LLM Wiki vs GBrain：AI知識庫正在分裂成兩條路線，你選哪條？
整理版優先睇
LLM Wiki vs GBrain：AI知識庫兩條路線，你應該點揀？
呢篇文章係由AI編程實踐者袁鋭欽寫嘅，佢比較咗兩條AI知識庫嘅新路線：Andrej Karpathy提出嘅LLM Wiki，同埋Y Combinator CEO Garry Tan開源嘅GBrain。作者指出傳統RAG每次都要從零檢索，冇辦法積累知識，所以需要一條新路。整體結論係，兩條路線雖然出發點唔同，但正喺度互相靠近，最終可能會收斂成一個個人迷你AGI。
第一條路線LLM Wiki係知識編譯，概念係將原始資料整理成一本AI自己維護嘅百科全書，人類負責揀材，AI負責書簿工作。第二條路線GBrain係知識運行，強調全自動嘅知識系統，支援數據庫、向量檢索、知識圖譜同自動化流程。作者認為，你應該先問自己係咪真係需要積累知識，再揀路線；如果仲係偶爾查嚇資料，繼續用RAG就夠。
- 傳統RAG每次檢索都冇積累，LLM Wiki將資料編譯成穩定Wiki層，GBrain係自動化知識運行系統。
- LLM Wiki採用三層架構（原始資料、Wiki、Schema）同三大操作（Ingest、Query、Lint），AI負責書簿，人類負責策劃。
- GBrain嘅Dream Loop令AI喺對話前後更新知識，支援多種信息源自動處理，保留頁面可讀性。
- 兩條路線核心差異：知識編譯 vs 知識運行，技術架構上LLM Wiki輕量，GBrain需要向量數據庫等基礎設施。
- 未來趨勢係LLM Wiki結構化加上GBrain自動化，個人應先問自己是否需要積累知識，再揀合適路線。
傳統RAG嘅先天缺陷
你係咪成日見到一篇好文章就丟畀ChatGPT叫佢總結，過幾日又開個新視窗重新上載文件再問？呢種做法嘅問題係：每次檢索都係由零開始，冇積累。新資料入嚟唔會自動重組，問完就完，下次又要重新揾材料。
- 同一個問題多問幾次，答案可能唔一樣
- 新資料入嚟，舊知識唔會自動重組
- 問完就結束，下次重新撈材料
- 呢啲唔係你嘅問題，係傳統RAG嘅先天缺陷
LLM Wiki vs GBrain：知識編譯定知識運行？
針對呢個問題，2026年出現咗兩個截然不同嘅答案。第一條路線係LLM Wiki，由Andrej Karpathy提出，核心係將原始資料整理成穩定嘅Wiki層，畀AI自己寫、自己維護、自己更新交叉引用。第二條路線係GBrain，由Y Combinator CEO Garry Tan開源，強調知識系統要持續運行，喺頁面之上疊加工程基礎設施。
- LLM Wiki三層架構：原始資料層（人類管理，LLM只讀），Wiki層（LLM完全擁有），Schema層（人類同LLM共同演化）
- 三大操作：Ingest（攝取新資料更新Wiki）、Query（喺Wiki搜尋相關頁面回答）、Lint（定期檢查矛盾、死鏈、孤兒頁）
- Karpathy明確分工：人類負責策劃來源、引導方向、提出正確問題；AI負責所有彙總、交叉引用、歸檔同簿記
- GBrain特色：保留頁面可讀可編輯，疊加數據庫、向量檢索、關鍵詞索引、知識圖譜、自動化流程、多媒體處理
- 支援MCP串接Claude同Cursor，技術架構更重，需要部署向量數據庫
未來趨勢與你應該點揀
而家LLM Wiki同GBrain睇落係平行線，但正喺度互相靠近。LLM Wiki社區已經加入向量搜索同知識圖譜，GBrain亦保持頁面可讀性。最終收斂點可能係：LLM Wiki嘅結構化加上GBrain嘅自動化等於下一代個人知識操作系統。
- 1 如果你仲係「丟PDF問AI」階段：先問自己係咪真係需要積累知識。如果只係偶爾查資料，繼續用RAG（ChatGPT/Claude丟文件）就夠。
