Karpathy 的 LLM Wiki 並沒有殺死 RAG：它真正做的，是把『湊資訊』的單位放大、把理解錨點固定下來，而不是讓檢索問題消失

這則 Threads 的主張很直接：Karpathy 提出的 LLM Wiki，並沒有真正解決「AI 每次都要重新獲取資訊、重新拼湊理解」這個核心痛點。

作者的觀察很尖銳，而且值得留，因為它抓到一個很多人會被敘事包裝掩蓋的點：

Wiki 看起來像是在取代 RAG，但更準確地說，它其實是把 RAG 的查詢與整理單位放大，而不是讓檢索問題本身消失。

1. Wiki 派與 RAG 派，本質上都還是在做資訊拼裝

傳統 RAG 最粗糙的版本，是 embedding + 向量距離，從一堆碎片裡撈內容出來餵模型。後來的進階版會再加入：

目的都一樣：

讓模型拿到比較對的上下文。

Wiki 派的做法，則是先把分散材料整理成比較大的知識單元，再讓模型直接讀這些整理後的頁面。

但本質上，它依然沒有跳脫「先想辦法把對的資訊湊到模型面前」這件事。

這篇最有價值的地方，是提醒我們不要把 Wiki 神話成某種終局架構。

它真正的優勢比較像是：

也就是說，Wiki 的價值比較偏向「理解錨定」與「單位放大」，而不是讓 retrieval 完全失去必要性。

作者還點了一個我很同意的點：

如果一個系統聲稱自己不太需要語意判斷、只靠關鍵字或大單位文件就能運作得很好，那很多時候只是因為模型夠強、token 額度夠大，能硬吃掉一堆不完全相關的內容。

這種做法不是沒有用，而是成本結構不一定漂亮。

也因此，Wiki 不是語意理解的替代品；它頂多是讓語意理解發生在更大的知識單元上。

這篇最值得保留的觀察是：

LLM Wiki 並沒有推翻 RAG，它比較像是把檢索與整理的粒度從碎片拉到頁面；如果沒有更好的語意判斷、更新策略與事實來源管理，Wiki 只是把「湊資訊」這件事做得更像知識系統，而不是讓它消失。