LLM Wiki 知識編譯

定義

用 LLM 將原始文章預先「編譯」成結構化的 Wiki（概念條目、方法論、交叉引用），而非每次提問時才即時檢索。核心差異：編譯時 AI 不只壓縮資訊，還會質疑前提假設、標記矛盾、產生跨域洞察。

關鍵數據點（附來源）

• 即時檢索（NotebookLM、ChatGPT 檔案上傳）同一問題問兩次可能得到不同答案，編譯後概念定義只有一份（來源：LLM Wiki 實戰文章）
• 三步編譯法（濃縮→質疑→對標）在 Karpathy 的摘要基礎上加了質疑和對標，解決純摘要不生產新知識的問題（來源：LLM Wiki 實戰文章，方法論參考餅乾哥哥 AGI）
• 公告類文章編譯後拉出了公司完整發展弧線，這些脈絡散落在不同時間的文章裡從未被串在一起（來源：LLM Wiki 實戰文章）

前提與局限性

• 文章之間需要有足夠的主題交叉，對標才能產生有意義的跨域連結
• 文章數量太少（< 10 篇）或主題太單一時，編譯的價值有限
• 質疑品質取決於 LLM 的知識廣度，利基領域可能流於表面
• 純技術文件（API 文件、設定教學）可能只需要摘要，不需要質疑和對標

衝突標記

無明確衝突。

關聯概念

• [[AI 工具的累積效應]]
• [[內容再利用]]
• [[AI 輔助寫作流程]]
• [[開源複利效應]]
• [[康威定律]]