Agent 知识管理与自进化
主题概述
Agent 知识管理正从 RAG 的"每次查询从头检索"向 LLM Wiki 的"编译一次、持续更新"范式转变。LLM Wiki、Obsidian-Wiki、GBrain 代表了三种知识自组织与自进化的技术路径——从极简的纯 Markdown 方案到工程化的混合检索架构。
从 RAG 到 LLM Wiki：范式转变
传统 RAG 是"带着书本进考场"——每次查询临时检索、生成、丢弃，知识无累积。LLM Wiki 则是"把书读透并记成整理后的笔记"——知识在摄入阶段就被编译为结构化 Wiki，交叉引用已建立、矛盾已标记、综合分析已反映所有读过内容。
Compile-time 知识层
本库的重编译经验说明，LLM Wiki 的关键不是“每篇文章都有摘要”，而是每篇 raw 是否进入了稳定知识层：
| 层 | 承载内容 | 失败形态 |
|---|---|---|
| Entity | 稳定概念、定义、边界、来源 | 概念太碎、只有名词没有判断 |
| Topic | 多篇文章的生成结构 | 只罗列来源，没有解释机制 |
| Comparison | 相邻概念的差异 | 把对比写成并列表 |
| Output | 对外表达和压力测试 | 新判断没有回填检查 |
因此，Agent 知识管理的质量不取决于 raw 数量，而取决于编译后的页面能否让未来问题不再重读原文。
Karpathy 关于 学习短视频化 的判断给这个规则补了认知层理由：顺滑地“看过”不等于学会。剪藏 raw 只是把材料放进仓库，编译才是主动处理。没有 source-summary、entity、topic、comparison 和冲突标记，知识库会变成长文本版短视频流：内容很多，理解很少。
Raw access 不是知识管理
Anthropic 自助数据分析实践提供了一个反向证据：让 agent 访问数千个历史 SQL 文件，只让准确率提升不到 1 个百分点；80% 错误答案的答案其实已经在 corpus 中，但 agent 没有正确使用。真正提升来自 domain skills、semantic layer、canonical datasets、evals 和 correction harvesting。
这说明 Agent 知识管理的关键不是“能不能搜到”，而是“是否把材料编译成可执行、可验证、会随系统变更更新的知识资产”。Agentic-Analytics 是 LLM Wiki 思路在企业数据分析中的工程化版本。
LLM Wiki 的三层架构
- Raw Sources（原始资料层）：只读存档区，LLM 读取但永不修改
- Wiki 层：按主题/人物/概念组织的结构化知识页面，LLM 全权维护
- Schema（规则层）：定义系统运行规则和约定的元指令文件
核心操作闭环：Ingest（摄入）→ Query（查询）→ Lint（维护）
本库进一步把这个闭环拆成四个动作：compile(source)、audit(scope)、produce(query)、explore(topic)。这条拆分很重要，因为它防止三种混淆：把 output 当稳定事实、把 research agenda 当证据、把 raw 摘要当 wiki 编译。
三种工程化实现
LLM Wiki（Karpathy）
- 纯 Markdown 文件 + Schema 指导
- 极简哲学，零依赖
- 适合个人/小团队、规模可控的知识场景
- 参见 LLM-Wiki
Obsidian-Wiki
- 基于 Skill 的多 Agent 框架
- Agent 无关（9+ 种 Agent 支持）
- 核心创新：Agent History Ingest（自动扫描历史记录）、Delta 追踪、溯源标记
- 参见 Obsidian-Wiki
GBrain（Garry Tan）
- 混合检索架构：向量粗筛 + 文件精读
- 基于规则的图谱实体关系管理
- 设计哲学：Thin-Harness-Fat-Skills、Latent-Space-vs-Deterministic
- 适合中大规模场景
- 参见 GBrain
知识自进化的路径
轻量级路径：Skillify / 渐进式披露
- 通过 Skill 机制实现 Agent 自进化
- 将非结构化知识转化为可被 Agent 高效调用的结构化资产
- 代价：响应速度比 RAG 慢
- 参见 Progressive-Disclosure
重量级路径：RL 训练
- 通过强化学习深度训练模型
- 门槛和成本高，面向研究人员和特定 Benchmark 优化
最佳实践：混合架构
- 向量检索/关键词索引解决"找得快"
- 大模型渐进式披露解决"答得准"和"记得牢"
- 离线自我迭代保持知识新鲜度
质量门：编译不是一次性总结
LLM Wiki 的主要风险是把错误理解固化成知识层。为降低这个风险，编译必须至少有三类门禁：
- 可追溯：稳定判断能回到 raw source，关键分歧标记来源。
- 可区分：entity 与 topic 不是换名复制，而是真的划清概念边界。
- 可审查：Markdown、wikilink、frontmatter 和裸
$等渲染问题必须被 lint 拦住。
这也是为什么本库要求 Obsidian Markdown 写入守卫和 tools/wiki-lint.py。知识系统的可信度不只来自模型理解，也来自文件系统层面的可验证约束。
长期记忆仍是 Agent 的硬缺口
Demis Hassabis 的 AGI 访谈从另一个方向支持了这个 Topic：当前模型仍缺持续学习、长期推理和一致性。把所有内容塞进百万 token context window 不是长期记忆，只是更大的工作记忆；它会把不重要、错误或过时的信息也一起塞进去，检索和判断成本仍然存在。
因此，Agent 知识管理不能只追求更长上下文。更稳的方向是把 raw source、编译后的 wiki、检索索引、专用工具和人类策展分层组织起来。Hassabis 提到的 Tool-Use Architecture 也指向同一结构：通用模型不应把所有专业知识塞进一个巨大脑袋，而应成为专用系统和知识工具的协调者。
AGI 视角：从外部记忆到持续学习
持续学习是 Agent 知识管理的上游研究问题。现在的工程系统通常用外部 memory、RAG、wiki、skills 和 lint 来模拟学习，但这些机制仍然需要明确的晋升、清理和验证规则。它们能让系统“不从零开始”，却不等于模型本身已经学会了如何更新自己。
世界模型是持续学习要更新的对象之一。没有世界模型，Agent 保存再多历史，也只是保存了原始记录；有了世界模型，系统才可能把经验压缩成对环境、因果关系和行动后果有预测力的结构。
科学发现 AI把这个问题推到高压场景：一个科学 Agent 需要多轮实验、工具调用、假设修正和失败积累。Einstein Test则进一步要求系统不只是解已有问题，而是提出后来才出现的深层问题或理论。这个链条说明，Agent 知识管理的终点不是“存得多”，而是“学得准、忘得对、能迁移、能提出新问题”。
人类角色的转变
在 LLM Wiki 范式下，人类的角色从"知识维护者"转变为"知识策展人"：
- 策展来源：选择有价值的信息源
- 引导分析：提出好问题，指导 LLM 的编译方向
- 最终理解：LLM 负责信息填充和重排，人负责顶层判断
Karpathy
Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase.
更精确地说，人类不是退出理解，而是退出低价值搬运。人仍然负责三件事：判断哪些 source 值得收录，决定哪些概念需要稳定化，以及通过 output 反向检验 wiki 是否真的有用。
思想渊源
- Memex — Vannevar Bush 1945 年的个人知识存储愿景，LLM Wiki 的思想先驱
- Bush 未能解决"谁来维护"的问题——LLM 解决了
结论
Agent 知识管理的第一性原理是：让知识从一次性上下文，变成可版本化、可链接、可审查、可复用的中间层。
RAG 解决“这次怎么答”。LLM Wiki 解决“以后如何不用从头理解”。