卡帕西力推的 LLM Wiki，会淘汰传统 RAG 吗？

2026年，AI大牛卡帕西提出“LLM Wiki”构想，引发行业热潮。它到底是什么？能淘汰传统的RAG（检索增强生成）吗？

传统RAG像“现查现做”：每次提问，系统都要重新去海量文档里检索、拼接片段，再让大模型推理。问100次就重复100次，成本高且没积累。

LLM Wiki则是“提前做笔记”：在文档导入时，就让大模型一次性通读，提炼要点并整理成结构化的“维基笔记”。后续提问时，AI直接读笔记作答。这不仅速度快、成本低，还能让知识持续沉淀。

但LLM Wiki有四个天然局限：一是规模受限，通常只适合百来个信息源的中等体量；二是精度损失，提炼笔记难免丢失边缘细节；三是时效风险，笔记不更新就会误导人；四是预编译可能带来算力浪费。因此，它无法完全替代RAG。

此外，很多人误把Wiki当成“AI记忆”。其实，Wiki只是“书本知识”（通用文档），而真正的用户记忆是“个人交互”（如你的偏好和历史），两者本质不同且互补。

总之，LLM Wiki不会淘汰RAG。未来的主流将是“混合双打”：高频、稳定的核心知识用Wiki提效，长尾、抠细节的内容用RAG兜底。这不是零和博弈，而是让算力花在刀刃上的最优解。