13｜基础：LLM-Wiki 快速理解与入门
邢云阳
你好，我是邢云阳。
2026 年 4 月，人工智能科学家以及著名教育家 Andrej Karpathy（卡帕西）提出了一种名为 LLM-Wiki 的个人知识编译系统，用来重构他自己的研究知识管理方式。无论他本人，还是这次他提出的概念，都在 AI 圈内非常有影响力，该帖子一经发布便迅速在技术社区引发传播，累计浏览量超过 2000 万，直接成为当月讨论度最高的一个 AI 事件。
那为什么这样一个看似“个人笔记系统”的方案会引爆整个互联网？本质在于他第一次把 LLM 的使用范式从“对话式工具”推向了“知识生产系统”，模型不再是被动回答问题，而是主动参与知识管理、结构生成与长期演化。
这节课，我们就来好好地聊一聊 LLM-Wiki。
回顾传统 RAG 的基本流程
正式介绍 LLM-Wiki 之前，我们稍微回顾一下大家更熟悉的 RAG（检索增强生成）。
RAG 的基本逻辑是：每次用户提问时，从原始文档中检索出相关片段，然后把片段塞进 prompt，让模型基于这些片段生成答案。对于简单的问答场景，这套方法非常有效。比如问“某公司 2025 年营收是多少”，从年报里检索出对应段落，模型直接回答即可。
但当我们做一些更复杂的研究型任务时，RAG 的短板就会暴露出来。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《Harness Agent 脚手架实战课》，新⼈⾸单¥59
《Harness Agent 脚手架实战课》，新⼈⾸单¥59
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论