LLM-Wiki 知识库：知识编译与持久化

系列：ToyAgent 智能体知识库 08/26

一句话核心：RAG 是"知识躺着，问一次查一次"；LLM-Wiki 是把项目知识编译成结构化条目、持久保存、增量维护——编译一次，持续复用。

为什么需要

智能体需要的知识其实分两类，处理方式完全不同：

检索型知识——文档、手册、网页，量大且杂，单次提问只用到其中一小角。这类知识适合 RAG：每次现场检索、用完即弃。
项目知识——架构约定、代码规范、部署流程、业务规则。它总量小、被高频引用、要求"永远在场"。每次都去翻文档既浪费 token 又不可靠，正确做法是编译成条目，随启动直接加载。

这个提法源自 Karpathy 对 LLM-Wiki 的描述，而它的工程形态你早就见过：AGENTS.md、CLAUDE.md——仓库根目录那份随对话自动注入的约定文件，就是"编译好的项目知识"。

一句话区分两者：RAG 的知识是只读快照，每次检索；LLM-Wiki 的知识是活条目，能在对话中增量沉淀、重启不丢。

核心机制

骨架是三步：加载 Wiki → 命中条目 → 增强生成，外加一个"编译指令"入口。

// 基础 Wiki：启动时编译一次（生产中来自仓库里的 AGENTS.md / CLAUDE.md）
private static final Map<String, String> BASE_WIKI = Map.of(
    "架构约定", "本项目零依赖教学实现，模块间只经接口通信……",
    "代码规范", "Java 17 语法；注释使用简体中文 Javadoc……",
    "部署流程", "编译后启动，默认端口 8099……");

// 编译指令：把对话中的知识沉淀进 Wiki，并写入磁盘持久化
if (input.startsWith("编译：")) {
    String topic   = parseTopic(input);     // "编译：发布流程：……" → "发布流程"
    String content = parseContent(input);
    userWiki.put(topic, content);           // 增量条目
    persistUserWiki();                      // 写 wiki/user-wiki.md，重启可恢复
}

三个关键设计：

双层结构：基础 Wiki 只读（编译期固定），用户 Wiki 可写（对话中增量编译），查询时合并。
显式编译指令：用 编译： 前缀触发沉淀，把"什么值得记"的决策权先交给用户；生产里可以升级为模型自主判断。
持久化：条目落盘而不是留内存，否则进程一重启，积累的项目知识全部蒸发。

编译与查询两条链路的状态流转：

stateDiagram-v2
    [*] --> 基础Wiki: 启动加载
    基础Wiki --> 命中条目: 用户提问
    用户Wiki --> 命中条目: 用户提问
    命中条目 --> 增强生成: 注入条目内容
    增强生成 --> [*]: 带出处的回答
    对话中 --> 用户Wiki: 编译指令
    用户Wiki --> 磁盘落盘: persistUserWiki
    磁盘落盘 --> 用户Wiki: 重启恢复

图示：基础 Wiki 启动即加载、用户 Wiki 靠编译指令增量沉淀并落盘持久化，查询时双层合并命中后增强生成。

举例

模拟对话轨迹——演示"编译一次，立即可用"：

用户：项目用什么代码规范？
Agent：（命中 BASE_WIKI["代码规范"]）
      根据项目约定 [代码规范]：Java 17 语法，注释使用简体中文 Javadoc。

用户：编译：发布流程：每周三灰度，周五全量上线
Agent：（userWiki.put("发布流程", "每周三灰度，周五全量上线")）
      已编译条目「发布流程」并持久化到 user-wiki.md。

用户：发布流程是什么？
Agent：（命中 userWiki["发布流程"]——刚才编译的知识立刻可用）
      按已沉淀的约定 [发布流程]：每周三灰度，周五全量上线。

（用户点「重置」→ userWiki 清空；再问"发布流程"→ 查无此条目，如实拒答）

写文件落盘后的产物长这样：

wiki/user-wiki.md
---
发布流程: 每周三灰度，周五全量上线
数据库约定: 正文统一存 t_article_content 表，缓存键 article:*
---

生产视角的对照：这套机制在本仓库的形态就是 CLAUDE.md + memory 目录——架构约定、部署流程、踩坑记录全部编译成 markdown 条目，每次会话启动时注入，而不是靠 RAG 每次去代码库里捞。区别只在于：教学版用 编译： 前缀人工沉淀，生产版由 Agent 会话结束自动归纳沉淀（"自我更新 Wiki"）。

和 RAG 的对比

维度	RAG（07）	LLM-Wiki
知识来源	静态文档集合，只读	内置条目 + 对话中增量编译
生命周期	每次提问重新检索	持久化落盘，启动即恢复
典型问题	"这份文档里说了什么"	"这个项目的约定是什么"
检索方式	相似度打分取 Top-N	条目名/语义直接命中

面试考点

LLM-Wiki 和 RAG 怎么选？ 看知识的访问模式：低频、海量、单次引用 → RAG；高频、小量、必须永远在场 → 编译成条目常驻。项目约定类知识用 RAG 反而危险——检索漏了，Agent 就按自己的默认习惯行事。
为什么条目要持久化？ 智能体的价值随使用积累。不落盘的"学习"是伪学习，进程重启即归零，用户每次都要重新教一遍。
AGENTS.md 是什么？ LLM-Wiki 思想的工程落地：把团队给 AI 的约定（架构、规范、命令）编译成仓库内的固定文件，Agent 启动即加载，等同于"编译期知识"。

生产化路径

条目进仓库：编译产物直接提交为 AGENTS.md / CLAUDE.md，走 code review 管控质量，而不是存在 Agent 私有存储里。
编译自动化：会话结束时让模型提炼"本次学到了什么值得沉淀的"，生成条目草稿，人工确认后合并进 Wiki（审校制，防止把错误经验固化）。
检索增强命中：条目多了以后，"命中条目"一步也可以上 Embedding——Wiki 条目本质是小型 RAG 语料，两者不冲突。
条目治理：加时间戳与来源标记，定期清理过时条目；约定类知识过期比没有更危险。