В апреле 2026 года Андрей Карпати опубликовал GitHub Gist. В нём он описывает метод. Он называет его LLM Wiki.
Четыре команды создали одно и то же после этого. Cognition построила DeepWiki. Factory построила AutoWiki. LangChain выпустила OpenWiki. Гарри Тан выпустил GBrain.
Метод одинаков во всех четырёх системах. LLM один раз читает ваши исходные документы. Она записывает информацию в markdown-страницы. Она поддерживает страницы в актуальном состоянии, когда источники меняются. Агент читает эти страницы. Агент не читает исходные документы заново для каждого вопроса.
Люди называют эти системы агентскими вики. Эта статья рассказывает вам, что это такое. Она рассказывает, что построила каждая команда. Она рассказывает об ограничениях метода. А также она указывает на одно важное различие, которое многие упускают.
Идея: компилировать при загрузке, а не при запросе
Обычный метод передачи модели большого набора документов — поиск (retrieval). Вы помещаете документы в базу данных. Вы делите документы на части. Вы создаёте эмбеддинги для частей. Для каждого вопроса система находит соответствующие части.
Этот метод работает. Но у него есть проблема. Система не сохраняет результаты. Она строит каждый ответ заново из сырых частей. Десятый ответ не лучше первого. Вы платите за эту работу десять раз.
Агентская вики переносит эти затраты. Модель выполняет работу один раз, когда читает источник. Она записывает результаты на страницы. Страницы остаются.
Модель выполняет следующие шаги, когда поступает новый источник. Она читает источник. Она изменяет соответствующие страницы. Она исправляет сводки. Она отмечает информацию, которая противоречит страницам.
Оба метода корректны. Они различаются в двух аспектах. Первое различие — когда вы платите. Второе — что остаётся после вопроса.
Каждая система имеет одни и те же три слоя.
Слой 1 — исходные документы. Это ваши статьи, документы и репозитории. Модель читает их. Модель не изменяет их.
Слой 2 — вики. Вики — это markdown. Модель пишет всю вики. Вики содержит сводки, страницы по каждой теме и ссылки между страницами.
Слой 3 — файл схемы. Этот файл сообщает модели структуру вики. Он также указывает, какие задачи выполнять. Обычный файл — CLAUDE.md или AGENTS.md. Этот файл делает модель корректным хранителем вики.
Система выполняет три операции.
Загрузка: модель читает новый источник. Затем модель записывает данные на каждую связанную страницу.
Запрос: вы задаёте вопрос вики. Вы можете записать хороший ответ обратно в вики как новую страницу.
Линтинг: модель проверяет вики. Она находит противоречивую информацию. Она находит устаревшую информацию. Она находит страницы без ссылок.
Почему это работает:
Человеческие вики со временем становятся некорректными. Причина конкретна. Сложная часть — не в чтении источников. Сложная часть — не в генерации идей. Сложная часть — в поддержке.
Поддержка включает следующие задачи. Вы должны исправлять ссылки между страницами. Вы должны поддерживать сводки в актуальном состоянии. Вы должны сравнивать каждый новый документ с существующими страницами.
Эта работа не прекращается. Работа не приносит вознаграждения. Занятая команда прекращает эту работу первой. Затем вики становится некорректной. Затем люди перестают её использовать.
Модель выполняет эту работу без проблем. Модель не скучает. Модель не забывает ссылку. Модель может изменить пятнадцать файлов за одну операцию.
Идея старая. Ванневар Буш описал Memex в 1945 году. Memex — это личное хранилище документов со ссылками между ними. У Буша не было ответа на вопрос поддержки. Модель — это ответ.
Откуда взялось название
Прочитайте gist Карпати напрямую. Он точнее, чем его пересказы.
Вот что он пишет об обычном методе: «LLM заново открывает знание с нуля при каждом вопросе. Накопления нет».
Его метод — компилировать информацию, а не извлекать её. Тогда «знание компилируется один раз и затем поддерживается в актуальном состоянии, а не выводится заново при каждом запросе». Результат — «постоянный, накапливающийся артефакт».
Вы не пишете вики сами. Он пишет: «Вы никогда (или почти никогда) не пишете вики сами; LLM пишет и поддерживает всё это». Он использует агента вместе с Obsidian. Он пишет: «Obsidian — это IDE; LLM — программист; вики — кодовая база».
Gist указывает ограничение по размеру. Многие пересказы не включают это ограничение. Метод без эмбеддингов «работает удивительно хорошо при умеренном масштабе (~100 источников, ~сотни страниц) и позволяет избежать необходимости в инфраструктуре RAG на основе эмбеддингов».
