LLM Wiki / V1—V2

学习访问记录

匿名统计 · 同一访客 30 分钟内不重复计次

正在读取
— 累计访客
— 有效访问
— 今日访客
— 总学习时长

LLM Wiki：V1 与 V2 逐项对比

V1 提出“让 LLM 持续编译知识”；V2 试图把这套极简方法扩成具备生命周期、图谱、检索、自动化和治理能力的生产系统。

先说清作者归属 V1 是 Andrej Karpathy 的原始 idea file；V2 是 Rohit Ghumare 的社区扩展，继承其思想，但不是官方续作。

V1 · 原始方法

极简的知识编译蓝图

Raw sources不可变来源 Wiki持续维护 SchemaAgent 规则
  • 核心动作只有 ingest、query、lint
  • index.md 导航，log.md 记录演进
  • 人选来源和提问题，LLM 做维护工作

V2 · 社区扩展

面向规模化的机制层

生命周期知识图谱混合检索 事件自动化质量自愈治理协作
  • 把“标记问题”推进到“自动处理问题”
  • 把平面页面推进到类型化实体与关系
  • 把个人工具推进到多人、多智能体系统

一句话判断

V1 定义了正确的知识工作方式；V2 提供了可选的工程化升级菜单，但并非所有机制都值得立即采用。

先理解两者的根本差异

不是“旧版功能少、新版功能多”，而是抽象层级不同。

01

V1 是范式

它刻意保持抽象，让你和 Agent 按具体领域共同实例化。它不是成品，也不承诺统一的数据结构。

02

V2 是生产化主张

它把实践中遇到的腐化、规模、协作问题拆成机制，并主张更多自动化和结构化。

03

共同核心没有改变

停止每次从原文重新推导；把知识编译为持续积累、可交叉引用、可继续演进的中间产物。

十六个维度，逐项拆解

每一行都区分：V1 已经提出的、V2 真正新增的，以及对微信知识库的实际意义。

维度 V1 原始方法 变化本质 V2 社区扩展 对微信知识库的意义

点击任一行可展开“证据边界与判断理由”。

V2 最值得警惕的三处张力

它提出了正确的问题，但部分答案仍是未经规格化和验证的设计主张。

置信度

数字看起来精确，不代表证据真的可靠

“0.85”若没有计算规则、来源权重和校准集，只会把不确定性包装成确定性。微信知识库应优先展示证据链和状态，而不是一个神秘分数。

遗忘

旧知识不等于无价值知识

对个人档案、项目决策和关系历史而言，自动衰减可能删除理解上下文。更安全的原语是显式 supersession：保留旧版本，但明确谁替代了它。

自动写入

自动化减少维护，也会放大静默污染

事件钩子可以自动生成候选内容，但不应无门禁地晋升为事实。敏感的微信数据更需要候选区、人工确认和可回滚发布。

不是从 V1 跳到 V2，
而是有选择地升级

保留 V1 的不可变原始来源、简单 Markdown Wiki、Schema、索引与日志作为“事实底座”；只在证据充分、规模确实带来收益时，引入 V2 的机制层。

机制主要收益主要风险结论

对微信知识库的最终建议

原始微信证据消息、文件、媒体、哈希 结构化证据层实体、关系、状态、来源指针 人机共治 WikiAI 维护，关键事实人工确认 可重建视图检索、报告、洞察和时间线

最终判断

以 V1 为宪法，以 V2 为工具箱。

微信知识库的优先级应是：可追溯、可复核、可重建，然后才是自动化、图谱和智能。V2 中最有价值的是显式替代、治理、混合检索与类型化关系；最不该照搬的是未经校准的置信度、自动遗忘和无门禁自动写入。