聊天是入口，Wiki 才是产品：LLM 知识运行时的范式转移

2026 年 4 月，Karpathy 在推特上抛出了一个新概念：LLM Wiki。表面上是"让大模型维护一个 Wiki"，实质上是对 RAG、知识图谱、AI 笔记整个知识管理哲学的重新排列组合。

这篇文章帮你把它彻底讲清楚。

它不是 RAG 的变种，而是一次范式翻转

RAG 的逻辑是查询驱动：你问一次，它现场检索、现场拼接、现场回答。下一次问类似的问题，全过程还得从头来。

LLM Wiki 把逻辑反了过来——将"综合"从查询阶段前移到摄取阶段。新资料一进来，模型立刻将其编译成结构化、可导航的知识页面。等你要用时，查的是这份被反复消化过的知识资产，而不是原始文档堆。

用一句话概括：LLM 是编译器，聊天是入口，Wiki 是产品。

它到底在解决什么问题

三个痛点，每个都扎在知识工作者的命门上。

聊天不留资产。 你在第 17 次对话里做出了精彩判断，第 18 次对话模型就忘了。这不是模型的锅，是产品形态的锅——Chat 天然把一切丢进会话流。

笔记维护成本太高。 用过 Obsidian 的人都知道，最难的不是写，而是维护链接、分类、去重、发现矛盾。这些恰好是 LLM 最擅长的"知识文员"活。

RAG 每次都在重新发现。 同一份跨文档综合判断，今天做一遍，明天还得重做——重复成本不断累积。

三层架构：Raw、Wiki、Schema

Karpathy 最核心的贡献，是把知识系统干脆利落地切成三层：

Raw Sources（原始材料层） —— 铁律只有一条：不可变。PDF、录音、网页，进了 raw 目录就不许 LLM 修改，始终保持可追溯。

Wiki（派生知识层） —— LLM 消化后产出的概念页、实体页、对比页、综合页。可以不断更新、链接、查询。

Schema（行为约束层） —— 决定页面命名规则、新建时机、引用规范、矛盾处理方式。没有 Schema，LLM 只是写作者；有了 Schema，LLM 才是知识库维护者。

Ingest 不是贴一段进去，是一次局部重编译

你可能以为 ingest 就是"丢篇文章进来写个摘要"。实际上，单个来源进入后往往触达 8-15 个页面——更新概念页、新建实体页、建立冲突页、刷新索引和日志。

一个成熟的 ingest 管线大致有八步：接收 → 规范化 → 读取 Schema → 分析 → 生成 → 交叉引用 → 更新控制面 → 进 review 队列。

这是整个范式里最被低估的部分——把"生成"工程化成一条可增量、可缓存、可审计的流水线。

知识不只是被动消化，还在主动生长

让 Wiki 活起来的，是四个持续运行的机制：

其中 Save（结晶） 最关键——不做这一步，LLM Wiki 就退化回带日志的聊天系统。

对抗性 Ingest：破除确认偏差

单视角 ingest 最大的问题是确认偏差——LLM 很容易把可疑声明直接写成事实，下游页面顺着这个错误往下长。

社区提出了两种对抗模式：

Thesis 模式：对争议命题派出 5-10 个立场分化的 agent 并行取证，最终给出明确裁决——supported / contradicted / insufficient evidence。

多角度并行采集：同一主题分学术、技术、应用、新闻、反主流五路 ingest，再由 lint 处理冲突。

代价是 token 和延迟翻倍，但在高风险结论领域，比单线程 ingest 可靠得多。

RAG、GraphRAG、LLM Wiki 是叠加关系

一个常见误判："语料一大就该上 GraphRAG"。评测已经表明，GraphRAG 在多跳推理上有优势，但单跳事实检索上传统 RAG 更高效。

正确路线是按查询类型路由，而非按语料体量升级：

三者不是互斥替代，而是各司其职的叠加。

最致命的风险：幻觉回写的闭环

LLM 在 ingest 时会读自己以前写的 Wiki 页面当"背景知识"。一次幻觉一旦保存，就会在后续 ingest 中被当作事实继续扩展——这是一个自我强化的错误传播链。

伴生风险还包括：部分上下文更新导致局部一致但全局矛盾；摘要化丢失细粒度条件；去 provenance 化导致无法回溯。

缓解手段有 Confidence 置信度、段落级 Provenance、Supersession 取代机制、定期 Lint。但真正可靠的做法，是把高风险声明送进 review queue 让人来判。

治理才是上限

LLM Wiki 的难点不是生成，是治理。两个机制决定了它能否长期存活：

Confidence（置信度）：被多来源支持、未被反驳的内容更可信；长期未重新验证的内容自动降权。

Supersession（取代机制）：不只标记"有矛盾"，而是回答"现在以谁为准"。Wiki 真正危险的不是没有信息，而是旧信息仍以当前事实的姿态存在。

什么时候用，什么时候别用

适合的场景：长期主题研究、论文精读、代码库理解、竞品情报、个人第二大脑、多 Agent 共享上下文。

不适合的场景：一次性问答、大规模低价值粗筛（先上 RAG）、实时监控告警、严格合规企业平台终局。

结语

LLM Wiki 的真正价值不在任何一次回答多聪明，而在于——让每一次 ingest、query、research 都变成对同一份知识资产的增量投资。

它不是更强的 RAG，也不是更花哨的笔记工具。它是一次认真尝试：把 LLM 从"每次都重来的回答器"，升级为"会越用越值钱的知识运行时"。

方向是对的。在所有人都忙着追模型版本号的年代，愿意认真做知识资产的人，可能走得更远。