Episode Details

Agent Wiki 把一次性的 AI 閱讀變成會累積的 Markdown 知識層。這篇從 4 個實作拆解它的架構、維護難題、規模限制，以及和 RAG、使用者記憶的分工與實際適用場景。

⭐ 文章深度讀：影片只講到四個案例的分工與三個風險，文章多寫了每個實作的細節出處、規模數字的原始脈絡，以及 Wiki 與 user memory 該怎麼分兩層設計
→ https://heymaibao.com/agent-wiki-compile-knowledge-before-query/

⚡ 章節重點
開場：AI 每次都在重讀 00:00
Agent Wiki 是什麼 00:17
和 RAG 差在哪 00:34
三層骨架 00:56
匯入、查詢、巡檢 01:14
四個案例怎麼分工 01:34
維護才是分水嶺 02:50
規模邊界與 3 個風險 03:07
它沒有消滅 RAG 03:46
文件知識與使用者記憶 04:03
我會怎麼開始 04:23
結尾 04:39

📝 懶人包
∙ Agent Wiki 先在資料匯入時讀懂來源，寫成可維護的 Markdown，讓前一次的理解成果可以在後續查詢繼續累積

∙ Mem0 在 DeepWiki、AutoWiki、OpenWiki 和 GBrain 這 4 個案例中，整理出原始來源、wiki、規則檔與更新機制這套共同骨架

∙ 它仍有規模、摘要失真、內容過期與 token 成本，資料變大後也需要搜尋或 retrieval

∙ 我的觀察是，Wiki 適合當文件知識層，user memory 適合保存偏好、決策和互動經驗，成熟的 Agent 系統很可能同時需要兩層

📚 參考資料
Mem0：The State of Agent Wikis
→ https://x.com/mem0ai/status/2079585032587694582

llm-wiki
→ https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

DeepWiki: AI docs for any repo
→ https://cognition.com/blog/deepwiki

AutoWiki
→ https://factory.ai/news/wiki

langchain-ai/openwiki
→ https://github.com/langchain-ai/openwiki

garrytan/gbrain
→ https://github.com/garrytan/gbrain