Для большего количества источников gist советует добавить поиск. В качестве примера приводится qmd. Gist описывает qmd как «локальную поисковую систему для markdown-файлов с гибридным поиском BM25/векторным поиском и реранжировкой LLM».
Таким образом, правило касается размера. Правило не касается замены. Не используйте инфраструктуру поиска, когда набор источников мал. Добавляйте поиск, когда набор источников становится большим.
Что на самом деле построили лаборатории
Здесь паттерн перестаёт быть идеей и становится инженерией, и различия между реализациями — самая полезная часть.
Cognition: DeepWiki, вики как общедоступная утилита
Cognition применила метод к публичным репозиториям на GitHub. Замените github.com на deepwiki.com в URL публичного репозитория. Вы получите вики для этой кодовой базы. Вики содержит сводку архитектуры, индекс файлов, граф зависимостей и поиск. Вики содержит ссылки на источник (Cognition).
Более 50 000 крупнейших публичных репозиториев имеют вики. Список включает MCP и LangChain.
Второй момент важнее. Вики — это не продукт. Вики — это инфраструктура поиска для агента. Devin использует вики, чтобы найти соответствующий код в кодовой базе. Таким образом, DeepWiki — это скомпилированный слой под поиском кода в Devin (Devin Docs).
Factory: AutoWiki, документация как артефакт сборки
Factory применила метод к непрерывной интеграции. Factory пишет, что документация должна быть артефактом сборки, а не отдельным проектом. Документация исходит из источника. Она имеет структуру кодовой базы. Она изменяется, когда изменяется репозиторий (Factory).
Метод создания вики состоит из двух проходов. Проход 1 — структурное сканирование. Он читает файл README, манифесты пакетов, конфигурацию CI и точки входа. Проход 2 — семантическое сканирование. Он читает маршруты, конечные точки API, классы сервисов, схемы баз данных и флаги функций.
Factory делит работу между специализированными агентами. Каждый агент получает одну часть репозитория. Каждый агент получает достаточный контекст, чтобы написать одну хорошую страницу. Этот метод предотвращает известную проблему: один агент пишет плохую документацию для большого репозитория.
Factory поддерживает вики в актуальном состоянии с помощью инфраструктуры, а не дисциплины. Команда /wiki создаёт вики заново. Команда /install-wiki записывает CI-пайплайн. Этот пайплайн создаёт вики заново при каждом пуше в ветку по умолчанию. Для GitHub вики попадает на вкладку wiki репозитория (Factory Docs).
LangChain: OpenWiki, и скачок от кода ко всему
LangChain выпустила OpenWiki как открытое программное обеспечение. OpenWiki — это CLI-инструмент. Он пишет и поддерживает агентскую документацию для кодовой базы. Затем LangChain выпустила OpenWiki Brains, который имеет два режима. Code Brain — первый режим, для репозитория. Personal Brain — второй режим, для ваших собственных источников (LangChain).
Personal Brain — важное изменение. Он читает данные из Gmail, Notion, git-репозиториев, X, Hacker News и веб-поиска. Он записывает все эти данные в одну локальную markdown-вики. Агент читает эту вики. Метод изменился с документации репозитория на документацию вашей работы.
Каждая команда приняла одинаковое решение относительно вывода. Вывод — это не текст для чтения человеком. Это структурированный markdown для контекста LLM. Он содержит заголовки, ссылки между страницами и сводки. Структура позволяет агенту быстро найти соответствующую информацию. Читатель вики — модель.
GBrain: персональная версия с открытым исходным кодом
GBrain применяет метод к личному хранилищу знаний, а не к кодовой базе. GBrain использует markdown в git-репозитории. У него есть файл схемы. Он автоматически создаёт граф связей между темами.
GBrain показывает, что метод требует очень мало инфраструктуры. В нём нет векторной базы данных. В нём нет сервиса. В нём есть файлы. Модель поддерживает файлы. Человек может читать файлы.
Матрица техник
Четыре системы имеют одинаковую структуру. Они используют markdown в git. У них есть файл схемы. Они компилируют при загрузке. Они создают вики заново, когда источники меняются. Они пишут страницы для чтения агентом. Четыре команды решили четыре разные проблемы и создали одинаковую структуру. Это согласие — хорошее доказательство того, что структура верна.
Системы различаются в поддержке. Factory выполняет поддержку в CI. Остальные три системы выполняют поддержку, когда человек запускает команду. Поэтому их вики актуальны ровно настолько, насколько актуальна последняя команда.
