方法论

基于 Andrej Karpathy 的 LLM Wiki —— KnowFlow 是这一理念的工程化实现。

核心问题

所有主流的「知识管理」方案都在同一个地方失败：

方式	问题
收藏/书签	「存了 = 学了」的错觉（Collector’s Fallacy）
笔记软件	只解决「存」，不解决「整理」和「连接」
裸 RAG	每次从零搜索，无记忆、无积累、无上下文

核心洞察

别每次都去原始文档里翻。先把知识编译好，放在那里，用的时候直接拿。

一个类比：

• RAG = 临时工 —— 每次提问都慌慌张张翻文件柜，拼几张纸凑答案，下次来还是一脸懵。
• LLM Wiki = 全职图书管理员 —— 平时就在整理材料：提取信息、发现关联、建立索引、维护知识图谱。你来问时直接调取。

三层架构

1. Raw 层 —— 原材料

你喂进去的一切：文章、推文、PDF、公众号文章、YouTube 字幕、笔记。

原则：raw 层只存储，不可变。采集永远不会改写它。

2. Wiki 层 —— 编译后的知识

从 raw 层构建的结构化互联页面：

• 实体页 —— 具体的「东西」：人物、公司、项目
• 概念页 —— 抽象的想法：方法论、技术、模式
• 对比页 —— 系统的 A vs B 对比
• 来源页 —— 可追溯的原始记录

关键特性：页面之间互相链接。提到一个概念就指向它的页面。时间一长，Wiki 成为一张活的知识网络 —— 而不是一堆扁平的文档片段。

3. Schema 层 —— 结构规则

告诉任何 Agent「怎么编 Wiki」的工作手册：提取什么、忽略什么、页面格式、链接策略。在 KnowFlow 里就是页面模板、数据模型参考，以及 docs/agents/synthesize.md 的合成契约——可检查、可版本化的 Markdown。

为什么胜过裸 RAG

裸 RAG:
  提问 → 搜索原始文档 → 拼凑答案 → 忘记一切

LLM Wiki:
  新内容进入 → 编译为 Wiki 页面 → 建立关联 → 更新图谱
  提问 → 从已编译的知识调取 → 带完整上下文回答

1. 有记忆 —— 知识是累积的，不是每次从零开始
2. 有结构 —— 实体、概念、对比，不是扁平片段
3. 可探索 —— 图谱让你发现没搜过的关联
4. 可验证 —— 每条知识都能追溯来源

KnowFlow 的定位

KnowFlow 是这套方法论的开源实现：

• 一个保持采集确定性、raw 层不可变的 CLI
• 定义 schema 层的模板
• 图谱、健康检查和可选向量搜索的本地工具
• 合成刻意委托给按成文契约工作的任一编码 agent，人审是唯一闸门——因为判断力在那里

核心理念：最有意思的不是最终工具，而是看着零散的信息一页一页变成结构化知识的过程。