LLM Wikis 采用了不同的智能体记忆方法。与 RAG 那样只是检索原始块（然后忘记它们）不同，智能体实际上会整理所学的内容：它读取新信息，与已有知识进行对照，然后将自己的知识重写为干净、最新的页面 — 就像人类维护一个活生生的 wiki 一样。

在本期分享中，Data Science Dojo 生成式 AI 与大模型高级软件工程师 Izma Aziz 将详细解析 LLM Wikis 的实际工作原理 — 以及它们为何对需要记忆的智能体至关重要。

以下是涵盖的内容：

• 什么是 LLM Wikis，以及智能体如何维护自己的知识库
• 它们与 RAG、文件搜索和聊天记忆有何不同
• 它们的优势 — 更少的 token、更低的成本、更清晰的知识
• 在实时构建中，知识是如何创建和更新的
• 什么让智能体记忆在生产中可靠

如果你正在构建或维护基于大模型的智能体，并希望为长期记忆寻找 RAG 的真正替代方案，那么这个分享就是为你准备的。

2026年8月5日 | 太平洋时间下午1:00 在此注册：https://hubs.la/Q04rd0bf0

#LLMWikis #AIAgents #AgentMemory #GenerativeAI #LLM #LangGraph #DeepAgents #RAG #AIEngineering #MachineLearning #ArtificialIntelligence

LLM Wikis：AI 智能体如何构建永不遗忘的第二大脑

来源：https://datasciencedojo.com/event/llm-wikis-ai-agent-memory/?utm_term=llm_wikis_how_to_build_a_second_brain_webinar&utm_campaign=5277859-Community%20Events&utm_content=383484836&utm_medium=social&utm_source=twitter&hss_channel=tw-1318985240

Izma Aziz 是 Data Science Dojo 的生成式 AI 与大模型高级软件工程师，她领导一支 AI 工程团队，并亲手实践最新的智能体概念，将其从研究推进到实际应用。她的工作涵盖多智能体架构、RAG 管道，以及使智能体在大规模生产中保持可靠的记忆和上下文工程，主要使用 LangChain 和 LangGraph。她是微软认证的 Azure 解决方案架构师专家和 Azure AI 工程师助理，也是生成式 AI 和智能体 AI 领域的常客演讲者和撰稿人。