- 2 如果你願意人工整理：揀LLM Wiki，今日就可以開始。建立raw/sources、wiki/entities、wiki/concepts三個資料夾，寫3-5條Schema規則，丟第一份資料畀Claude幫手生成Wiki頁面，每週做一次Lint檢查。推薦工具：Obsidian + claude-obsidian插件。
- 3 如果你唔想手動維護，有技術能力：揀GBrain，全自動、大規模、能接多種信息源，但需要部署向量數據庫，技術門檻中高。
- 4 如果你唔想手動維護，技術能力有限：折衷方案係先用LLM Wiki加簡化流程，或者等低代碼工具成熟。
最後，作者畀咗幾句建議：普通人唔使焦慮，先用起來最重要，由LLM Wiki開始，哪怕得10個頁面都比每次重新檢索強；資深AI實踐者如果已經用緊Agent，GBrain方向更值得投入；內容創作者應該思考你嘅「零散資料」係咪俾人消費完就消失，定係可以編譯成可複用嘅知識層。
睇完呢篇文章，你就會明點解「掟PDF問AI」已經唔夠用，同埋AI知識庫而家係向邊個方向發展。
一、先問你一個問題
你係唔係都係咁樣用AI㗎？
見到一篇好文章，掟畀ChatGPT：「幫我總結一下。」
過幾日有個相關問題，又開一個新視窗，重新上傳文件，再問一次。
同一個問題問多幾次，答案可能唔同。新資料入嚟，舊知識唔會自動重組。問完就完，下次重新揾材料。
呢個唔係你嘅問題。係傳統RAG（檢索增強生成）嘅先天缺陷——每次都由零開始檢索，冇積累。
正如Andrej Karpathy話：「Ask a subtle question that requires synthesizing five documents, and the LLM has to find and piece together the relevant fragments every time.」 Nothing is built up."
真正嘅問題唔係「AI揾唔揾到資訊」，而係：AI可唔可以將零散資料，沉澱成一套可以重用、可以維護、可以持續更新嘅知識層？
2026年，呢個問題有咗兩個完全唔同嘅答案。
二、兩條路線：知識編譯 vs 知識運行
路線一：LLM Wiki——知識編譯
發起人提出者：Andrej Karpathy（OpenAI創始成員，前Tesla AI總監）
佢嘅核心想法唔係將一堆資料直接掟畀模型臨時檢索，而係先將原始資料整理成一套穩定嘅Wiki知識層，再畀AI喺呢套知識層上面工作。
簡單講——畀AI一本百科全書，等佢自己寫、自己維護、自己更新交叉引用。
Karpathy設計咗三層架構：
- • 原始資料層原始資料層：你嘅PDF、文章、筆記，人類管理，LLM只讀唔修改
- • Wiki層Wiki層：LLM完全擁有，創建頁面、更新內容、維護交叉引用
- • Schema層Schema層：定義Wiki結構、規則、工作流程，人類同LLM共同演化
三大核心操作：
- 1. Ingest（攝取）Ingest（攝取）：掟新資料入去，LLM讀取並更新Wiki
- 2. Query（查詢）Query（查詢）：問問題，LLM喺Wiki裏面搜索相關頁面綜合回答
- 3. Lint（檢查）Lint（檢查）：定期健康檢查，揾矛盾、死鏈、孤兒頁面
Karpathy明確界定咗人機分工：人類負責策劃來源、引導方向、提出正確問題；AI負責所有匯總、交叉引用、歸檔同簿記工作。
「The tedious part of maintaining a knowledge base is not the reading or the thinking — it's the bookkeepingLLMs唔會覺得悶，唔會唔記得更新交叉引用，仲可以一次過處理15個文件。」
