周三下午，一個程序員第17次向AI助手解釋公司的代碼規(guī)范。同樣的接口命名規(guī)則，同樣的錯誤處理模式——每次對話從零開始，每次都要付費重新"理解"。

這不是個例。RAG（檢索增強生成）把知識庫變成了開卷考試：Agent帶著"參考書"進考場，考完就忘。真正決定Agent上限的，是記憶架構(gòu)——它能不能像人一樣學(xué)習(xí)、整理、進化知識。

OpenAI聯(lián)創(chuàng)Andrej Karpathy最近開源了LLM Wiki，用一個Markdown文件解決了核心問題：如何把零散信息變成AI能推理的知識系統(tǒng)。YC CEO Garry Tan的GBrain項目也在走同一條路，但更強調(diào)工程嚴謹性。

人類擅長收集信息，卻 terrible 于維護。瀏覽器收藏夾里的"稍后閱讀"、桌面上的PDF堆——都是數(shù)字化石。企業(yè)和個人面臨雙重崩塌：知識隨產(chǎn)品政策過期失效，多維關(guān)系的手工維護成本高昂。

Prompt Engineering教模型"做什么任務(wù)"。Knowledge Engineering教模型"該知道什么"和"怎么運用所知"。LLM Wiki的顛覆在于：不讓模型每次都從原始文檔重新發(fā)現(xiàn)答案，而是維護一份持續(xù)更新、互相鏈接、能識別矛盾的知識wiki。

知識不再是靜態(tài)池塘，而是活的生命體。代碼工作流里，我們要的不只是語法正確，更是風(fēng)格慣例——"接口優(yōu)先"還是"原型優(yōu)先"、偏好的框架、異常處理習(xí)慣。這些無法靠單次檢索獲得，只能靠結(jié)構(gòu)化記憶積累。

RAG把書帶進考場。知識工程教會Agent深度學(xué)習(xí)、做筆記、每周進步。生產(chǎn)環(huán)境的杠桿效應(yīng)，從這里開始分化。