У квітні 2026 року Андрей Карпаті написав GitHub Gist. У ньому він описує метод, який називає LLM Wiki.
Чотири команди побудували те саме після цього. Cognition створили DeepWiki. Factory створили AutoWiki. LangChain випустили OpenWiki. Гаррі Тан випустив GBrain.
Метод однаковий у всіх чотирьох системах. LLM один раз читає ваші вихідні документи. Він записує інформацію у markdown-сторінки. Він підтримує сторінки актуальними, коли джерела змінюються. Агент читає ці сторінки. Агент не читає вихідні документи знову для кожного запитання.
Люди називають ці системи агентськими вікі. Ця стаття розповідає вам, що це таке. Вона розповідає, що побудувала кожна команда. Вона розповідає про обмеження методу. Вона також розповідає про одну важливу відмінність, яку багато хто пропускає.
Ідея: компілювати під час завантаження, а не під час запиту
Звичайний метод надати моделі великий набір документів — це пошук. Ви поміщаєте документи в базу даних. Ви ділите документи на частини. Ви створюєте ембедінги для частин. Для кожного запитання система знаходить відповідні частини.
Цей метод працює. Але він також має проблему. Система не зберігає результати. Вона будує кожну відповідь знову з необроблених частин. Десята відповідь не краща за першу. Ви платите вартість роботи десять разів.
Агентська вікі переносить цю вартість. Модель виконує роботу один раз, коли читає джерело. Вона записує результати на сторінки. Сторінки залишаються.
Модель виконує ці кроки, коли надходить нове джерело. Вона читає джерело. Вона змінює відповідні сторінки. Вона виправляє підсумки. Вона позначає інформацію, яка суперечить сторінкам.
Обидва методи правильні. Вони відрізняються двома способами. Перша відмінність — коли ви платите вартість. Друга відмінність — що залишається після запитання.
Кожна система має однакові три шари.
Шар 1 — це вихідні документи. Це ваші статті, документи та репозиторії. Модель читає їх. Модель не змінює їх.
Шар 2 — це вікі. Вікі — це markdown. Модель пише всю вікі. Вікі містить підсумки, сторінки для кожної теми та посилання між сторінками.
Шар 3 — це файл схеми. Цей файл повідомляє моделі структуру вікі. Він також повідомляє моделі, які завдання виконувати. Звичайний файл — це CLAUDE.md або AGENTS.md. Цей файл робить модель правильним доглядачем вікі.
Система виконує три операції.
Завантаження: модель читає нове джерело. Потім модель записує дані на кожну відповідну сторінку.
Запит: ви ставите вікі запитання. Ви можете записати хорошу відповідь назад у вікі як нову сторінку.
Перевірка: модель перевіряє вікі. Вона знаходить інформацію, що суперечить. Вона знаходить інформацію, яка занадто стара. Вона знаходить сторінки без посилань.
Чому це працює:
Людські вікі з часом стають неправильними. Причина конкретна. Складна частина — не читати джерела. Складна частина — не мати ідей. Складна частина — це обслуговування.
Обслуговування має такі завдання. Ви повинні виправляти посилання між сторінками. Ви повинні підтримувати підсумки правильними. Ви повинні порівнювати кожен новий документ із наявними сторінками.
Ця робота не припиняється. Робота не дає винагороди. Зайнята команда припиняє цю роботу першою. Тоді вікі стає неправильною. Тоді люди не використовують її.
Модель виконує цю роботу без проблем. Модель не нудьгує. Модель не забуває посилання. Модель може змінити п'ятнадцять файлів за одну операцію.
Ідея стара. Ванневар Буш описав Memex у 1945 році. Memex — це особисте сховище документів із посиланнями між ними. Буш не мав відповіді на обслуговування. Модель — це відповідь.
Звідки походить назва
Прочитайте gist Карпаті безпосередньо. Він точніший, ніж підсумки про нього.
Він пише про звичайний метод: "LLM заново відкриває знання з нуля на кожне запитання. Накопичення немає."
Його метод — компілювати інформацію, а не отримувати її. Тоді "знання компілюються один раз, а потім підтримуються актуальними, а не перевизначаються в кожному запиті". Результат — "постійний, накопичувальний артефакт."
Ви не пишете вікі. Він пише: "Ви ніколи (або рідко) пишете вікі самі, LLM пише та підтримує все це." Він використовує агента та Obsidian разом. Він пише: "Obsidian — це IDE; LLM — програміст; вікі — це кодова база."
Gist вказує обмеження розміру. Багато підсумків не включають це обмеження. Метод без ембедінгів "працює напрочуд добре при помірному масштабі (~100 джерел, ~сотні сторінок) і уникає потреби в інфраструктурі RAG на основі ембедінгів."
