Tổng quan về Agent Wikis

Vào tháng 4 năm 2026, Andrej Karpathy đã viết một GitHub Gist. Trong đó, anh ấy mô tả một phương pháp. Anh ấy gọi phương pháp đó là LLM Wiki.

Bốn nhóm sau đó đã xây dựng cùng một thứ. Cognition xây dựng DeepWiki. Factory xây dựng AutoWiki. LangChain phát hành OpenWiki. Garry Tan phát hành GBrain.

Phương pháp này giống nhau ở cả bốn hệ thống. Một LLM đọc tài liệu nguồn của bạn một lần. Nó ghi thông tin vào các trang markdown. Nó giữ cho các trang luôn đúng khi các nguồn thay đổi. Agent đọc các trang này. Agent không đọc lại tài liệu nguồn cho mỗi câu hỏi.

Mọi người gọi các hệ thống này là agent wiki. Bài viết này cho bạn biết chúng là gì. Nó cho bạn biết mỗi nhóm đã xây dựng gì. Nó cho bạn biết các giới hạn của phương pháp. Nó cũng cho bạn biết một điểm khác biệt quan trọng mà nhiều người bỏ lỡ.

Ý tưởng: biên dịch khi nhập vào, không phải khi truy vấn

Phương pháp thông thường để cung cấp cho một mô hình một tập hợp lớn tài liệu là truy xuất (retrieval). Bạn đưa các tài liệu vào một cơ sở dữ liệu. Bạn chia các tài liệu thành các phần. Bạn tạo embedding cho các phần. Với mỗi câu hỏi, hệ thống tìm các phần liên quan.

Phương pháp này hoạt động. Nhưng nó cũng có một vấn đề. Hệ thống không lưu giữ kết quả. Nó xây dựng từng câu trả lời từ các phần thô một lần nữa. Câu trả lời thứ mười không tốt hơn câu trả lời đầu tiên. Bạn phải trả chi phí cho công việc đó mười lần.

Một agent wiki di chuyển chi phí này. Mô hình thực hiện công việc một lần, khi nó đọc nguồn. Nó ghi kết quả vào các trang. Các trang vẫn tồn tại.

Mô hình thực hiện các bước này khi có một nguồn mới. Nó đọc nguồn. Nó thay đổi các trang liên quan. Nó sửa các bản tóm tắt. Nó đánh dấu thông tin mâu thuẫn với các trang.

Cả hai phương pháp đều đúng. Chúng khác nhau ở hai điểm. Điểm khác biệt đầu tiên là khi bạn trả chi phí. Điểm khác biệt thứ hai là những gì còn lại sau câu hỏi.

Mỗi hệ thống có ba lớp giống nhau.

Lớp 1 là các tài liệu nguồn. Đây là các bài viết, bài báo và kho lưu trữ của bạn. Mô hình đọc chúng. Mô hình không thay đổi chúng.

Lớp 2 là wiki. Wiki là markdown. Mô hình viết tất cả wiki. Wiki chứa các bản tóm tắt, các trang cho mỗi chủ đề và các liên kết giữa các trang.

Lớp 3 là tệp lược đồ (schema file). Tệp này cho mô hình biết cấu trúc của wiki. Nó cũng cho mô hình biết các nhiệm vụ cần thực hiện. Tệp thông thường là CLAUDE.md hoặc AGENTS.md. Tệp này biến mô hình thành một người bảo trì wiki chính xác.

Hệ thống thực hiện ba thao tác.

Nhập vào (Ingest): mô hình đọc một nguồn mới. Sau đó mô hình ghi dữ liệu vào từng trang liên quan.

Truy vấn (Query): bạn đặt câu hỏi cho wiki. Bạn có thể viết một câu trả lời tốt trở lại vào wiki như một trang mới.

Kiểm tra (Lint): mô hình kiểm tra wiki. Nó tìm thông tin mâu thuẫn. Nó tìm thông tin quá cũ. Nó tìm các trang không có liên kết.

Tại sao nó hoạt động:

Wiki của con người trở nên không chính xác theo thời gian. Nguyên nhân cụ thể. Phần khó không phải là đọc các nguồn. Phần khó không phải là có ý tưởng. Phần khó là việc bảo trì.

Việc bảo trì có các nhiệm vụ sau. Bạn phải sửa các liên kết giữa các trang. Bạn phải giữ các bản tóm tắt chính xác. Bạn phải so sánh từng tài liệu mới với các trang đã tồn tại.

Công việc này không dừng lại. Công việc không mang lại phần thưởng. Một nhóm bận rộn sẽ dừng công việc này trước tiên. Sau đó wiki trở nên không chính xác. Sau đó mọi người không sử dụng nó.

