课程写得很清晰！不过感觉 LLM-Wiki 在工程落地时还有几个很现实的局限性/缺点，简单补充供大家探讨： 优点（课里讲的）： 1、知识可累积：增量编译，越用越聪明，打破传统 RAG 的无状态限制。 2、显式关联：用 Wikilink 链接跨文档实体，比向量检索更容易发现矛盾和关联。 3、可审计：纯 Markdown + Git，过程透明，无黑盒。 缺点/落地痛点（补充）： 1、写放大与 Token 成本极高：每进一份新资料，AI 都要读 Raw 并更新 index、多个 entity 和 log，前期“编译”开销比传统 RAG 大得多。 2、实时性极差：每次更新都需要走完链式编译，无法处理高频变化的数据（如秒级新闻或实时交易）。 3、幻觉污染会“写死”：传统 RAG 回答错了只是单次问题；LLM-Wiki 中 AI 如果在编译期提取了错误事实写进 Markdown，这个错误就会作为事实沉淀并污染后续知识。 4、扩展性瓶颈：随着文件增加到几万个，Index 会爆上下文，纯文件系统的搜寻效率也会急剧下降，必须依赖人工高频巡检纠偏。 总结：感觉它非常适合深度投研、长线课题或个人 PKM（资料少、重深度）；但不太适合海量文档客服或高时效业务。