社區熱門實現：nashsu/llm_wiki（4.8k Stars，桌面應用）、AgriciDaniel/claude-obsidian（3.7k Stars，Claude Code插件）。
路線二：GBrain——知識運行
發起人提出者：Garry Tan（Y Combinator CEO）
同Karpathy嘅研究導向唔同，Garry Tan係長期用緊Agent嘅人長期用緊Agent嘅人，直接將自己需要嘅知識運行系統整咗出嚟。2026年4月，佢將個人13年積累嘅17,888頁筆記、4,383個人名實體、723個項目，轉化成可複製嘅開源系統。
如果話LLM Wiki回答嘅係「知識點寫」咁GBrain回答嘅係「知識系統點樣持續運行」。
GBrain保留咗頁面嘅可讀/可編輯形態，但喺上面疊加咗一整層工程基礎設施工程基礎設施：數據庫、向量檢索、關鍵詞索引、知識圖譜、自動化流程、多媒體處理。
關鍵特性係「Dream Loop（夢循環）」「Dream Loop（夢循環）」：AI喺對話前後進行讀寫操作以更新知識，定期「反思」並整合新資訊到持久記憶，支援MCP串接Claude同Cursor。
一場客戶會議錄音，喺普通知識庫裏面只係一個附件；喺GBrain裏面，佢會自動轉錄、生成頁面、更新實體、補到時間線、建立索引。後續提問時，你面對嘅唔係原始錄音，而係被拆解同結構化過嘅知識對象。
三、核心差異：一張表講清楚
四、兩條路線嘅技術架構
五、未來趨勢：兩條路線正在靠近
而家LLM Wiki同GBrain睇落係兩條平行線，但佢哋正在靠近。
LLM Wiki社區已經在加入向量搜索（nashsu/llm_wiki用LanceDB）、知識圖譜（4信號相關性模型+Louvain社區檢測）、Deep Research自動網絡搜索。
GBrain都在保持頁面嘅可讀性，冇變成黑箱數據庫。
最終嘅收斂點可能係：LLM Wiki嘅結構化 + GBrain嘅自動化 = 下一代個人知識操作系統。
行業趨勢都好明確：
傳統RAG → 持久化知識庫 → Agent記憶系統 → 個人迷你AGI
（每次檢索） （增量編譯） （持續學習） （自主維護）2026年4月Garry Tan開源GBrain，標誌着AI記憶系統進入開源時代。呢個唔係一個小工具，而係一個知識操作系統。
六、你應該揀邊條？
如果你仲係「掟PDF問AI」
唔好急住揀路線。先問自己：我真係需要積累知識，定係只係偶然查資料？
如果只係偶然用，繼續RAG（ChatGPT/Claude掟文件）就夠。
如果你願意人手整理
揀LLM Wiki今日就可以開始：
- 1. 開文件夾（raw/sources、wiki/entities、wiki/concepts）
- 2. 寫Schema（3-5條規則就夠）
- 3. 掟第一份資料入去，等Claude幫你生成Wiki頁面
- 4. 每星期Lint檢查一次
推薦工具：Obsidian + claude-obsidian插件（最輕量，免費開始）。
如果你唔想手動維護，而且有技術能力
揀GBrain全自動、大規模、可以連接多種資訊源。
但需要部署向量數據庫，技術門檻中高。
如果你唔想手動維護，但技術能力有限
折衷方案：先用LLM Wiki + 簡化流程，或者等低代碼工具成熟。
七、畀唔同人嘅建議
畀普通人
唔使焦慮。AI知識庫仲係早期，用咗先比揀邊個更重要。
由LLM Wiki開始，今日就可以行得通。就算得10個頁面，都好過每次重新檢索。
畀資深AI實踐者
如果你已經在用Agent、做多Agent系統、或者管理大量資訊源，GBrain嘅方向更值得投入。
向量檢索+知識圖譜+自動化流程，呢三件事唔係錦上添花，係Agent有長期記憶嘅基礎設施。
畀內容創作者
你嘅文章、影片、播客、課程——呢啲「零散資料」本身就係知識庫嘅原材料。
關鍵問題：你嘅內容係被消費完就消失，定係被編譯入可重用嘅知識層？
