、更新交叉引用、建索引。过去 wiki 普遍失败，就是因为这部分机械簿记的成本随规模失控增长。而 LLM 恰好可以扛下绝大部分簿记工作，一次性更新十几个相关页面。

如何搭建 LLM Wiki

搭建方式目前主要有两种路径：

方式一：Claude Code + Skill（最主流）

这是目前社区最常见的做法，零代码即可上手：

1. 准备目录结构：在本地创建项目文件夹，按 raw/、wiki/、skill/ 三个目录组织。
2. 安装 Skill：将 SKILL.md 放到 ~/.claude/skills/llm-wiki/SKILL.md，Claude Code 会自动识别。可以从 GitHub 上的开源项目（如 luotwo/llm-wiki 或 sdyckjq-lab/llm-wiki-skill）克隆获取。
3. 导入资料：把文章、论文、笔记等以 Markdown 格式放入 raw/ 目录。可以用 Obsidian Web Clipper 等工具从浏览器直接剪藏。
4. 让 LLM 编译：在 Claude Code 中指示 LLM 读取 raw 中的资料，它会自动生成摘要页、实体页、概念页，更新 index.md 和 log.md，并建立交叉引用链接。
5. 持续积累：有价值的回答可以回写为新 Wiki 页面，让探索也能积累。用 Git 做版本管理。

方式二：多平台兼容方案

社区已发展出支持多平台的方案，同一个 Skill 文件能被 Claude Code、Codex、OpenClaw、Hermes 等不同 AI CLI 工具安装和使用。

注意事项

Wiki 的品质取决于用来整理内容的模型——如果模型误解来源、错误合并概念或产生幻觉，错误会写进 wiki 并持续影响后续查询，因此需要仔细设计提示词、定期执行检查。此外，schema 设计也是一项挑战，决定建立哪些页面、如何命名、范围怎么界定都需要反复迭代。

如果你想深入了解，可以参考以下资源：这些资源可以帮你从零开始搭建自己的 LLM Wiki。核心就是"先编译，后查询"——把 LLM 从一个被动的问答工具变成你的知识库维护员。