別再讓 AI 每次重讀資料：Agent Wiki 把知識先編譯再查詢

Agent Wiki 把一次性的 AI 閱讀變成會累積的 Markdown 知識層。這篇從 4 個實作拆解它的架構、維護難題、規模限制，以及和 RAG、使用者記憶的分工與實際適用場景。 ⭐ 文章深度讀：影片只講到四個案例的分工與三個風險，文章多寫了每個實作的細節出處、規模數字的原始脈絡，以及 Wiki 與 user memory 該怎麼分兩層設計 → https://heymaibao.com/agent-wiki-compile-knowledge-before-query/ ⚡ 章節重點 開場：AI 每次都在重讀 00:00 Agent Wiki 是什麼 00:17 和 RAG 差在哪 00:34 三層骨架 00:56 匯入、查詢、巡檢 01:14 四個案例怎麼分工 01:34 維護才是分水嶺 02:50 規模邊界與 3 個風險 03:07 它沒有消滅 RAG 03:46 文件知識與使用者記憶 04:03 我會怎麼開始 04:23 結尾 04:39 📝 懶人包 ∙ Agent Wiki 先在資料匯入時讀懂來源，寫成可維護的 Markdown，讓前一次的理解成果可以在後續查詢繼續累積 ∙ Mem0 在 DeepWiki、AutoWiki、OpenWiki 和 GBrain 這 4 個案例中，整理出原始來源、wiki、規則檔與更新機制這套共同骨架 ∙ 它仍有規模、摘要失真、內容過期與 token 成本，資料變大後也需要搜尋或 retrieval ∙ 我的觀察是，Wiki 適合當文件知識層，user memory 適合保存偏好、決策和互動經驗，成熟的 Agent 系統很可能同時需要兩層 📚 參考資料 Mem0：The State of Agent Wikis → https://x.com/mem0ai/status/2079585032587694582 llm-wiki → https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f DeepWiki: AI docs for any repo → https://cognition.com/blog/deepwiki AutoWiki → https://factory.ai/news/wiki langchain-ai/openwiki → https://github.com/langchain-ai/openwiki garrytan/gbrain → https://github.com/garrytan/gbrain