通过飞书妙搭构建LLMWiki应用的实战指南
楚宁志 2026年4月29日 10:03
用飞书妙搭搭了一套"第二大脑"，试了 Karpathy 的 LLM Wiki 思路，发现这件事被想复杂了
先说一个反直觉的结论：
大多数人的 RAG 系统搭错了。
不是技术不行，是方向错了。
01 传统 RAG 的困境：每次都在"重新发明轮子"
你一定见过这种场景：
把一堆文档扔进向量数据库，用户问个问题，LLM 检索相关片段，生成回答。听起来没问题。
但仔细想想—— 每次回答， LLM 都在从零理解这些材料 。没有任何积累，没有任何"记忆"。
问一个需要综合五份文档才能回答的问题？LLM 必须每次都把这五份文档的相关片段重新找出来、拼起来。没有人真的"懂"这些文档之间的关系。
更扎心的是—— 你读过的每一篇文章、做的每一份笔记，对 LLM 来说都是新的。
这就是为什么很多人做了 RAG 之后，觉得"没那么好用"。
02 Karpathy 的思路：让 LLM 当"图书馆管理员"
四月，Karpathy 在 GitHub Gist 里分享了一个他称之为 LLM Wiki 的模式。
思路极其简洁：
与其每次提问时从源文档里检索，不如让 LLM 提前维护一套结构化的 Wiki 。新文档进来 → LLM 读取 → 提取关键信息 → 增量写入 Wiki 页面 → 更新交叉引用 → 标注矛盾点。你提问时，LLM 回答的是 已经被整理过的知识 ，而不是原始碎片。
三层架构：
Raw Sources（源文档） → Wiki（LLM 维护的结构化页面） → Schema（维护规则）
关键在于—— Wiki 是活的，是累积的，是自我更新的。
不是每次问答都在考古，而是知识真正被"编译"了一遍。
03 为什么我选择用飞书妙搭来实现
有人会说：这个思路很好，但实现起来是不是很复杂？
我的答案是： 看你在什么工具里做这件事。
如果你是工程师，自己搭向量库、写 Pipeline、调检索策略——那确实复杂。
但如果换一个思路—— 用 飞书 妙搭作为前端承载，直接在飞书生态里搭建 ，复杂度直接降一个数量级。
原因有三个：
① 源文档天然在 飞书 里 飞书文档就是你的 Raw Sources，不需要额外采集，妙搭可以直接读取。
② 用户不需要任何新工具 员工在飞书里工作，点开妙搭应用就是 Wiki 入口，没有学习成本。
③ LLM Wiki 的核心价值是"界面"和"流程" 不是底层 Infra，用妙搭的对话式交互 + 页面管理能力，足够支撑这套思路的落地。
04 用妙搭搭 LLM Wiki 的最小可行路径
第一步：定义你的 Wiki 结构
不需要一开始就规划完整的知识体系。
先问自己一个问题： 我最常问什么？
比如：
- 我们的产品有哪些核心功能？
- 报销流程是什么？
- 竞品 A 和竞品 B 有什么区别？
这些"高频问题"就是你的第一批 Wiki 页面。
Wiki 页面不需要很多，但要有 交叉引用 ——产品功能页里提到"报销"，就链接到报销流程页。
第二步：用妙搭建对话入口
在妙搭里创建一个对话式页面，用户输入问题，LLM 实时回答。
关键区别在这里： 回答的内容不是直接检索出来的，而是 LLM 基于 Wiki 页面综合生成的。
这意味着：
- 答案更连贯、更像"理解后的表达"而不是"拼贴的片段"
- Wiki 页面之间有引用关系，LLM 可以综合多个页面的内容
- 你可以要求 LLM 在回答末尾附上"参考页面"，可点击跳转
第三步：建立积累机制
Karpathy 在他的方案里设计了 log.md ——一个时间线日志，记录每一次"消化新文档"和"提问"的事件。
这个设计太重要了。
在你的妙搭 Wiki 里，可以做一个简单的日志面板：
- 某某文档被消化，写入了哪些页面
- 某个问题回答后，用户点击了哪个参考页面
- 哪些问题 Wiki 回答不了（需要补充知识）
这些日志积累一段时间后，你会看到 Wiki 真正在"生长"。
05 一个真实的改变
用上 LLM Wiki 之后，最大的改变不是"答案变快了"。
而是： LLM 开始真的"懂"这家公司了。
以前问"我们今年的重点客户策略是什么"，LLM 给出的回答像是从各个文档里随机摘抄的片段。
现在，LLM 给出的回答是结构化的、有逻辑的、有前后引用的——像是读完了所有相关材料之后，用自己的话重新组织了一遍。
这个差距，不是调 Prompt 能弥补的。
这是架构的差距。
06 你不需要复杂的知识库系统
很多企业一想到"AI 知识库"，就觉得必须上向量数据库、RAG Pipeline、Embedding 模型调参……
Karpathy 的 LLM Wiki 模式给我们一个重要启发：
知识管理的第一步，不是技术，是"让 LLM 帮你整理"。
飞书妙搭可以让这个过程变得非常简单：
- 你的文档在飞书里
- 你的员工在飞书里
- 你的 LLM Wiki 也可以在飞书里
不需要自建向量库，不需要写 Pipeline，不需要运维复杂系统。
用 Karpathy 的话说： "你负责提供sources，LLM 负责维护 Wiki ，你只管问好问题。"
这件事，没有那么复杂。
作者：楚宁志，企业 AI 转型战略顾问。专注 AI 在企业知识管理、客服、销售等场景的落地实践。
相关阅读：
- Karpathy LLM Wiki 原文
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
AI提效 · 目录
阅读原文
继续滑动看下一个
光之余影
向上滑动看下一个