Một mô hình thực hiện công việc này mà không gặp vấn đề gì. Mô hình không trở nên chán nản. Mô hình không quên một liên kết. Mô hình có thể thay đổi mười lăm tệp trong một thao tác.

Ý tưởng này đã cũ. Vannevar Bush đã mô tả Memex vào năm 1945. Memex là một kho lưu trữ cá nhân các tài liệu với các liên kết giữa chúng. Bush không có câu trả lời cho việc bảo trì. Mô hình là câu trả lời.

Nguồn gốc tên gọi

Hãy đọc trực tiếp Gist của Karpathy. Nó chính xác hơn các bản tóm tắt về nó.

Anh ấy viết điều này về phương pháp thông thường: "LLM đang khám phá lại kiến thức từ đầu cho mỗi câu hỏi. Không có sự tích lũy."

Phương pháp của anh ấy là biên dịch thông tin, chứ không phải truy xuất nó. Sau đó "kiến thức được biên dịch một lần và sau đó được cập nhật, không phải được tái tạo lại trên mỗi truy vấn." Kết quả là "một tạo phẩm bền vững, tích lũy."

Bạn không viết wiki. Anh ấy viết: "Bạn không bao giờ (hoặc hiếm khi) tự viết wiki, LLM viết và bảo trì tất cả." Anh ấy sử dụng agent và Obsidian cùng nhau. Anh ấy viết: "Obsidian là IDE; LLM là lập trình viên; wiki là codebase."

Gist đưa ra một giới hạn về kích thước. Nhiều bản tóm tắt không bao gồm giới hạn này. Phương pháp không có embedding "hoạt động đáng ngạc nhiên tốt ở quy mô vừa phải (~100 nguồn, ~hàng trăm trang) và tránh nhu cầu về cơ sở hạ tầng RAG dựa trên embedding."

Đối với nhiều nguồn hơn, Gist bảo bạn thêm tìm kiếm. Nó đưa ra qmd làm ví dụ. Gist mô tả qmd là "một công cụ tìm kiếm cục bộ cho các tệp markdown với tìm kiếm kết hợp BM25/vector và xếp hạng lại LLM."

Do đó, quy tắc là về kích thước. Quy tắc không phải là thay thế. Đừng sử dụng cơ sở hạ tầng truy xuất khi tập hợp nguồn nhỏ. Hãy thêm truy xuất khi tập hợp nguồn trở nên lớn.

Các phòng thí nghiệm thực sự đã xây dựng gì

Đây là nơi mô hình không còn là ý tưởng và trở thành kỹ thuật, và sự khác biệt giữa các triển khai là phần hữu ích.

Cognition: DeepWiki, wiki như một tiện ích công cộng

Cognition đã áp dụng phương pháp này cho các kho lưu trữ công khai trên GitHub. Thay thế github.com bằng deepwiki.com trong URL của một kho lưu trữ công khai. Sau đó bạn nhận được một wiki cho codebase đó. Wiki có một bản tóm tắt kiến trúc, một chỉ mục tệp, một biểu đồ phụ thuộc và tìm kiếm. Wiki có các liên kết đến nguồn (Cognition).

Hơn 50.000 kho lưu trữ công khai lớn nhất có một wiki. Danh sách bao gồm MCP và LangChain.

Điểm thứ hai quan trọng hơn. Wiki không phải là sản phẩm. Wiki là cơ sở hạ tầng truy xuất cho agent. Devin sử dụng wiki để tìm mã liên quan trong một codebase. DeepWiki do đó là lớp biên dịch bên dưới tìm kiếm mã trong Devin (Devin Docs).

Factory: AutoWiki, tài liệu như một tạo phẩm xây dựng

Factory đã áp dụng phương pháp này vào tích hợp liên tục. Factory viết rằng tài liệu phải là một tạo phẩm xây dựng, chứ không phải một dự án riêng biệt. Tài liệu đến từ nguồn. Nó có cấu trúc của codebase. Nó thay đổi khi kho lưu trữ thay đổi (Factory).

Phương pháp tạo wiki có hai lần chạy. Lần 1 là quét cấu trúc. Nó đọc tệp README, các manifest gói, cấu hình CI và các điểm vào. Lần 2 là quét ngữ nghĩa. Nó đọc các route, các endpoint API, các lớp dịch vụ, các lược đồ cơ sở dữ liệu và các cờ tính năng.

Factory chia công việc giữa các agent chuyên biệt. Mỗi agent nhận một phần của kho lưu trữ. Mỗi agent có đủ ngữ cảnh để viết một trang tốt. Phương pháp này ngăn chặn một vấn đề đã biết: một agent duy nhất viết tài liệu kém cho một kho lưu trữ lớn.

