RAG vs Compiled Wiki

核心差异

RAG 和 Compiled Wiki 代表了两种不同的"LLM + 知识"范式，它们在知识的存储、组织和利用方式上存在根本差异。

RAG 的工作方式

RAG（Retrieval-Augmented Generation）的工作流程是：

1. 用户提出查询
2. 系统将查询转换为向量，在知识库中检索相关文档片段
3. 将检索结果作为上下文注入 Prompt
4. LLM 基于注入的上下文生成回答

RAG 的本质是查询时检索——每次回答问题都需要重新搜索和发现知识。知识库中的文档保持原始状态，LLM 对这些文档的理解是即时的、临时的。

RAG 的优势在于实施成本低、可快速覆盖大量非结构化数据，适合企业文档问答、客服机器人等场景。

Compiled Wiki 的工作方式

Compiled Wiki 的工作流程是：

1. LLM Agent 主动阅读原始资料
2. 将知识编译为结构化、精炼的 Wiki 页面
3. 页面包含 YAML 元数据、标题层级、双向链接
4. 知识库随着编译过程持续积累和精化

Compiled Wiki 的本质是预处理编译——知识在被查询之前就已经被消化、组织和结构化。每次查询直接利用已有的高质量知识页面，无需重新从原始材料中提取信息。

Andrej Karpathy 在构建个人 LLM Wiki 时强调：知识应该是"编译后的"，而非每次都从源码重新编译。

对比维度

维度	RAG	Compiled Wiki
知识积累	无积累效应，每次查询独立	复利增长，知识越用越丰富
查询质量	受限于检索精度和上下文窗口	高质量页面直接提供精炼知识
维护成本	需维护向量索引和 Embedding 模型	需维护 Wiki 页面结构和内容
扩展性	线性扩展，文档量增大后检索质量下降	有机生长，交叉引用增强知识网络
可解释性	难以追溯知识来源和组织逻辑	透明的页面结构和双向链接
人机协作	人主要作为数据提供者	人与 LLM Agent 共同构建知识

各自适用场景

RAG 更适合：

• 大规模非结构化数据的快速问答
• 企业内部文档检索
• 实时性要求高的信息获取
• 不需要知识积累的一次性查询场景

Compiled Wiki 更适合：

• 个人或团队知识体系的长期构建
• 学习和研究中需要深度理解的知识管理
• 需要知识复用和交叉引用的场景
• LLM Agent 的持久化知识底座

结论：互补而非替代

RAG 和 Compiled Wiki 并非对立关系，而是互补的。在实践中，可以将 RAG 作为 Compiled Wiki 的补充——当 Wiki 中尚未覆盖某领域知识时，回退到 RAG 模式从原始资料中检索；同时将 RAG 检索到的高价值内容编译进 Wiki，实现知识的持续积累。

这种混合模式兼顾了覆盖广度和知识深度，是 LLM 时代知识管理的理想架构。

相关页面

• 检索增强生成：RAG 技术的详细解析
• Andrej Karpathy：LLM Wiki 理念的提出者