从RAG说起，先把概念掰开来聊聊

RAG，就是检索增强生成。

说白了它让大模型在回答前去翻点外部资料。

哈哈，你Ke以把它想象成给模型配了一本随手可翻的参考书。

模型先跑完自己的语言Neng力，然后“啪”一下抓取相关片段拼进去。

kan起来hen酷，实际操作时常会出现信息碎片化的问题。

比如同一个概念在不同文档里描述不一致，模型就会左右摇摆。

这时候我们就得想办法让知识geng连贯、geng持久。

GraphRAG来了知识图谱拎出来玩

GraphRAG的核心思路是：先把文档抽象成实体和关系的图谱，再基于图谱检索。

这么一弄，跨文档的关联就Neng被捕捉到。

比如“张三”和“项目X”在两篇报告里出现，图谱会把它们连起来。

这样模型在回答时不再是单纯拼凑，而是有了背后结构支撑。

不过说实话，这种方式依旧是运行时临时拼装，根本没有真正“沉淀”。

LLM的知识到底怎么进化？从检索到编译的转变

传统RAG像是学生每次考试dou打开教材复习——永远没有笔记。

而Zui新的LLM Wiki则像是把教材先整理成笔记本，再去考试直接kan笔记。

这一步叫Zuo“编译”，把原始材料一次性转化为结构化页面。

以后每次查询，dou直接从这些页面抽取信息，不用再翻原始文档。

感觉像是给大模型装了个长期记忆层，真心爽！

为什么百度不收录？

hen多人问，这种新型知识库为什么百度搜索经常找不到？

其实原因hen简单：

①内容是动态生成的，搜索引擎抓取不到固定URL；

②多数实现dou是私有部署，不对外暴露爬虫入口；

③搜索引擎geng倾向收录公开网页，而不是内部API返回的数据。

所以Ru果你想让它被百度收录，就得提供可访问的静态页面并Zuo好SEO布局啦。

Llama、ChatGPT与Agentic RAG的奇妙碰撞

Llama系列的大模型在参数上Yi经够庞大，但仍然受训练截止时间限制。

这时候Agentic RAG登场，它让检索成为一个Ke以自我决策的工具。

Agent会根据当前答案质量自行决定是否 检索、换关键词甚至调动多模态资源。

这么一来系统不再是一条直线流水线，而是一个循环迭代的闭环。

Llama+Agentic RAG的实际玩法

把业务文档切片放进向量数据库。

然后让Agent在每轮生成后检查答案可信度——Ru果低于阈值，就自动触发二次检索。

这个过程全程无感知，你只需要写好触发规则就行了。

LMM Wiki到底怎么玩？一步步搭建你的专属知识库

第一步，把所有原始文件统一放进/raw/目录，保持原样不动。

第二步，让大模型读取这些文件并生成对应的.md页面。

Aha，这些页面会自动形成双向链接和标签体系。

第三步，用脚本定期检查新加入的文档，增量geng新Wiki。

P.S. 不对不对，我刚才说的是增量geng新，其实应该叫Zuo“持续编译”。

Semi‑structured数据也Neng进来玩耍

Semi‑structured的数据，比如JSON日志或者CSV表格，也Ke以先转成Markdown表格再纳入Wiki。

DALL·E、Whisper等多模态大模型加入知识库，会怎样？

---

This is just an example.

The end.

---