核心概念

知識管理工具的演進可以用「底層機制」分成五條路徑，而非用「給個人還是企業用」來分——因為知識怎麼被處理，不應該因為人數不同而改變。

1. Flat 分類（Tags / Folders）

最傳統的方式。Notion、Apple Notes、SharePoint、Confluence，底層邏輯都一樣：分類 + 標籤 + 權限。Tiago Forte 的 PARA（Projects / Areas / Resources / Archives）是這條線的方法論巔峰。企業 KM 只是多包了版本管理和合規層，骨子裡仍是 flat 的。

核心限制：筆記一多就找不到；一篇內容橫跨多個主題時，歸屬永遠是妥協。Forte 本人後來推出「AI Second Brain」課程，代表連這個典範的最忠實擁護者也開始轉向。

2. Emergent 連結（Bidirectional Links）

2020 年 Roam Research 帶起的風潮。用 <span class="private-link">link</span> 雙向連結，不預設分類，讓結構自然長出來。Obsidian、Logseq 是主要繼承者。Roam 點燃了這波風潮，但靠本地 Markdown 加插件生態，Obsidian 最終站得更穩。

核心限制：筆記超過幾百張後，graph view 變成一團毛線球。連結密度高，但所有東西在視覺上一樣大——看不出什麼是重要的。

3. 空間化（Spatial Notes）

Heptabase（台灣團隊）的核心概念：把筆記放在無限白板上，用位置表達關聯。在處理「還不知道怎麼分類」的破碎資訊時，視覺化優勢很強，適合前期 sense-making 與架構發想。

核心限制：白板越長越大，仍需要某種「地圖」告訴你什麼在哪。空間化解決了前期發散，但無法解決後期導航問題。

4. 語意搜尋（Vector Embedding）

Mem.ai、Notion AI、ChatGPT memory，企業端的 Glean。所有內容轉成向量，靠語意相似度搜尋。Glean 做得最進階：knowledge graph + hybrid search（vector + keyword）+ permission-aware。

核心限制：搜尋變準了，但呈現的是「最相關的段落」，不是有脈絡的 map。disagreement、authorship、claim 與 evidence 之間的關係，沒有變成使用者可以導航的知識結構。

5. LLM 編纂（Wiki + Graph）

Karpathy 2025 年 4 月發布的 LLM Wiki 概念（1600 萬觀看，GitHub Gist 幾天 5000 星）。三層架構：

層級 說明
Raw 原始資料，LLM 不修改
Wiki LLM 生成的 Markdown 頁面，持續更新
Schema CLAUDE.md，定義維護規則與命名慣例

LLM 在這裡不是問答介面（那是 RAG），而是持續編纂者——每次餵入新資料，自動更新十幾頁 wiki；好的問答結果可以回寫成新頁面，讓知識複利積累。

LLM Wiki 產出的 knowledge graph 與 Obsidian graph（誰連了誰）或 VectorDB graph（誰跟誰相似）完全不同：它有語意層級，頁面之間的關聯是「這個概念屬於那個主題」「這個證據支持那個論點」，結構本身有意義。

關鍵要點

  • 五種方法的核心差異不在功能，而在「知識如何被組織」的底層假設
  • Obsidian 靠本地 Markdown + 插件生態，在 bidirectional links 戰場上站得比 Roam 更穩
  • Glean 是企業端最完整的 hybrid search 實作，但仍缺少「觀點關係導航」
  • LLM Wiki 的本質洞察：LLM 是編纂者，不是查詢介面；這讓它與 RAG 的本質不同，而非升級關係
  • 生產系統趨向混合使用：RAG 處理大量動態內容，Agent Memory 做個人化，LLM Wiki 做深度領域知識編纂

實務應用

SSOT 的根本限制

大多數知識管理工具有一個共同盲點：擅長保存內容，卻不擅長保存觀點之間的形狀。當三個人說「RAG 很有效」、另一個人說「RAG 一直 hallucinate」，系統只能做三件事：壓平成一個結論、挑最新版本、或把它們當成幾段相似文字。

但真正有價值的，往往是 disagreement 的 shape：誰在什麼 context 下成功、哪些 evidence 支持哪個 claim。

資料工程圈提出的替代思路：與其 single source of truth，不如 single source of change——保留統一的決策與傳播控制點，但允許數據本身活在多個視角下。哲學上的對應框架是 Epistemological Pluralism（知識論多元主義）。

Cairn 的嘗試

Cairn 把 MOC（Map of Content）這個 PKM 概念重新定義為三層結構：atom（個人經驗，帶 authorship 和 context）→ L1 MOC（topic-level）→ L2 MOC（theme-level）。LLM 草擬 MOC，人決定「哪些東西該放在一起」。這讓多個 contextual truth 共存，同時保留它們之間的結構關係。

相關頁面：AI 知識庫典範比較——Karpathy、Lütke 與 Tan | AI 輔助知識管理 | RAG 檢索增強生成架構

延伸觀點

來自三篇 2026 年發布的技術分析文章，兩個觀點獲得交叉驗證：

LLM Wiki 是「預先編纂」，RAG 是「查詢時生成」——這是本質差異，不是優化程度。同樣 50 篇論文，LLM Wiki 能在 ingest 時就完成跨文件的矛盾偵測、概念對齊、索引建立；而 RAG 每次查詢都從零開始重新發現連結，產生的答案在對話結束後消失，無法積累。每次 ingest 讓 LLM Wiki 更豐富，這是 RAG 架構上做不到的特性。（Medium/visrow + Substack/joseluischavezcalva 共同確認）

生產系統的趨勢是三層混合，而不是單一典範取勝。RAG 處理大量頻繁更新的語料、Agent Memory 做跨 session 個人化、LLM Wiki 做有界領域的深度合成——三者分工互補而非競爭。這意味著「哪種方法最好」是錯誤問法，正確問法是「這個場景的知識更新頻率、查詢深度、用戶個人化需求各是什麼」。（Medium/visrow + Medium/kairi-ai 共同確認）

補充（單一優先來源）：知識管理的下一個競爭場域，不在於模型本身有多大，而在於資料架構有多聰明——如何讓相同的語料在不同查詢情境下以不同的組織方式浮現。（Medium/kairi-ai）

反向連結

以下頁面引用了本頁：