LLM Wiki 的重点，不是让 AI 多写几篇笔记，而是让 AI 按照 Wiki 的方法维护个人知识库。

Wiki 的核心不是页面数量，而是知识组织方式：把复杂内容拆成独立页面，用链接建立关系，用索引组织主题，用持续编辑修正旧内容。它关注的不是资料保存，而是知识结构的生长。

LLM Wiki 在这个基础上加入了模型能力。原始资料进入 raw/，LLM 将其整理成概念页、主题页、索引页和反向链接，并持续更新已有页面。人负责选择资料、提出问题和判断结论，LLM 负责拆解、链接、更新和重组。

个人知识库的下一步，不是收藏更多资料，而是让资料不断转化为可复用的知识结构。

Wiki 方法：按概念组织知识

普通文件夹适合存放资料，但不适合形成理解。文章、论文、视频、代码库被保存下来之后，彼此之间的关系并不会自动出现。资料越多，查找成本越高，复用难度也越高。

Wiki 的基本单位是页面。每个页面对应一个相对稳定的知识对象，例如概念、方法、项目、人物或问题。页面之间通过链接连接，反向链接则显示某个概念在哪些地方被使用。

这种结构让知识库不再只是资料集合，而是由概念和关系组成的网络。读者可以从一个问题进入相关概念，从一个项目看到背后的方法，从一个观点追溯到对应资料。

成熟的 Wiki 往往还需要索引页、分类页、来源页和待补页面。索引页帮助导航，分类页建立主题结构，来源页保留证据，待补页面提示后续扩展方向。Wiki 不是一次性写完的文档，而是持续维护的知识系统。

让模型承担维护工作

传统 Wiki 的难点在维护。新资料进入后，需要判断它涉及哪些概念，哪些页面要更新，哪些地方需要新建页面，哪些内容和已有判断冲突，哪些线索值得加入索引。手工维护这些内容，成本很高。

LLM Wiki 的价值，是把这些维护动作交给模型完成。

当一篇文章进入 raw/，LLM 不只是生成摘要，而是把它放入已有知识结构中。它需要识别相关概念，更新对应页面，补充链接，标记冲突，生成新的问题，并在必要时创建新页面。

这就是知识编译。原始资料通常是线性的，Wiki 结构是网络化的。LLM Wiki 要做的，是把文章、论文、网页、代码库等资料转化为可持续维护的知识网络。它和 RAG 的重点不同。RAG 主要解决查询时的信息检索，适合快速回答具体问题。LLM Wiki 关注长期沉淀，目标是让每次阅读、问答和输出都能回流到知识库，成为后续研究的基础。

LLM Wiki 的理想分工是：人负责方向、判断和审查，LLM 负责整理、拆分、链接、合并、更新和索引。它的价值不在单篇总结，而在整个知识系统的持续维护。

关键难点：可信维护

LLM Wiki 最大的问题，不是生成能力，而是可信度。

模型可以快速生成页面，也可以补充链接，但它可能把推断写成事实，把分歧合并成单一结论，把过期信息继续保留，把弱相关内容连接在一起。Wiki 一旦形成网络，错误会沿着链接扩散。一个概念页不可靠，后续很多页面都会受到影响。

成熟的 LLM Wiki 必须建立治理机制。

1. 重要结论需要对应原始资料，不能只有模型生成的二手表述。没有来源的内容，应标记为推断或待验证。
2. 不同资料出现分歧时，系统不应强行合并，而要保留差异，说明各自依据和适用条件。
3. 页面更新时，需要记录修改内容、修改原因，以及旧判断是否被新资料替代。
4. 知识库还要区分事实、解释、推测和问题。LLM 生成的内容不能默认进入稳定知识层，需要经过检查、标注和必要的人工确认。

这决定了 LLM Wiki 的真正产品机会。未来有价值的系统，不只是能生成 Markdown，而是能持续维护一个可追溯、可更新、可审查的知识网络。

LLM Wiki 继承的是 Wiki 的基本思想：拆分知识、建立链接、持续编辑、保留来源、不断重组。它改变的是执行方式：过去依赖人手工维护，现在可以由 LLM 承担大量低层维护工作。

未来的个人知识库，会从资料收藏工具变成个人研究系统。资料进入后被拆解，概念被整理，关系被建立，旧页面被更新，新问题被提出，输出再回流到知识库。真正的变化不是信息变多，而是信息开始被持续组织成可复用的理解。