AI 知识管理

LLM + Wiki：让 AI 当你的知识管理员
以及企业知识库到底该选什么

从概念到落地，从个人到企业，一篇讲透 LLM + Wiki 的玩法、规模天花板和工具选型。

LLM + Wiki 到底是什么

先忘掉技术名词。想象你有一个装玩具的大箱子，乐高、绘本、拼图、蜡笔画全堆在一起，找个消防车要翻半天。

现在你雇了一个超级聪明的小机器人（就是 LLM），它帮你做三件事：

  1. 把玩具分类装进小抽屉——这叫 Wiki
  2. 画一张地图告诉你哪个玩具在哪——这叫 index
  3. 贴好标签以后好找——这叫元数据

LLM + Wiki 的本质就是：让 AI 帮你整理自己的知识。

你只管往箱子里扔新东西，AI 负责分类、贴标签、画地图。以后想找什么，直接问 AI 就行。

三种主流玩法

经典 LLM Wiki（卡帕西提出的方案）

你的笔记库分成三层：

笔记库/
├── raw/        ← 原始材料，原封不动
├── wiki/       ← AI 整理后的精华
│   ├── index.md    ← 目录
│   ├── 概念/       ← 提炼出的概念
│   ├── 实体/       ← 人物、工具、公司
│   └── 关系/       ← 概念之间的联系
└── log/        ← AI 的工作日志

核心原则是"原材料不动，AI 只加工副本"。AI 负责三件事：把 raw 里的新材料整理进 wiki（Ingest）、回答你的提问时从 wiki 里查找（Query）、定期检查 wiki 里有没有过期或错误的内容（Lint）。

把 Wiki 写得让 AI 能读懂

这种玩法不靠 AI 自动整理，而是你在写笔记的时候就考虑到 AI 的阅读习惯：多用双链、标题写清楚、关键概念加标签、文件名别用"新建文档 1.md"。本质是降低 AI 理解你知识库的成本。

让 Agent 全自动管理

最实战的玩法。你说一句"把我微信收藏的文章整理进 Obsidian"，AI 就自动读取、整理成 Markdown、写好标签和双链、放到正确的文件夹。整个过程不需要你动手。

怎么从零开始搭

如果你感兴趣想试试，六步就能跑起来。

  1. 打开 Obsidian（或任何笔记工具），建三个文件夹：raw/（扔新东西）、wiki/（AI 整理后的成品）、log/（AI 的工作记录）。
  2. 选一个你顺手的 AI 工具。Codex、Claude Code、WorkBuddy 都行，哪个用着舒服用哪个。
  3. 给 AI 一份"使用说明书"。在根目录建一个 AGENTS.md，告诉它工作规则。
  4. 丢一篇文章进去，让 AI 试着整理一篇，看看效果。
  5. 问它一个问题，比如"这篇文章的核心观点是什么"，看它是真的去查了 wiki 还是在瞎编。
  6. 每攒十篇新材料，让 AI 做一次"体检"——检查有没有过期、重复、矛盾的内容。
你的工作是把 raw/ 里的原材料读懂，整理成结构化的笔记放到 wiki/ 里。每读完一篇文章写一篇概念卡片，用双链把相关内容连起来。回答我问题时先看目录，找到相关卡片再回答，别瞎编，不确定就告诉我。

有三个容易踩的坑值得提前知道：

  • 必须明确告诉 AI"只基于已有材料回答，没有的就说不知道"，否则它会一本正经地胡说八道。
  • 一次别让它整理太多，一两篇质量最好，塞二十篇给它质量会断崖式下降。
  • 让 AI 遇到拿不准的地方就停下来问你，别自己瞎猜。

能撑多大规模

这是最关键的问题。答案是：个人无敌，小团队凑合，企业要换思路。

1000篇
以下

个人——甜蜜区，强烈推荐

AI 几秒就能读完整个 wiki，Token 成本一天几毛到几块钱，出了错你一眼就能发现，维护毫无压力。

1000~
1万篇

小团队——能用，但代价不小

三个问题开始冒头。第一是 Token 账单涨得快，因为 AI 每次回答都要先把目录读一遍，文档越多花的钱越多。第二是 AI 会变笨，一次整理 5 篇还行，让它一次处理 50 篇就开始丢三落四。第三是多人协作会打架，你加新文档的时候同事在改 wiki，没有版本控制就乱套。

万篇
以上

企业——原始模式撑不住，必须升级

问题不只是钱（按月烧几万很正常），还有速度（AI 读一万个文件要好几分钟）、权限（没有"谁能改什么"的机制）、质量（一万篇里 AI 编错十条，人工根本查不过来）。

