Wiki 记忆

智能体的记忆仍处于早期阶段，几乎没有统一标准。“记忆”对每个人意味着不同的东西。但一种常见模式正在浮现：Wiki 记忆。

思路很简单：用一个智能体将原始源数据转化为紧凑、持久、可供智能体读取的知识层。

为什么用 Wiki？

原始数据包含大量知识，但直接暴露给智能体往往效率低下。日志、笔记、代码、文档、实验、Slack 线程和转录内容过于嘈杂且体积庞大。因此，我们改为对这些数据运行一个处理流程，将其转化为更密集的表示。

这与基础的 RAG 不同。RAG 通常在查询时检索原始片段。而 Wiki 会预先计算并维护一个更高层次的综合，这样智能体就不必每次都重新发现结构。

这种需求几乎无处不在。当与一家研究公司的朋友交谈时，他谈到了研究人员头脑中的所有知识。他想“克隆他们的大脑”，这样即使他们离开，知识仍然留在公司。他希望通过查看他们运行的实验、写的笔记和采取的行动，能够近似实现这种“大脑克隆”。

Wiki 就是实现这一目标的一种实用方式：不是存储一切，而是将重要内容压缩成一个可重复使用的知识库。

什么是“Wiki”？

Wiki 是一种由智能体维护的数据结构，以对智能体友好的方式表示源知识。

在实践中，这通常意味着对一个源材料运行一个智能体，并要求它创建一组文件，供未来的智能体用于更快地理解该领域。

关键不在于它字面上看起来像维基百科。关键在于它持久、结构化、可检查，并随时间不断更新。

Wiki 的例子

Cognition 的 DeepWiki 可能是我记忆中看到的第一个例子。DeepWiki 为 GitHub 仓库生成 AI 生成的文档。它旨在为人类和编码智能体提供代码库更高级别的思维导图，使其更容易理解和导航。

Karpathy 最近写了一篇关于他所谓的“LLM Wiki”或“LLM 知识库”的文章。这是同一模式更通用的形式：不仅限于代码，还可以处理任意源文件。他的框架是，LLM 增量式构建并维护一个持久的 Markdown 格式的 Wiki，位于用户和原始源之间。

Factory 推出了 AutoWiki，作为类似 DeepWiki 的产品。AutoWiki 分析代码库并生成结构化、可浏览的文档，随着仓库的变化保持最新状态。

这种模式也与 LangMem、Letta、Mem0 和 Zep 等记忆系统相邻。这些系统解决更广泛的智能体记忆问题，而 Wiki 记忆之所以引人注目，是因为它通常使用最简单的底层：文件。

每个领域都有一个 Wiki

我认为，对于每个领域，都会有一个值得你创建的知识库。这个知识库不是仅仅是原始数据。它是原始数据的智能压缩版本。

这里有许多开放问题：

• 原始数据是什么？
• 压缩数据的最佳格式是什么？
• 数据应该如何压缩？
• 压缩表示应该如何保持更新？

我们开始看到一些常见答案出现：

• 原始数据是什么？→ 任何智能体可以读取或访问的内容
• 压缩数据的最佳格式是什么？→ 文件
• 如何压缩数据？→ 一个智能体
• 如何维护它？→ 一个智能体

文件之所以有吸引力，是因为它们可检查、可编辑、可版本控制，并且易于智能体读写。

Wiki 并非记忆的全部。它们最适合持久领域知识，而不一定是短期对话状态、用户偏好或高频事件日志。但对于许多领域，Wiki 记忆可能是我们拥有的最简单实用的长期记忆模式。