llm_wiki/wiki/RAG vs 持久化知识库.md

categories, tags, created, source, type, aliases

categories	tags	created	source	type	aliases
LLM Wiki	wiki rag comparison 知识管理/方法	2026-04-07	llm-wiki	concept	RAG 对比 检索 vs 持久化

RAG vs 持久化知识库

核心差异：RAG 每次查询都从原始文档重新发现知识；LLM Wiki 将知识编译一次并持续维护。

对比表

维度	RAG	LLM Wiki
知识存储	原始文档分块	结构化 Markdown 页面
查询方式	向量检索 + 生成	读取已编译的页面
知识积累	❌ 无积累	✅ 持续复合
交叉引用	❌ 每次重新发现	✅ 已建立并维护
矛盾检测	❌ 每次需重新比对	✅ 已标记并追踪
综合分析	每次从零拼接	已反映所有已读内容
规模限制	嵌入维度限制	~100 来源 / 数百页面可行
维护成本	低（无需维护）	需 LLM 持续维护

RAG 的局限

大多数人的 LLM 文档体验是 RAG：

1. 上传文件集合
2. 查询时检索相关分块
3. 生成回答

问题：

• 提一个需要综合五篇文档的微妙问题，LLM 每次都要重新找到并拼凑相关片段
• ==没有积累==，知识从不复合
• NotebookLM、ChatGPT 文件上传、多数 RAG 系统都是这种模式

LLM Wiki 的优势

传统 RAG:  Query → Retrieve → Generate → 丢弃
LLM Wiki:  Ingest → Compile → Maintain → Query → 复用

关键区别在于 wiki 是一个持久的、复合的制品：

• 交叉引用已经存在
• 矛盾已经被标记
• 综合分析已经反映了所有已读内容
• 每添加一个来源，wiki 都变得更丰富

何时用 RAG vs Wiki

场景	推荐	原因
一次性查询文档	RAG	无需积累
持续研究某主题	Wiki	知识需要复合增长
快速问答	RAG	简单快速
需要综合分析	Wiki	已有交叉引用
大量文档一次性搜索	RAG	Wiki 规模受限
长期知识管理	Wiki	持续积累价值

来源

• llm-wiki — Karpathy Gist 原文
• LLM Wiki — 核心概念页

实践佐证

Farzapedia 在构建个人 Wiki 前曾用 RAG 做过类似系统，但效果"一言难尽"。转为基于文件系统的知识库后，Agent 天然就能理解文件结构和反向链接，反而好用得多。