我现在最看重的不是让模型每次都现场发挥，而是让它把一次次理解真正沉淀进一个会持续生长的知识系统里。
本质区别
| RAG | LLM Wiki |
|---|---|
| 每次查询重新检索 | 知识编译一次，持续更新 |
| 无积累 | 复利增长 |
| 碎片化答案 | 结构化、互联的知识体 |
| 基础设施复杂（向量库） | 纯 markdown 文件 |
核心机制
wiki 是持续积累的产物。每摄入一个来源，交叉引用就被建立，矛盾被标注，综述被更新。下次查询时，这些工作已经完成。和传统 RAG 相比，这种模式最迷人的地方就在于：系统不会每次都回到“重新把原料煮一遍”的状态。
好的答案可以归档回 wiki。查询产生的分析、比较、发现，不应消失在聊天记录里，而应该反过来变成下一次思考的地基。这一点决定了 wiki 像滚雪球，而不是像聊天窗口一样不断蒸发。
分工
- 人类：策源、提问、判断意义、演化模式文件
- LLM：摘要、交叉引用、归档、一致性维护
适用场景
个人成长、研究深潜、读书追踪、团队内部知识库、竞品分析、课程笔记……任何需要随时间积累知识的场景。只要问题不是“一次性问完就算”，这种模式通常都比临时检索更值得投入。
规模与工具
- 小规模（< 100 来源）：
index.md足够，无需向量检索 - 中大规模：引入 qmd 这类本地搜索引擎，补充检索与取回能力
与搜索层的边界
llm-wiki-pattern 的重点是知识编译：把来源沉淀为摘要、主题页、实体页和综述。qmd 代表的搜索层重点是检索与取回：在大量 markdown 中快速找到、排序并返回相关内容。
二者并不冲突：wiki 负责长期积累后的结构化知识，搜索引擎负责在原始资料和大量页面中高效导航。我越来越把它们看成“编译层”和“访问层”的关系，而不是彼此替代的两套方案。
相关页面：overview · knowledge-management · local-first-search · hybrid-retrieval · andrej-karpathy · qmd