Factory giữ wiki chính xác bằng cơ sở hạ tầng, chứ không phải bằng kỷ luật. Lệnh /wiki tạo lại wiki. Lệnh /install-wiki viết một workflow CI. Workflow này tạo lại wiki tại mỗi lần push lên nhánh mặc định. Đối với GitHub, wiki đi vào tab wiki của kho lưu trữ (Factory Docs).

LangChain: OpenWiki, và bước nhảy từ code sang mọi thứ

LangChain đã phát hành OpenWiki dưới dạng phần mềm mã nguồn mở. OpenWiki là một công cụ CLI. Nó viết và duy trì tài liệu agent cho một codebase. LangChain sau đó phát hành OpenWiki Brains, có hai chế độ. Code Brain là chế độ đầu tiên, dành cho một kho lưu trữ. Personal Brain là chế độ thứ hai, dành cho các nguồn của riêng bạn (LangChain).

Personal Brain là sự thay đổi quan trọng. Nó đọc dữ liệu từ Gmail, Notion, các kho lưu trữ git, X, Hacker News và tìm kiếm web. Nó viết tất cả dữ liệu này vào một wiki markdown cục bộ. Agent đọc wiki này. Phương pháp đã thay đổi từ tài liệu của một kho lưu trữ sang tài liệu về công việc của bạn.

Mỗi nhóm đã đưa ra cùng một quyết định về đầu ra. Đầu ra không phải là văn bản để một người đọc. Đầu ra là markdown có cấu trúc cho ngữ cảnh LLM. Nó có tiêu đề, liên kết giữa các trang và bản tóm tắt. Cấu trúc cho phép một agent tìm thông tin liên quan một cách nhanh chóng. Người đọc wiki là một mô hình.

GBrain: phiên bản mã nguồn mở quy mô cá nhân

GBrain áp dụng phương pháp này vào một kho lưu trữ kiến thức cá nhân, chứ không phải một codebase. GBrain sử dụng markdown trong một kho lưu trữ git. Nó có một tệp lược đồ. Nó tự động tạo một biểu đồ các liên kết giữa các chủ đề.

GBrain cho thấy phương pháp này cần rất ít cơ sở hạ tầng. Nó không có cơ sở dữ liệu vector. Nó không có dịch vụ. Nó có các tệp. Một mô hình duy trì các tệp. Một người có thể đọc các tệp.

Ma trận kỹ thuật

Bốn hệ thống có cùng cấu trúc. Chúng sử dụng markdown trong git. Chúng sử dụng một tệp lược đồ. Chúng biên dịch khi nhập vào. Chúng tạo lại wiki khi các nguồn thay đổi. Chúng viết các trang cho một agent đọc. Bốn nhóm đã giải quyết bốn vấn đề khác nhau và tạo ra cùng một cấu trúc. Sự đồng thuận này là bằng chứng tốt cho thấy cấu trúc là đúng.

Các hệ thống khác nhau về bảo trì. Factory thực hiện bảo trì trong CI. Ba hệ thống còn lại thực hiện bảo trì khi một người chạy lệnh. Do đó, wiki của họ chỉ chính xác bằng lệnh cuối cùng.

Nơi nó dừng lại

Giới hạn 1 là kích thước. Karpathy đưa ra giới hạn này. Phương pháp không có embedding là chính xác cho khoảng 100 nguồn. Đối với nhiều trang hơn, bạn phải thêm một công cụ tìm kiếm. Gist bảo bạn sử dụng tìm kiếm BM25 và tìm kiếm vector cùng nhau.

Giới hạn 2 là độ chính xác. Mô hình biên dịch thông tin khi nhập vào. Một bản tóm tắt sớm có thể loại bỏ một chi tiết khỏi nguồn. Mỗi câu trả lời sau đó đều có lỗi này. Truy xuất từ các phần thô không có vấn đề này. Bạn đánh đổi chi phí của công việc lặp lại với rủi ro mất dữ liệu.

Giới hạn 3 là thông tin cũ. Một trang chỉ chính xác bằng lần cập nhật cuối cùng. Đây là lý do tại sao phương pháp của Factory lại quan trọng. Một wiki không chính xác còn tệ hơn không có wiki. Thông tin không chính xác có định dạng của thông tin chính xác.

Giới hạn 4 là chi phí. Bạn trả token để tạo trang. Bạn có thể tạo các trang mà không ai đọc. Bạn cũng trả token để kiểm tra các trang không thay đổi.

Wiki không phải là bộ nhớ

Có một điểm khác biệt mà bạn phải biết. Các từ ngữ trong lĩnh vực này vẫn chưa chính xác.

