LLM Wikis are being slept on. I argue that creating knowledge bases with LLMs or coding agents is o...

elvis on X: "LLM Wikis are being slept on. I argue that creating knowledge bases with LLMs or coding agents is one of the most valuable applications of AI today. It's about being intentional in building and scaling your intelligence stack. To showcase this, I wanted to share an LLM Wiki I https://t.co/aPdE8RNGqS" / X

elvis

@omarsar0

LLM Wikis被忽视了。我认为，使用大语言模型（LLM）或编码代理创建知识库是当今AI最有价值的应用之一。这关乎在构建和扩展你的智能堆栈时要有明确的规划。为了展示这一点，我想分享一个我过去几个月构建的LLM Wiki。它叫做PaperWiki，我将其用于所有研究工作流程，以及我的研究代理。事实上，我也用它来整理我与社区、通讯和X上分享的论文。PaperWiki通过自动化定期更新，因此我基本上让代理在循环中维护它。所有条目都从不同来源获取并存储在保险库（Obsidian）中，然后通过qmd进一步索引，并以HTML制品形式呈现。因此，所有内容都易于被我的代理访问，并可通过全文搜索和丰富的语义搜索轻松检索。该Wiki的结构已被证明对与研究代理一起启动有趣且激动人心的前沿研究项目非常有用（从构建更小、更高效的GPT/扩散LLM到构建最先进的框架和记忆系统）。事实证明，代理喜欢Markdown文件，并且由于Wiki的丰富元数据结构，代理可以更轻松地导航论文。我刚开始探索这个方向，但很明显，我们都应该尝试使用LLM Wiki。原因如下：构建LLM知识库能让你养成以各种创造性方式利用AI输出的习惯。这是我们每个人都应该追求的“tokenmaxxing”（最大化利用）。LLM Wiki可以自动循环维护。我使用一个自动化工具每天更新Wiki，基于我整理的论文。整理本身是另一个循环运行的自动化（带有人工干预），因此我可以基于所有先前的知识和经验进行构建，而随着集成层的加深，所有内容都会产生复利效应。这个过程的一个有趣结果是，我觉得自己能更轻松地识别高质量论文并去除噪音。社交媒体永远无法解决这个问题。大多数论文聚合器使用的指标是我根本无法信任的。我喜欢代理能帮助解决噪音与信号的问题。这对研究非常重要。许多人认为代理主要产生低质量内容，但事实并非如此。通过精心的整理、提示、自动化、验证器和人工干预，可以产生令人惊叹的结果。而且你并不需要前沿模型来实现这一点。我使用前沿模型（opus-4.8）和开源权重模型（deepseek-v4-flash）的组合来维护这个系统。一个令人兴奋的未来工作（我们正在研究）是基于此微调专用模型，使LLM能够快速理解前沿研究思想，并更好地构想进一步加速科学研究代理的研究策略。我计划开源大量相关工作，包括制品，但目前仍在进行中，我很高兴在继续工作的同时分享一些想法。随着进展我会继续分享更多内容，敬请期待！

00:00

5:35 PM · Jul 2, 2026

27.9K

Views

2

22

9

1

5

/ X

195

3

0

330

阅读 22 条回复 /think