八、寫喺最後
Karpathy同Garry Tan，一個係研究導向，一個係實戰導向；一個回答「知識點寫」，一個回答「知識點運行」。
但佢哋都反對同一件事：臨時檢索、冇積累、每次由零開始。
你嘅知識庫係要「寫一本百科全書」，定係要「搭一個操作系統」？
呢個問題冇標準答案。但唔揀都係一種選擇——繼續RAG，繼續每次由零開始。
回覆「知識庫」，送你三份資料：
- 1. LLM Wiki快速上手指南（5分鐘上手，今日就可以開始）
- 2. 十步深度認知框架完整版（系統化學習任何複雜主題嘅方法論）
- 3. AI知識庫工具清單（2026年4月版）（RAG/LLM Wiki/GBrain/知識圖譜/Agent記憶全覆蓋）
袁鋭欽 | AI編程實踐者 | 公眾號「Ruiqin 袁鋭欽」 參考資料：Karpathy LLM Wiki設計文檔、GBrain開源項目、nashsu/llm_wiki、AgriciDaniel/claude-obsidian
看完這篇文章，你會明白為什麼"丟PDF問AI"已經不夠用了，以及AI知識庫正在往哪走。
一、先問你一個問題
你是不是也這樣用AI的？
看到一篇好文章，丟給ChatGPT："幫我總結一下。"
過幾天有個相關問題，又打開一個新窗口，重新上傳文件，再問一遍。
同一個問題多問幾次，答案可能不一樣。新資料進來，舊知識不會自動重組。問完就結束，下次重新撈材料。
這不是你的問題。這是傳統RAG（檢索增強生成）的先天缺陷——每次都在從零開始檢索，沒有積累。
正如Andrej Karpathy說的："Ask a subtle question that requires synthesizing five documents, and the LLM has to find and piece together the relevant fragments every time. Nothing is built up."
真正的問題不是"AI能不能搜到信息"，而是：AI能不能把零散資料，沉澱成一套可複用、可維護、可持續更新的知識層？
2026年，這個問題有了兩個截然不同的答案。
二、兩條路線：知識編譯 vs 知識運行
路線一：LLM Wiki——知識編譯
發起人：Andrej Karpathy（OpenAI創始成員，前特斯拉AI總監）
他的核心想法不是把一堆資料直接丟給模型臨時檢索，而是先把原始資料整理成一套穩定的Wiki知識層，再讓AI在這套知識層上工作。
簡單說——給AI一本百科全書，讓它自己寫、自己維護、自己更新交叉引用。
Karpathy設計了三層架構：
- • 原始資料層：你的PDF、文章、筆記，人類管理，LLM只讀不修改
- • Wiki層：LLM完全擁有，創建頁面、更新內容、維護交叉引用
- • Schema層：定義Wiki結構、規則、工作流程，人類和LLM共同演化
三大核心操作：
- 1. Ingest（攝取）：丟新資料進去，LLM讀取並更新Wiki
- 2. Query（查詢）：問問題，LLM在Wiki裏搜索相關頁面綜合回答
- 3. Lint（檢查）：定期健康檢查，找矛盾、死鏈、孤兒頁面
Karpathy明確界定了人機分工：人類負責策劃來源、引導方向、提出正確問題；AI負責所有彙總、交叉引用、歸檔和簿記工作。
"The tedious part of maintaining a knowledge base is not the reading or the thinking — it's the bookkeeping. LLMs don't get bored, don't forget to update a cross-reference, and can touch 15 files in one pass."