Где это останавливается
Ограничение 1 — размер. Карпати указывает это ограничение. Метод без эмбеддингов корректен для примерно 100 источников. Для большего количества страниц необходимо добавить поисковую систему. Gist советует использовать BM25-поиск и векторный поиск вместе.
Ограничение 2 — точность. Модель компилирует информацию при загрузке. Ранняя сводка может удалить деталь из источника. Каждый последующий ответ содержит эту ошибку. Поиск по сырым частям такой проблемы не имеет. Вы обмениваете стоимость повторной работы на риск потери данных.
Ограничение 3 — устаревшая информация. Страница актуальна ровно настолько, насколько актуально последнее обновление. Именно поэтому метод Factory важен. Некорректная вики хуже, чем отсутствие вики. Некорректная информация имеет формат корректной информации.
Ограничение 4 — стоимость. Вы платите токенами за создание страниц. Вы можете создавать страницы, которые никто не читает. Вы также платите токенами за линтинг страниц, которые не изменились.
Вики — это не память
Есть одно различие, которое вы должны знать. Терминология в этой области пока неточна.
Многие люди называют эти системы памятью. LangChain называет OpenWiki слоем вики-памяти для AI-агентов. Другие говорят, что вики даёт агенту память. Слово «память» здесь имеет два разных значения.
Первое значение — знание набора документов. Вики это делает. Она компилирует данные из ваших документов, вашего репозитория или вашего Gmail. Она сообщает вам, что содержат документы.
Второе значение — память о пользователе. Это другие данные. Они включают предпочтения человека. Они включают решения человека. Они включают методы, которые команда отвергла. Они включают результат, когда агент пробовал метод в другом приложении.
Память о пользователе имеет другую структуру. Она связана с человеком, а не с набором документов. Она возникает из взаимодействия, а не из загрузки. Она также должна выполнять для каждого пользователя следующие задачи: исправлять противоречивую информацию, удалять устаревшую информацию, сохранять источник каждого элемента и удалять данные по запросу.
Вики правильно выполняет первую задачу. Вики не выполняет вторую задачу. Ваша Gmail-вики сообщает агенту, что находится в вашем Gmail. Она не сообщает агенту, что вы изменили решение в разговоре во вторник. Она не сообщает агенту, что метод уже не сработал для вас.
Слой памяти выполняет вторую задачу. Пример — Mem0. Он хранит каждую память с user_id. Память таким образом перемещается вместе с человеком между сессиями, приложениями и агентами. Она изменяет факт на месте, когда факт меняется. Она не добавляет новую запись каждый раз.
Две системы не являются альтернативами. Используйте обе. Ошибка — не использовать вики. Ошибка — думать, что вики даёт вам память о пользователе.
Резюме
Идея агентских вики верна. Скомпилируйте знание один раз. Затем поддерживайте его в актуальном состоянии. Не стройте его заново для каждого вопроса. Поддержка остановила человеческие вики, а модель выполняет поддержку без затрат. Четыре команды построили одинаковую структуру за несколько месяцев. Это веское доказательство.
Сделайте эти три вещи. Компилируйте свои документы в страницы, когда набор документов стабилен и вы часто его читаете. Добавляйте поиск, когда набор документов становится большим, как советует gist. Помните о разнице между знанием набора документов и памятью о пользователе. Вики даёт вам первое. Вики не даёт вам второе.
In Context #17
Этот блог является частью серии In Context, блога @mem0ai, посвящённого памяти AI-агентов и контекстной инженерии.
Mem0 — это интеллектуальный слой памяти с открытым исходным кодом, предназначенный для LLM и AI-агентов, обеспечивающий долгосрочное, персонализированное и контекстно-зависимое взаимодействие между сессиями.
- Получите бесплатный API-ключ здесь: app.mem0.ai
- или разместите Mem0 самостоятельно из нашего репозитория с открытым исходным кодом на GitHub
Ссылки
- Андрей Карпати, LLM Wiki (GitHub Gist, апрель 2026)
- qmd: локальный гибридный поиск BM25/векторный для markdown
- Cognition, DeepWiki: AI-документация для любого репозитория
- Devin Docs, DeepWiki
- Factory, Представляем AutoWiki
- Документация Factory, обзор AutoWiki
- langchain-ai/openwiki (GitHub)
- LangChain, Память вики
- garrytan/gbrain (GitHub)
- Ванневар Буш, As We May Think (The Atlantic, 1945)
- Mem0
