RAG真的过时了？聊聊让AI自己写百科的LLM Wiki

最近AI开发圈流行一个说法："RAG已经是没人用的技术了，彻底过时了，现在都用Wiki。"说实话，第一次刷到我是不信的——RAG好歹是知识库应用用了好几年的标配。

万字长文！LLM Wiki 技术深度拆解与落地实践

这几年我们一直在深耕 AI Agent 与大模型应用，比如 JitKnow AI 知识库、JitWord协同AI文档、Pxcharts 超级表格，同时也持续在给大家分享 GitHub 上真正能落地、能解决实际问题的优质AI开源项目。

把 GitHub 网址改几个字母，再庞大的开源项目也能看懂

于是团队内部开发了 Devin Wiki 和 Devin Search 两套核心组件，专门用来帮 AI 快速吃透复杂项目。

豆包+llm-wiki+Obsidian，把电子书变现成自己的知识

先问一句：你是不是也这样？电子书买了几十本，读的时候觉得有道理，三个月后问你那本书讲了啥，只记得“好像不错”。跟 AI 聊出一个特别好用的方法，当时赶紧记了两句。下次要用，翻遍聊天记录找不到，又得重新跟 AI 讲一遍背景。笔记软件里建了几百个文件，互相之间没有链接。

LLM wiki实战：用20篇文章做一个“管理数字分身”

AI 客服卡在业务规则推理上，知识图谱又贵又难做。作者用 LLM wiki 的思路，把 20 篇管理文章编译成知识摘要、实体页和概念页，再让 Agent 按需检索，实测回答质量好过向量切分方案，代价是响应偏慢。

给你一套超实用的知识库搭建方法，真正让你事半功倍

把我这个文章链接直接丢给WorkBuddy/Codex等附加一句话「请根据这篇文章的方法帮我搭建个人知识库」你有没有发现一个很奇怪的现象？现在用 AI 的人越来越多，收藏的干货越来越多，下载的资料越来越多，可真正能拿来解决问题的东西，却没增加多少。

LLM Wiki 的工程实践，从 AI Coding、Obsidian 到 RAG 协同。

上篇（深度解读｜从 LLM Wiki 到 Google OKF，如何重建企业 Agent 的可靠知识底座）介绍了 LLM Wiki 与 Google OKF 的方法与概念：LLM Wiki 是一种借助 LLM 持续维护有效知识的方法；OKF 则是让这套知识能够在不同工具之间交换的

LLM wiki实战：用20篇文章做一个“管理数字分身”

GitHub 16.1K Star！Claude+Obsidian 复刻 Karpathy LLM-Wiki 第二大脑

为什么到现在才开始构建属于自己的 AI 第二大脑。前段时间一直被一个问题深深困扰。 平时高频使用 Claude，可 Codex 新功能上线后，总想切换过去体验。 但每次更换模型、新开对话，之前反复磨合出来的个人背景、项目上下文、思考习惯就全部清零。

告别传统RAG！llm_wiki搭建自动维护的本地知识库

传统RAG每次提问都要检索原始文档，反复消耗算力，知识结构也难以沉淀。llm_wiki 借鉴 Karpathy 的 LLM Wiki 思路，借助大模型持续整理文档，自动生成可互相链接的知识库，让资料不再零散，适合做长期个人知识沉淀。