Для більшої кількості джерел gist радить додати пошук. Він наводить qmd як приклад. Gist описує qmd як "локальну пошукову систему для markdown-файлів із гібридним BM25/векторним пошуком і реранжируванням за допомогою LLM."
Таким чином, правило стосується розміру. Правило не стосується заміни. Не використовуйте інфраструктуру пошуку, коли набір джерел малий. Додайте пошук, коли набір джерел стає великим.
Що лабораторії насправді побудували
Ось де шаблон перестає бути ідеєю і стає інженерією, і відмінності між реалізаціями є корисною частиною.
Cognition: DeepWiki, вікі як публічна утиліта
Cognition застосували метод до публічних репозиторіїв на GitHub. Замініть github.com на deepwiki.com в URL публічного репозиторію. Ви отримаєте вікі для цієї кодової бази. Вікі має архітектурний підсумок, індекс файлів, граф залежностей і пошук. Вікі має посилання на джерело (Cognition).
Більше 50 000 найбільших публічних репозиторіїв мають вікі. Список включає MCP і LangChain.
Другий пункт більш важливий. Вікі — це не продукт. Вікі — це інфраструктура пошуку для агента. Devin використовує вікі, щоб знайти відповідний код у кодовій базі. Таким чином, DeepWiki — це компільований шар нижче пошуку коду в Devin (Devin Docs).
Factory: AutoWiki, документація як артефакт збірки
Factory застосували метод до безперервної інтеграції. Factory пишуть, що документація має бути артефактом збірки, а не окремим проектом. Документація походить із джерела. Вона має структуру кодової бази. Вона змінюється, коли змінюється репозиторій (Factory).
Метод створення вікі має два проходи. Прохід 1 — структурне сканування. Воно читає файл README, маніфести пакетів, конфігурацію CI та точки входу. Прохід 2 — семантичне сканування. Воно читає маршрути, кінцеві точки API, класи сервісів, схеми бази даних і прапорці функцій.
Factory розподіляють роботу між спеціалізованими агентами. Кожен агент отримує одну частину репозиторію. Кожен агент отримує достатньо контексту, щоб написати одну хорошу сторінку. Цей метод запобігає відомій проблемі: один агент сам пише погану документацію для великого репозиторію.
Factory підтримують вікі правильною за допомогою інфраструктури, а не дисципліни. Команда /wiki створює вікі заново. Команда /install-wiki записує робочий процес CI. Цей робочий процес створює вікі заново при кожному пуші в гілку за замовчуванням. Для GitHub вікі потрапляє на вкладку wiki репозиторію (Factory Docs).
LangChain: OpenWiki, і стрибок від коду до всього
LangChain випустили OpenWiki як програмне забезпечення з відкритим кодом. OpenWiki — це інструмент CLI. Він пише та підтримує документацію агента для кодової бази. Потім LangChain випустили OpenWiki Brains, який має два режими. Code Brain — перший режим, для репозиторію. Personal Brain — другий режим, для ваших власних джерел (LangChain).
Personal Brain — це важлива зміна. Він читає дані з Gmail, Notion, git-репозиторіїв, X, Hacker News та веб-пошуку. Він записує всі ці дані в одну локальну markdown-вікі. Агент читає цю вікі. Метод змінився з документації репозиторію на документацію вашої роботи.
Кожна команда прийняла однакове рішення щодо виводу. Вивід — це не текст для читання людиною. Вивід — це структурований markdown для контексту LLM. Він має заголовки, посилання між сторінками та підсумки. Структура дозволяє агенту швидко знайти відповідну інформацію. Читач вікі — це модель.
GBrain: версія з відкритим кодом для особистого масштабу
GBrain застосовує метод до особистого сховища знань, а не до кодової бази. GBrain використовує markdown у git-репозиторії. Він має файл схеми. Він автоматично створює граф посилань між темами.
GBrain показує, що метод потребує дуже мало інфраструктури. Він не має векторної бази даних. Він не має сервісу. Він має файли. Модель підтримує файли. Людина може читати файли.
Матриця технік
Чотири системи мають однакову структуру. Вони використовують markdown у git. Вони використовують файл схеми. Вони компілюють під час завантаження. Вони створюють вікі заново, коли змінюються джерела. Вони пишуть сторінки для читання агентом. Чотири команди вирішили чотири різні проблеми та створили однакову структуру. Ця згода є хорошим доказом того, що структура правильна.
Системи відрізняються в обслуговуванні. Factory робить обслуговування в CI. Інші три системи роблять обслуговування, коли людина запускає команду. Таким чином, їхні вікі є правильними лише настільки, наскільки правильною була остання команда.