企业想用，三条升级路线

路线怎么做
加"记忆外挂" 不再把整个 wiki 喂给 AI，而是拆成原子事实、场景聚类等层级，让 AI 精准查找。腾讯 Agent Memory 方案的实测效果：准确率从 48% 提到 76%，Token 节省 33%–61%。
升级到 V2 加置信度打分（低分自动标"待审核"）、过期检测、知识图谱（表达谁依赖谁、谁推翻了谁）、混合检索（关键词 + 语义 + 图谱三路并用）。
换底层引擎 用知识图谱代替 Markdown 文件，适合代码或超大规模文档场景。如 Graphify 这类项目，10 万行代码几分钟就能整理完。

最实际的建议是分三步走：先在自己电脑上跑通，证明价值；然后挑一个 10 到 100 人的小组试点；最后才考虑推到全公司。别一上来就喊"全员上线"。

企业知识库该选什么工具

如果你不想自己搭，市面上有三个现成选项值得考虑。它们各有定位，适合不同情况。

腾讯 IMA 个人 & 小团队

IMA 是腾讯混元大模型的官方产品，核心卖点是"上传文档就能用"。它最大的优势是跟微信生态打通很深——公众号文章一键收藏进库，手机电脑无缝同步。回答问题时会强制引用原文片段，你一眼就能验证答案对不对。

但企业用它有四个明显短板：单文件有大小限制（免费版 50 页左右）；权限管理很基础（部门隔离、岗位权限、审计日志都没有）；成本不透明（企业版要单独谈销售）；跟企业微信、飞书、钉钉的深度集成基本没有。

适合：公司 100 人以下、没有严格合规要求、文档以公开资料为主、团队不想折腾技术。
不适合：500 人以上、有机密文档、需要权限管理和审计。

腾讯乐享 企微生态

乐享不只是文档存储，而是把知识管理、内部培训、文化建设揉在一起。它跟企业微信深度打通，员工不用装新 App。培训功能是亮点——能上传课程视频、设必修课、课后考试、跟踪学习进度、出学习报告。还有社区论坛、问卷调查、员工活动这些"文化工具"。

适合已经在用企业微信、想把知识管理和员工培训一起做的公司，50 到 500 人的传统行业或制造业尤其合适。价格通常 100 到 500 元每人每年。

但它没有飞书那种多维表格，AI 问答能力也比较弱。如果你的工作以文档协作为主，它会觉得有点"重"。

飞书知识库 协作 & AI

飞书知识库是飞书套件里的原生模块，最大特点是跟飞书文档、表格、会议无缝打通。

杀手锏是多维表格——这不是普通表格，而是文档型数据库，能存几百万行数据，每行可以展开成详细文档，自带看板、甘特图、画册等视图，还能写自动化规则。很多公司用它搭了轻量级的 CRM、项目管理、OKR 系统，省下买其他工具的钱。

AI 能力也强：内置的知识库问答能基于文档回答问题、生成会议纪要。文档协作体验是行业顶尖，实时多人编辑、评论、版本回滚都很流畅。

适合文档协作密集的团队（市场、运营、产品、研发），想用多维表格搭业务系统的公司，50 到 2000 人的互联网或科技公司。知识库包含在飞书套件里不单独卖，50 人公司年费大约 3 到 5 万。

最关键的一条原则：顺着公司已有的生态选。

已经在用企业微信 → 选腾讯乐享，迁移成本最低。
已经在用飞书 → 选飞书知识库，协作体验最好。
团队很小、不想折腾、文档以公开资料为主 → 用腾讯 IMA，注册即用。

千万别两个都用。 知识一旦分散在两套系统里，员工不知道往哪发，预算浪费，维护成本翻倍。选一个，把它用到极致。

还有一个容易被忽略的点：这些工具各自绑定不同的 AI 底座（IMA 用腾讯混元，飞书用自家 AI）。如果你公司已经买了其他 AI 的企业版，数据会跑到两套不同的系统里，一致性和预算都会出问题。选之前先想清楚 AI 底座要不要统一。

写在最后

对个人来说，LLM + Wiki 这套玩法现在就能用起来，门槛很低，效果立竿见影。建三个文件夹、丢一篇文章进去、让 AI 整理一篇，十分钟后你就知道值不值得继续。

对企业来说，别急着做决定。先想清楚三件事：每月愿意为 Token 花多少钱、有没有人愿意当"图书管理员"定期检查质量、新文档进来谁负责丢给 AI。三件事都没想清楚就上马，大概率会崩。

最聪明的路径永远是：先小范围验证，再逐步推广。