知识即代码：当AI学会编译而不是检索

一句罕见的话

9月2日，Meta 工程博客发布了一篇题为《An Organizational Second Brain: Building an AI That Learns From Experts》的文章。在讲述自家面向合规领域的专家 Agent 时，文章里出现了大厂博客中极为罕见的一句话：

“The industry has converged on a similar idea."（行业已经收敛于同一个想法。）

这句话后面并列引用了两个来源：Andrej Karpathy 今年 4 月发布的 LLM Wiki，以及 Google 的 Open Knowledge Format。一家大厂在自家产品发布稿里承认"整个行业都想到了同一件事”，这本身就值得注意——更值得注意的是，这个判断是对的。

把三个信源并排放着看：

• 2026年4月，Karpathy 发布 LLM Wiki 模式：用 LLM 增量构建并维护一个持久的个人知识 wiki，相关推文获得 8.8 万收藏；
• 近期，Google 推出 Open Knowledge Format，试图把"结构化知识文件"标准化为跨 Agent 互操作的格式；
• 9月2日，Meta 公开其企业级"组织第二脑"：200 多个知识文件组成严格分类体系，专家纠错被自动化"编译"为经验证的文件编辑，无需重训模型。

三个人（家公司）、三个层面（个人、互操作、企业）、互相没有协调，却收敛到同一个结构性判断：知识应该在推理之前被离线编译成显式、可审计、可回归测试的文件，而不是在每次查询时从文档块里现场检索、现场推导。

这不是巧合，是范式转移的信号。这篇文章想拆解的是：驱动力是什么，改变了什么，以及为什么说它的本质是软件工程对知识管理的吞并。

RAG 的原罪：每次都在重新发明轮子

Karpathy 在 LLM Wiki 开篇对 RAG 的诊断，可能是过去一年里最精准的一段话：

“LLM 在每一个问题上都在从零开始重新发现知识。没有积累。问一个需要综合五份文档的微妙问题，LLM 每次都得找到相关片段再拼起来。什么也没有沉淀下来。”

NotebookLM、ChatGPT 文件上传、绝大多数企业 RAG 系统，都是这个工作方式。它在"帮我总结这份 PDF"的场景下够用，但存在三个无法通过调参解决的先天缺陷：

第一，没有复利。 上周问过的复杂问题，这周换个措辞再问，系统重新检索、重新综合、重新给出一个可能略有不同的答案。知识没有以任何形式沉淀，每次推理都是一次性劳动。

第二，不一致。 企业场景里这是致命的。Meta 在文章里说得很直白：合规领域，同类问题会出现在数百次产品评审中，专家手工调研需要数天，而评估结果的不一致本身就构成组织风险。一个每次都"现场发挥"的系统，永远无法承担这种需要立场的判断。

第三，不可审计。 嵌入检索是概率性的：这次召回了文档 A 的第三段，下次可能召回文档 B 的第五段。你无法回答"这个结论是基于哪条组织立场得出的"——因为它可能根本不基于任何立场，只是相似度匹配的副产品。

Meta 把这个问题提炼得更抽象：组织文档堆积如山，但真正的知识是隐式的——专家如何推理、优先考虑什么、如何消解歧义。一个在推理时检索文档块的 Agent，每次运行都要从原始材料重新推导出这套推理方式。慢、易错、不一致。

三个系统的答案也是同一个：把隐式知识提前变成显式结构。

三个系统，一个蓝图

Karpathy 的 LLM Wiki：个人层面

三层架构：raw sources（不可变的原始来源）、wiki（LLM 全权生成和维护的 markdown 文件集）、schema（一份约定文件，即 CLAUDE.md 或 AGENTS.md，定义 wiki 的结构和纪律）。

三个核心操作：Ingest（加入新来源时，LLM 读完后更新摘要页、实体页、概念页和索引——一个来源可能牵动 10-15 个页面）、Query（对 wiki 提问，且好的答案会被归档回 wiki，让探索也复利）、Lint（定期让 LLM 体检：找矛盾、找过时论断、找孤儿页面、补缺失交叉引用）。

