【WPS笔记】未来会引入LLM Wiki吗？
Lv.2潜力创作者
WPS 笔记是金山办公推出的AI 原生多模态笔记产品，定位为"个人知识循环系统的入口"。它并非传统笔记叠加 AI 功能的"补丁式升级"，而是从底层以 AI 为核心重新设计的原生产品。
—— WPS 笔记研发负责人 陈泳豪
核心理念是"责任转移"：把对抗熵增、整理信息的重担，从用户身上彻底转移给 AI。用户只需专注记录和思考，分类、归档、结构化工作全由 AI 完成。
WPS 笔记构建了从信息录入到复用的完整链路：
步骤 | 核心能力 | 说明 |
录入 | 多模态输入 | 支持语音、图片、文字、网页等多种格式，随手拍、随时录、随处记 |
理解 | 图片语义理解 + 智能音频处理 | 图片：OCR + 梯形校正 + AI 重绘，识别图表、公式；音频：实时转写 + 发言人区分 + "AI 边听边修" |
组织 | 多级 AI 自动标签 | 系统从项目、人员、主题等维度自动生成标签，无需预设分类体系 |
检索 | 全域多模态检索 | 支持自然语言语义搜索，可跨文字、图片、音频三种内容形态查找 |
复用 | WPS 灵犀 + MCP 接入 | 内置 AI 助手可执行整理、摘要、行动项提取等任务；开放 MCP 接口，支持 Cursor、Claude 等第三方 AI 工具调用笔记内容 |
这一套理念其实跟LLM Wiki很相似，但后者形成了一套更加完善的框架。
LLM Wiki 是 AI 领域知名研究者 Andrej Karpathy 于 2026 年 4 月提出的一种基于大语言模型（LLM）的个人知识库构建模式。其核心思想是：让 LLM 作为“知识编译器”，在摄入资料时即将其“编译”为结构化的 Markdown 知识库，并持续进行增量更新，从而解决传统 RAG（检索增强生成）模式中“每次查询都从零检索、知识无积累”的痛点。
核心原理与机制
预编译与持续积累：与传统 RAG 在查询时临时检索原始文档不同，LLM Wiki 在摄入资料时，由 LLM 提取关键信息、生成摘要、建立交叉引用，并更新到结构化的 Wiki 页面中。知识被“编译”为持久化的资产，实现知识的复利增长。
人机分工：人类负责提供原始资料（策展）和提出深度问题，LLM 负责繁重的维护工作（如生成页面、维护链接、标注矛盾），极大降低了知识库的维护成本。
知识网络：生成的 Wiki 页面（实体页、概念页、摘要页等）通过双向链接（WikiLinks）相互关联，形成可浏览、可追溯的知识网络，便于系统性地探索和查阅。
三层架构
LLM Wiki 采用清晰的三层架构，各层职责分离：
原始资料层（Raw Sources）：存放用户收集的原始文档（如文章、论文、图片等），该层“不可变”，LLM 仅读取不修改，作为知识的“真理之源”。
知识库层（Wiki）：由 LLM 生成和维护的 Markdown 文件集合（包含索引、实体、概念、摘要等页面），是系统的核心产出，随资料的摄入和问答的深入持续增量更新。
规则层（Schema）：配置文件（如 claude.md 或 agents.md），定义 Wiki 的目录结构、命名规范、页面模板及工作流，用于约束 LLM 的行为，使其成为有纪律的 Wiki 维护者。
核心操作
Ingest（摄入）：将新资料放入原始资料层，LLM 阅读后生成摘要、更新相关页面、维护交叉引用，并更新索引和日志。
Query（查询）：用户提问时，LLM 先阅读索引定位相关页面，进行跨页面综合分析后给出答案，并将高质量的答案回写为新的 Wiki 页面，反哺知识库。
Lint（体检）：LLM 定期扫描 Wiki，检查并修复页面间的矛盾、过时信息、孤儿页面和断裂链接，保持知识库的健康度。
适用场景
LLM Wiki 适合需要长期积累和沉淀知识的场景，如：个人知识管理（读书笔记、研究资料整理）、小型团队知识库（内部文档、项目经验沉淀）、以及需要构建系统性认知的深度研究等。
LLM Wiki 是一种可复用的知识管理范式，通常结合本地 Markdown 笔记软件（如 Obsidian）和 LLM Agent 进行实践。
比如，网易有道云笔记就推出了“LLM Wiki”Skill。
WPS笔记跟LLM Wiki 的适配度非常高，不知道未来是否会考虑引入这一范式？