Де це зупиняється
Обмеження 1 — розмір. Карпаті вказує це обмеження. Метод без ембедінгів правильний для приблизно 100 джерел. Для більшої кількості сторінок ви повинні додати пошукову систему. Gist радить використовувати пошук BM25 та векторний пошук разом.
Обмеження 2 — точність. Модель компілює інформацію під час завантаження. Ранній підсумок може видалити деталь із джерела. Кожна наступна відповідь має цю помилку. Пошук із необроблених частин не має цієї проблеми. Ви обмінюєте вартість повторної роботи на ризик втрати даних.
Обмеження 3 — стара інформація. Сторінка правильна лише настільки, наскільки правильним було останнє оновлення. Це причина, чому метод Factory важливий. Неправильна вікі гірша, ніж відсутність вікі. Неправильна інформація має формат правильної інформації.
Обмеження 4 — вартість. Ви платите токени за створення сторінок. Ви можете створювати сторінки, які ніхто не читає. Ви також платите токени за перевірку сторінок, які не змінилися.
Вікі — це не пам'ять
Є одна відмінність, яку ви повинні знати. Слова в цій галузі ще не точні.
Багато людей називають ці системи пам'яттю. LangChain називає OpenWiki шаром пам'яті вікі для AI-агентів. Інші люди кажуть, що вікі дає пам'ять агенту. Слово пам'ять має два різні значення тут.
Перше значення — знання набору документів. Вікі робить це. Вона компілює дані у ваших документах, вашому репозиторії або Gmail. Вона розповідає вам, що містять документи.
Друге значення — пам'ять користувача. Це інші дані. Вона включає вподобання людини. Вона включає рішення людини. Вона включає методи, які команда відхилила. Вона включає результат, коли агент спробував метод в іншій програмі.
Пам'ять користувача має іншу структуру. Вона пов'язана з людиною, а не з набором документів. Вона походить від взаємодії, а не від завантаження. Вона також повинна виконувати ці завдання для кожного користувача: виправляти інформацію, що суперечить, видаляти інформацію, яка занадто стара, зберігати джерело кожного елемента та видаляти дані за запитом.
Вікі правильно виконує перше завдання. Вікі не виконує другого завдання. Ваша Gmail-вікі розповідає агенту, що є у вашому Gmail. Вона не розповідає агенту, що ви змінили рішення в розмові у вівторок. Вона не розповідає агенту, що метод уже не спрацював для вас.
Шар пам'яті виконує друге завдання. Mem0 є прикладом. Він зберігає кожну пам'ять із user_id. Таким чином, пам'ять переміщується з людиною між сеансами, програмами та агентами. Він змінює факт на місці, коли факт змінюється. Він не додає новий запис щоразу.
Дві системи не є альтернативами. Використовуйте обидві. Помилка — не використовувати вікі. Помилка — думати, що вікі дає вам пам'ять користувача.
Підсумок
Ідея в агентських вікі правильна. Скомпілюйте знання один раз. Потім підтримуйте їх правильними. Не будуйте їх заново для кожного запитання. Обслуговування зупинило людські вікі, а модель виконує обслуговування безкоштовно. Чотири команди побудували однакову структуру за кілька місяців. Це вагоме свідчення.
Зробіть ці три речі. Компілюйте свої документи на сторінки, коли набір документів стабільний і ви часто його читаєте. Додайте пошук, коли набір документів стає великим, як радить gist. Пам'ятайте про різницю між знанням набору документів і пам'яттю користувача. Вікі дає вам перше. Вікі не дає вам другого.
In Context #17
Цей блог є частиною In Context, серії блогів @mem0ai, яка висвітлює пам'ять AI-агентів та інженерію контексту.
Mem0 — це інтелектуальний, відкритий шар пам'яті, призначений для LLM та AI-агентів, щоб забезпечувати довгострокові, персоналізовані та контекстно-залежні взаємодії між сеансами.
- Отримайте безкоштовний API-ключ тут: app.mem0.ai
- або самостійно розгорніть mem0 із нашого репозиторію з відкритим кодом на GitHub
Посилання
- Andrej Karpathy, LLM Wiki (GitHub Gist, April 2026)
- qmd: local hybrid BM25/vector search for markdown
- Cognition, DeepWiki: AI docs for any repo
- Devin Docs, DeepWiki
- Factory, Introducing AutoWiki
- Factory Documentation, AutoWiki overview
- langchain-ai/openwiki (GitHub)
- LangChain, Wiki Memory
- garrytan/gbrain (GitHub)
- Vannevar Bush, As We May Think (The Atlantic, 1945)
- Mem0
