Question 1

従来のRAG（検索拡張生成）が抱える課題と、LLM Wikiとの決定的な違いは何か？

Accepted Answer

RAGは質問を受けるたびにゼロから関連情報を検索・生成するため、回答や思考のプロセスが知識として蓄積されない RAGは時系列の概念を扱いにくく、情報の更新や過去からの文脈のつながりを捉えるのが苦手である LLM Wikiは、質問や新しい情報が追加されるたびに永続的なナレッジベースを自律的に更新し、複利的に知識を成長させる

Question 2

アンドレイ・カーパシー氏が提唱するLLM Wikiの基本アーキテクチャとはどのようなものか？

Accepted Answer

元データを加工せずそのまま保管する「生ソース層」、Markdown形式で構造化される「Wiki層」、更新ルールを定める「スキーマ層」の3層で構成される 生ソースを追加すると、スキーマ（ルール）に従ってLLMが自動的に該当するWikiページを更新・相互リンクする 検索時に生データを毎回全件読み込まずWiki層を経由することで、トークン消費を抑えながら横断的な知識の探索が可能になる

Question 3

LLM WikiにおいてObsidianやナレッジグラフを活用するメリットは何か？

Accepted Answer

ObsidianはMarkdownと親和性が高く、LLMが構築したWikiを人間が閲覧・確認するためのビューワー（IDE）として最適である グラフビュー（ナレッジグラフ）により、概念同士がどのようにリンクし合っているかを視覚的に俯瞰できる AIが整理した知識の網の目を人間が見ることで、異なる領域同士の意外なつながりや新しい気づき（新結合）を得やすくなる

Question 4

LLM Wikiは個人のナレッジ管理や日常生活にどう活用できるのか？

Accepted Answer

全世界の情報を集めるのではなく、個人の日記、読書メモ、特定テーマの研究論文など、ジャンルを絞った運用が適している 日々の感情や思考ログを蓄積していくことで、過去の変遷が線でつながり、自己理解や客観的な振り返りに役立つ 本の内容だけでなく自身の気づきや他分野との関連も自動で紐付けられ、自分専用の伴走型ナレッジベースが構築できる

Question 5

Claude Codeなどのツールを使ってLLM Wikiを自作する際の注意点やポイントは何か？

Accepted Answer

カーパシー氏が公開しているGitHubの概念ファイル（Markdown）を指示書としてAIに読み込ませることで基本設計を組める 自律更新のためにAIから外部APIキーを求められても安易に渡さず、契約しているツールの枠内で作業させることで予期せぬ課金を防ぐ 最初から大量のデータを一括処理させず、まずは少数の項目でフォーマットや精度を確認しながら段階的に育てるのが望ましい

Podcast振り返り

LLM Wikiって何？エンジニアも知らなかった新トレンドを実践 (ep.85)

Podcast振り返り

LLM Wikiって何？エンジニアも知らなかった新トレンドを実践 (ep.85)