@omarsar0: LLM Wikis 正在被忽视。我认为使用LLM或编码代理创建知识库是最有价值的应用之一…

LLM Wikis 正在被忽视。 我认为使用LLM或编码代理创建知识库是当今AI最有价值的应用之一。 这关乎有意识地构建和扩展你的智能栈。 为了展示这一点，我想分享一个我过去几个月构建的LLM Wiki。 它叫做PaperWiki，我在所有研究工作中都使用它，连同我的研究代理一起。 事实上，我还用它来策划我与社群、新闻通讯以及在X上分享的论文。 PaperWiki通过自动化定期更新，所以我基本上有代理循环维护它。所有条目从不同来源摄取，存储在 vault（Obsidian）中，并使用 qmd 进一步索引，然后通过 HTML 工件呈现。因此，我所有的代理都可以轻松访问，并通过全文搜索和丰富的语义搜索轻松检索。Wiki 的结构被证明非常有用，可以与我研究代理一起启动有趣且激动人心的前沿研究项目（从构建更小、更高效的 GPT/扩散 LLM 到构建 SoTA 框架和记忆系统）。事实证明，代理喜欢 markdown 文件，并且可以更轻松地根据 wiki 丰富的元数据结构导航论文。 我刚刚开始这方面的探索，但很明显，我们都应该尝试 LLM Wikis。 原因如下： 构建 LLM 知识库能让你习惯以各种创造性的方式利用 AI 输出。这是一种我们应该推动的优质 tokenmaxxing。 LLM Wikis 可以自动循环维护。我使用一个自动化工具，每天根据我策划的论文更新 wiki。策划本身是另一个我循环运行的自动化（带有一点人工参与），因此我可以在所有以前的知识和专业知识基础上构建，而随着集成/层次的深入，所有这些都会不断累积。 这个过程的一个有趣结果是，我觉得自己能够更好地识别高质量论文，并更轻松地去除噪音。社交媒体永远无法解决这个问题。而且大多数论文聚合器使用的指标我根本不信任。我喜欢代理能帮助解决噪音与信号的问题。这对研究很重要。很多人认为代理主要产出垃圾。但不必如此。精心策划、提示、自动化、验证器和人工参与可以产生惊人的结果。 而且你并不需要前沿模型来完成这项工作。我结合使用了前沿模型（opus-4.8）和开放权重模型（deepseek-v4-flash）来维护它。一个令人兴奋的未来工作（我们正在与 @dair_ai 合作）是在此基础上微调专门的模型，使 LLM 能够快速理解前沿研究想法，并更好地构思研究策略，从而进一步加速科学研究代理。 我计划开源其中的许多工作，包括工件，但目前还在进行中，我很兴奋能继续分享一些想法。随着进展我会分享更多。敬请期待！