两个细节值得注意。一是 index.md + log.md 就能撑起中等规模（约 100 个来源、数百个页面），完全不需要 embedding 基础设施——确定性目录导航替代了概率性向量检索。二是 Karpathy 给出的哲学定位：“Obsidian 是 IDE，LLM 是程序员，wiki 是代码库。”

Meta 的组织第二脑：企业层面

Meta 把这个思路推到了工程极限。四层架构：结构化知识系统 + 镜像专家推理的 recipe 层 + 评估门控 + 自改进循环。几个设计决策的信息量很大：

知识文件有严格类型学。 200 多个文件被分为四类：position 文件（组织在某问题上的权威立场及适用边界）、taxonomy/vocabulary 文件（术语的唯一真源）、routing index（把输入特征确定性映射到相关立场，不依赖 embedding 相似度）、gateway 文件（进入分析域前必须通过的阈值测试）。每个文件的 YAML frontmatter 声明 depends_on 和 referenced_by，构成一张双向依赖图——某个文件变更时，你能精确追踪还有什么会受影响。

知道什么和怎么想，物理分离。 知识文件是声明式的（只陈述立场，不含流程），recipe 是命令式的（规定多步分析流程，不含领域事实）。新增一条组织立场，只需加一个知识文件、改一个路由索引，recipe 不动；修方法论的缺陷，只改 recipe，知识不动。失败归因因此变得干净：错在知识还是错在流程，一眼可辨。

渐进披露带来 80% 的 token 削减。 早期版本用单一平面指令文件加语义搜索，每次运行把大量相关性混杂的文件拉进上下文；重构为 recipe 驱动的分阶段加载后，每次查询只触碰一小撮精准文件，单轮 token 消耗降低约 80%。上下文窗口有限、注意力随体积衰减——在正确的时机交付正确的指令，直接提升推理质量。

自改进是个编译问题。 专家纠错走四阶段流水线：诊断（用归因测试定位根因：材料里有答案但 Agent 错了是 recipe 问题，材料里没答案是知识缺口，专家自己分歧则标记歧义上交人类）→ 编译（多 Agent 并行生成最小编辑，独立上下文的对抗审查 Agent 只看 diff 专挑矛盾，确定性 linter 抓悬空引用、依赖环、体积超标）→ 验证（Agent 不知道自己在被测的重放测试 + 全量回归测试）→ 落地（以带完整审计轨迹的 PR 形式交给专家审查）。

关键是最后一步：每个被修复的场景会自动进入回归测试套件。从此任何未来的知识变更都必须保持这个刚被纠正的行为——修复是永久的。结果：六个周三个 sprint，单项评估从数天降到分钟级，改进循环零回归。

Google 的 Open Knowledge Format：互操作层面

如果知识被编译成结构化文件是各家私有的内部格式，价值有限。Google 的 Open Knowledge Format 做的是标准化：让一份知识文件能被不同 Agent 消费——知识第一次获得了跨系统流通的容器格式。

深层模式：软件工程吞并知识管理

把三个系统放在一起，会发现一个更深的结构：这不是 AI 圈发明了新东西，而是软件工程五十年积累的工具箱整体搬进了知识管理。

这个对照表解释了为什么三个独立信源会收敛：一旦你接受"知识 = 可维护的文件集"这个前提，后续的最优解几乎是唯一确定的——你会自然而然需要依赖管理、需要回归测试、需要审查流程，因为这些都是软件工程在"如何维护一个持续演进的复杂 artifact"问题上已经付过学费的答案。Karpathy 甚至直接把类比说破了：wiki 是代码库，LLM 是程序员。

两个底层转变值得单独指出：

知识的单位从向量变成了文件。 嵌入向量是不可读、不可编辑、不可审计的；markdown 文件人人可读、可 diff、可审查。这个转变把知识管理从"调参问题"变成了"工程问题"。

检索从概率变成了确定性。 Meta 的 routing index 明确写着"不依赖 embedding 相似度"，Karpathy 的 index.md 在数百页规模下直接替代向量检索。概率检索没有被消灭，而是被降级到了它该在的位置（后文详述）。

