@NainsiDwiv50980：RAG 可能已经过时。一个月前，Andrej Karpathy 发布了一个名为 “LLM Wiki” 的简单 GitHub gist。不……

RAG 可能已经过时。一个月前，Andrej Karpathy 发布了一个简单的 GitHub gist，名为 “LLM Wiki”。如今，评论区的景象宛如一个全新 AI 类别的诞生。在获得超过 5000 个星标后，开发者们正在快速构建： • 持久化 AI 记忆系统 • 自维护知识库 • 多智能体研究环境 • 矛盾检测引擎 • 面向 AI 的公司操作系统 • 本地优先的记忆架构 • 基于图的推理层 • 不断演进的 “第二大脑” 最不可思议的部分是？大多数项目仅用数天就构建完成。因为核心理念极其强大：与传统 RAG 中 AI 反复检索原始文本块不同……模型持续维护一个动态的知识系统。不是临时的上下文，而是持久的综合。 这种转变听起来很微妙，直到你意识到它改变了什么： RAG：检索 → 回答 → 遗忘 LLM Wiki：摄取 → 综合 → 演进 这一架构差异正引发当下的实验热潮。人们已经在构建： • 智能体记忆操作系统 • AI 维护的工程文档 • 自修复知识图谱 • 持久化研究环境 • 对话式记忆架构 • 具备矛盾感知的维基 • 上下文压缩引擎 • 机器可读的公司系统 仅评论区就让人感受到一个生态系统在实时形成。一位开发者利用 sheaf cohomology（层上同调）构建了确定性的矛盾检测；另一位受人类记忆形成启发，为 AI 记忆系统构建了 “睡眠巩固” 机制；又有人创建了持久化的多智能体保险库对话；还有人将整个代码库转化为持续维护的 AI 维基；还有人构建了带有审计轨迹、溯源、图导出和 MCP 集成的本地优先记忆系统。 关键在于：Karpathy 并没有发布一个产品，而是引入了一种模式。而模式正是创造生态系统的源泉。正如： • 注意力机制（transformers）催生了现代 AI • RAG 催生了 AI 检索初创公司 • 智能体催生了编排框架 LLM Wiki 可能会催生持久化 AI 记忆基础设施。这就是为何这一刻感觉与众不同。多年来，AI 系统一直是无状态的。现在，开发者们正尝试构建能够随时间积累理解力的系统。一旦知识开始复利增长而非重置……整个 AI 界面层都将随之改变。（仓库链接在评论区）