先把两个词拆开
RAG 的优势，与它的硬伤
Wiki 的优势，与它的硬伤
真正的分水岭：正确性责任落在谁身上
三种能落地的组合方式
把账算清楚
| 维度 | RAG | LLM Wiki |
|---|---|---|
| 知识形态 | 原文切片 + 向量索引 | 编译后的 Markdown 页面 |
| 何时理解 | 查询时（检索时理解） | 入库时（编译一次） |
| 失败方式 | 显性：检索不到、块被切断 | 静默：编译时丢掉关键事实 |
| 跨文档综合 | 弱 | 强，校正后 +6.625，唯一强佐证 |
| 单点溯源 | 稳，校正后 +0.667 | 偏弱，但逐条主张引用更扎实 |
| 查询成本 | 13 题合计 78,093 token | 13 题合计 1,651,357，约 21 倍 |
参考资料
- Juan M. Huerta（arXiv:2605.07068） · WiCER: Wiki-memory Compile, Evaluate, Refine Iterative Knowledge Compilation for LLM Wiki Systems
- Theodore O. Cochran，AI for Altruism（arXiv:2605.18490） · Vector RAG vs LLM-Compiled Wiki: A Preregistered Comparison on a Small Multi-Domain Research Corpus
- Bailing Zhang，Zenodo 预印本（DOI 10.5281/zenodo.20078453） · Beyond RAG: LLM Wikis as Living Semantic Memory: Patterns, Empirical Findings, and Open Problems
- 腾讯云开发者社区（作者 tunsuy） · Karpathy LLM Wiki 实践：用「知识编译」替代 RAG，构建个人知识库
以上内容基于公开信息整理，仅作行业技术交流，不构成任何诊疗建议，所引数据均可在参考资料中核对。