Nhiều người gọi các hệ thống này là bộ nhớ. LangChain gọi OpenWiki là một lớp bộ nhớ wiki cho các agent AI. Những người khác nói rằng một wiki cung cấp bộ nhớ cho một agent. Từ "bộ nhớ" có hai nghĩa khác nhau ở đây.

Nghĩa thứ nhất là kiến thức về một tập hợp tài liệu. Một wiki làm điều này. Nó biên dịch dữ liệu trong tài liệu, kho lưu trữ hoặc Gmail của bạn. Nó cho bạn biết các tài liệu chứa gì.

Nghĩa thứ hai là bộ nhớ về một người dùng. Đây là dữ liệu khác. Nó bao gồm sở thích của một người. Nó bao gồm các quyết định của một người. Nó bao gồm các phương pháp mà một nhóm đã từ chối. Nó bao gồm kết quả khi một agent đã thử một phương pháp trong một ứng dụng khác.

Bộ nhớ về một người dùng có cấu trúc khác. Nó liên quan đến một người, chứ không phải một tập hợp tài liệu. Nó đến từ tương tác, chứ không phải từ nhập vào. Nó cũng phải làm các nhiệm vụ sau cho mỗi người dùng: sửa thông tin mâu thuẫn, xóa thông tin quá cũ, giữ nguồn của mỗi mục và xóa dữ liệu theo yêu cầu.

Một wiki thực hiện nhiệm vụ đầu tiên một cách chính xác. Một wiki không làm nhiệm vụ thứ hai. Wiki Gmail của bạn cho agent biết những gì trong Gmail của bạn. Nó không cho agent biết rằng bạn đã thay đổi một quyết định trong một cuộc trò chuyện vào thứ Ba. Nó không cho agent biết rằng một phương pháp đã từng thất bại với bạn.

Một lớp bộ nhớ thực hiện nhiệm vụ thứ hai. Mem0 là một ví dụ. Nó lưu giữ mỗi bộ nhớ với một user_id. Do đó, bộ nhớ di chuyển cùng với người dùng giữa các phiên, ứng dụng và agent. Nó thay đổi một sự kiện tại vị trí khi sự kiện thay đổi. Nó không thêm một bản ghi mới mỗi lần.

Hai hệ thống này không phải là sự thay thế. Sử dụng cả hai. Sai lầm không phải là không sử dụng wiki. Sai lầm là nghĩ rằng một wiki cung cấp cho bạn bộ nhớ về một người dùng.

Tóm tắt

Ý tưởng trong agent wiki là đúng. Biên dịch kiến thức một lần. Sau đó giữ nó chính xác. Đừng xây dựng lại nó cho mỗi câu hỏi. Việc bảo trì đã ngăn chặn wiki của con người, và một mô hình thực hiện việc bảo trì mà không tốn chi phí. Bốn nhóm đã xây dựng cùng một cấu trúc trong vài tháng. Đây là bằng chứng mạnh mẽ.

Hãy làm ba điều này. Biên dịch tài liệu của bạn thành các trang khi tập hợp tài liệu ổn định và bạn đọc nó thường xuyên. Thêm truy xuất khi tập hợp tài liệu trở nên lớn, như Gist bảo bạn. Giữ sự khác biệt giữa kiến thức về một tập hợp tài liệu và bộ nhớ về một người dùng. Một wiki cung cấp cho bạn điều thứ nhất. Một wiki không cung cấp cho bạn điều thứ hai.

In Context #17

Blog này là một phần của In Context, một loạt blog của @mem0ai bao gồm bộ nhớ AI Agent và kỹ thuật ngữ cảnh.

Mem0 là một lớp bộ nhớ thông minh, mã nguồn mở được thiết kế cho LLM và các agent AI để cung cấp các tương tác dài hạn, cá nhân hóa và nhận biết ngữ cảnh qua nhiều phiên.

• Nhận khóa API miễn phí của bạn tại đây: app.mem0.ai
• Hoặc tự host mem0 từ kho lưu trữ mã nguồn mở của chúng tôi

Tài liệu tham khảo

• Andrej Karpathy, LLM Wiki (GitHub Gist, tháng 4 năm 2026)
• qmd: tìm kiếm kết hợp BM25/vector cục bộ cho markdown
• Cognition, DeepWiki: Tài liệu AI cho mọi kho lưu trữ
• Devin Docs, DeepWiki
• Factory, Giới thiệu AutoWiki
• Tài liệu Factory, Tổng quan AutoWiki
• langchain-ai/openwiki (GitHub)
• LangChain, Bộ nhớ Wiki
• garrytan/gbrain (GitHub)
• Vannevar Bush, As We May Think (The Atlantic, 1945)
• Mem0