而解锁这一切的钥匙，是 Karpathy 那句最被低估的洞察：人类放弃 wiki，是因为维护成本的增长快于价值；LLM 把维护成本压到了近零。 软件工程的工具箱一直都在，Vannevar Bush 1945 年就在 Memex 里设想过私人知识库与关联轨迹——他没能解决的从来不是愿景，而是"谁来做维护"。现在有人做了。

RAG 没有死，而是被降级

需要澄清一个容易被误读的点：这不是"RAG 已死"的故事。Meta 自己给出了精确的架构切分，依据是两个维度——信息密度 × 使用频率：

• 高密度、几乎每轮都要用的（组织立场、决策框架、边界案例）→ 进 wiki，走确定性路由；
• 稀疏、情境性强的（具体产品规格、历史决策记录、小众外部资料）→ 留给 RAG，按需语义检索。

熟悉体系结构的人会立刻认出这个模式：这就是存储层级。wiki 是 L1 缓存，RAG 是磁盘。上层小而快、一致、被反复验证；下层大而全、慢一点、按需加载。把所有东西塞进缓存会让注意力稀释（Meta 早期版本的教训），全部走磁盘则慢且不稳（纯 RAG 的现状）。

所以准确的表述是：RAG 从主角降级为补充检索层，架构重心从"检索时推导"移到了"编译时沉淀"。 这对 RAG 基础设施厂商不是好消息——当知识的高频核心被编译进文件层，向量数据库的调用频次和不可替代性都会被压缩。

对从业者的三个实际影响

第一，知识架构正在变成一个真实的工程岗位。 schema 文件（Karpathy 版本里的 CLAUDE.md / AGENTS.md，Meta 版本里的文件类型学 + 路由索引）是新系统的核心资产。设计知识文件的分类学、维护依赖图的健康度、编写回归测试集——这些技能组合今天几乎没有对应岗位，但逻辑上它介于数据工程与文档工程之间，需求已经出现。

第二，纠错从成本变成资产。 传统 RAG 系统里，专家纠正一个错误，下次同样的问题可能还是错的。在编译式系统里，每次纠错走完流水线后永久沉淀为回归测试——纠正一次，永久受益。这把组织的隐性知识第一次变成了可复利的资产负债表，而不是持续折旧的负债。Meta 那句"把一次性纠错变成可复利的组织记忆"不是修辞，是会计。

第三，审计能力成为企业 AI 的分水岭。 当监管开始要求"解释你的 AI 为什么给出这个结论"，概率性检索系统只能耸耸肩，而一个基于依赖图和路由索引的系统能给出精确引用链。在高风险领域（合规、金融、安全审查），这个差异是能不能部署的差异。

判断：Context Engineering 的终局是 Knowledge Engineering

过去两年，行业的关键词从 prompt engineering 演进到 context engineering——大家已经意识到，怎么组装上下文比怎么写指令更重要。而这一波收敛指向的下一步是：上下文工程的终局，是知识工程。 因为上下文的最高形态不是每次现场拼装的检索结果，而是一个预先编译好、持续维护、经过回归验证的知识层。

两个可以检验的预测：

其一，知识格式标准战即将开打。 Google 抢先发布 Open Knowledge Format 意味着它看到了互操作层的卡位价值。接下来大概率会出现事实标准（markdown + frontmatter 约定，Karpathy 路线）与正式标准（OKF 路线）的竞争，胜负手在于谁能进入主流 Agent 框架的默认支持。

其二，“知识回归测试"会进入 AI 工程的工具链标配。 Meta 的做法（每个修复自动进入回归套件）会从企业内部实践变成开源框架的内置功能，就像 SWE-bench 之于代码 Agent 一样，知识库领域会出现对应的标准评测集。

1945 年，Vannevar Bush 在《As We May Think》里设想了 Memex：一个私人的、被积极策展的知识存储，文档之间的关联轨迹和文档本身一样有价值。八十年后回看，他的愿景比万维网更接近今天这波知识工程——私有的、结构化的、连接即价值。他唯一没能解决的，是谁来做维护。

现在，维护者到位了。