社區熱門實現：nashsu/llm_wiki（4.8k Stars，桌面應用）、AgriciDaniel/claude-obsidian（3.7k Stars，Claude Code插件）。
路線二：GBrain——知識運行
發起人：Garry Tan（Y Combinator CEO）
與Karpathy的研究導向不同，Garry Tan是長期在用Agent的人，直接把自己需要的知識運行系統做出來了。2026年4月，他將個人13年積累的17,888頁筆記、4,383個人物實體、723個項目，轉化為可複製的開源系統。
如果說LLM Wiki回答的是"知識怎麼寫"，那GBrain回答的是"知識系統怎麼持續運行"。
GBrain保留了頁面的可讀/可編輯形態，但在上面疊加了一整層工程基礎設施：數據庫、向量檢索、關鍵詞索引、知識圖譜、自動化流程、多媒體處理。
關鍵特性是"Dream Loop（夢循環）"：AI在對話前後進行讀寫操作以更新知識，定期"反思"並整合新信息到持久記憶，支持MCP串接Claude與Cursor。
一場客戶會議錄音，在普通知識庫裏只是一個附件；在GBrain裏，它會自動轉錄、生成頁面、更新實體、補到時間線、建立索引。後續提問時，你面對的不是原始錄音，而是被拆解和結構化過的知識對象。
三、核心差異：一張表說清楚
四、兩條路線的技術架構
五、未來趨勢：兩條路線正在靠近
現在LLM Wiki和GBrain看起來是兩條平行線，但它們正在靠近。
LLM Wiki社區已經在加入向量搜索（nashsu/llm_wiki用LanceDB）、知識圖譜（4信號相關性模型+Louvain社區檢測）、Deep Research自動網絡搜索。
GBrain也在保持頁面的可讀性，沒有變成黑箱數據庫。
最終的收斂點可能是：LLM Wiki的結構化 + GBrain的自動化 = 下一代個人知識操作系統。
行業趨勢也很明確：
傳統RAG → 持久化知識庫 → Agent記憶系統 → 個人迷你AGI
（每次檢索） （增量編譯） （持續學習） （自主維護）2026年4月Garry Tan開源GBrain，標誌着AI記憶系統進入開源時代。這不是一個小工具，是一個知識操作系統。
六、你該選哪條？
如果你還在"丟PDF問AI"
先別急着選路線。先問自己：我真的需要積累知識，還是隻是偶爾查資料？
如果只是偶爾用，繼續RAG（ChatGPT/Claude丟文件）就夠了。
如果你願意人工整理
選LLM Wiki。今天就能開始：
- 1. 建文件夾（raw/sources、wiki/entities、wiki/concepts）
- 2. 寫Schema（3-5條規則就夠了）
- 3. 丟第一份資料進去，讓Claude幫你生成Wiki頁面
- 4. 每週Lint檢查一次
推薦工具：Obsidian + claude-obsidian插件（最輕量，免費開始）。
如果你不想手動維護，且有技術能力
選GBrain。全自動、大規模、能接多種信息源。
但需要部署向量數據庫，技術門檻中高。
如果你不想手動維護，但技術能力有限
折中方案：先用LLM Wiki + 簡化流程，或等低代碼工具成熟。
七、給不同人的建議
給普通人
不要焦慮。AI知識庫還在早期，先用起來比選哪個更重要。
從LLM Wiki開始，今天就能跑通。哪怕只有10個頁面，也比每次重新檢索強。
給資深AI實踐者
如果你已經在用Agent、做多Agent系統、或者管理大量信息源，GBrain的方向更值得投入。
向量檢索+知識圖譜+自動化流程，這三件事不是錦上添花，是Agent有長期記憶的基礎設施。
給內容創作者
你的文章、視頻、播客、課程——這些"零散資料"本身就是知識庫的原材料。
關鍵問題：你的內容是被消費完就消失了，還是被編譯進可複用的知識層？
八、寫在最後
Karpathy和Garry Tan，一個是研究導向，一個是實戰導向；一個回答"知識怎麼寫"，一個回答"知識怎麼運行"。
但他們都反對同一件事：臨時檢索、沒有積累、每次從零開始。
你的知識庫是要"寫一本百科全書"，還是要"搭一個操作系統"？
這個問題沒有標準答案。但不選也是一種選擇——繼續RAG，繼續每次從零開始。
回覆"知識庫"，送你三份資料：
- 1. LLM Wiki快速上手指南（5分鐘上手，今天就能開始）
- 2. 十步深度認知框架完整版（系統化學習任何複雜主題的方法論）
- 3. AI知識庫工具清單（2026年4月版）（RAG/LLM Wiki/GBrain/知識圖譜/Agent記憶全覆蓋）
袁鋭欽 | AI編程實踐者 | 公眾號「Ruiqin 袁鋭欽」 參考資料：Karpathy LLM Wiki設計文檔、GBrain開源項目、nashsu/llm_wiki、AgriciDaniel/claude-obsidian