PKM, RAG, Wiki и системы памяти: четкое разъяснение

PKM, RAG, вики и системы памяти ИИ часто обсуждаются так, будто они решают одну и ту же задачу. Это не так. Все они имеют дело со знаниями, но работают на разных уровнях:

• PKM помогает людям думать.
• Вики помогают группам сохранять общие знания.
• RAG помогает машинам извлекать внешние знания.
• Системы памяти помогают агентам ИИ сохранять контекст во времени.

Путаница между этими системами приводит к плохой архитектуре.

Вы получаете вики, наполненные личными черновиками, системы RAG без единого источника истины, слои памяти, вымогающие себя за базы данных, и инструменты PKM, перегруженные автоматизацией, для которой они никогда не предназначались.

Более правильная модель — рассматривать их как разные части спектра систем знаний.

В этой статье сравниваются PKM, RAG, вики и системы памяти ИИ по структуре, извлечению, владению, эволюции и реальным случаям использования.

Краткая версия

Система	Основной пользователь	Основная цель	Лучше всего для
PKM	Индивидуум	Развитие личных знаний	Мышление, обучение, синтез
Вики	Команда или публичная группа	Поддержка общих знаний	Документация, политика, справочные материалы
RAG	Машиная система	Извлечение контекста для генерации	Ответы ИИ на основе внешних данных
Память ИИ	Агент ИИ	Сохранение контекста во времени	Долгосрочные агенты и персонализация

Самое важное различие заключается в следующем:

PKM и вики структурируют знания. RAG извлекает знания. Системы памяти эволюционируют контекст агента.

Это основная ментальная модель.

Почему эти системы путают

Они перекрываются в видимом поведении.

Все они могут:

• хранить заметки
• извлекать информацию
• отвечать на вопросы
• организовывать ссылки
• связывать идеи

Но они различаются по намерению.

Система PKM — это не просто частная вики. Вики — это не просто база данных RAG. Конвейер RAG — это не память ИИ. Система памяти ИИ — это не замена структурированной документации.

Путаница возникает из-за того, что «знания» рассматриваются как единое целое.

На практике знания имеют несколько уровней:

1. Сбор
2. Структурирование
3. Извлечение
4. Интерпретация
5. Повторное использование
6. Эволюция

Разные системы оптимизируют разные этапы.

Четыре парадигмы

1. PKM

PKM расшифровывается как управление личными знаниями.

Это практика сбора, организации, соединения и использования знаний для личной работы.

Типичные системы PKM включают:

• Obsidian
• Logseq
• Notion
• обычные папки Markdown
• системы Zettelkasten
• системы «второго мозга»

PKM управляется человеком.

Цель — не просто хранение. Цель — лучшее мышление.

В чем преимущества PKM

PKM хорошо работает для:

• изучения новой области
• развития оригинальных идей
• соединения заметок с течением времени
• написания статей или книг
• отслеживания личных исследований
• построения «второго мозга»

Хорошая система PKM хаотична, но полезно. Она поддерживает незавершенные мысли, частичные идеи, частный контекст и эволюционирующие концепции.

Вот почему PKM не то же самое, что и документация.

Документация стремится к ясности. PKM терпит неоднозначность.

Режимы отказа PKM

PKM часто терпит неудачу, когда становится:

• свалкой
• проектом таксономии папок
• эстетикой продуктивности
• хобби по оптимизации инструментов
• частым архивом, который никто не использует

Главный риск — сбор без синтеза.

Если вы только сохраняете информацию, у вас нет системы знаний. У вас есть личная свалка.

Субъективное мнение

PKM должен оптимизироваться для повторного использования, а не для сбора.

Сбор всего кажется продуктивным, но создает долг. Настоящая ценность проявляется, когда заметки становятся связанными, переписанными, сжатыми и используются в выходных данных.

2. Вики

Вики — это структурированная база знаний, предназначенная для общего референса.

Типичные системы вики включают:

• DokuWiki
• MediaWiki
• Confluence
• BookStack
• сайты документации на основе Git
• внутренние корпоративные базы знаний

Вики обычно более формальна, чем PKM.

Она должна отвечать на вопрос:

Что мы знаем и где находится текущая версия?

В чем преимущества вики

Вики хорошо работает для:

• документации команды
• операционных руководств
• знаний о продукте
• политик
• технических справочников
• материалов по онбордингу
• стабильных знаний в области

Вики — это социальный контракт.

Она говорит:

Эта страница — место, где живут эти знания.

Это делает владение и обслуживание критически важными.

Режимы отказа вики

Вики часто терпят неудачу, потому что становятся устаревшими.

Распространенные проблемы:

• отсутствие владельцев страниц
• устаревшие скриншоты
• дублирующиеся страницы
• неясные канонические версии
• слишком много иерархии
• отсутствие ритма обслуживания

Вики со старой информацией хуже, чем отсутствие вики, потому что она создает ложное чувство уверенности.

Субъективное мнение

Вики должна быть скучной.

Это комплимент.

Хорошая вики — это не место, где рождаются идеи. Это место, где сохраняются стабильные знания после того, как они становятся полезными для других.

3. RAG

RAG расшифровывается как генерация с извлечением.

Это архитектура ИИ, где система извлекает релевантную внешнюю информацию перед тем, как попросить языковую модель сгенерировать ответ.

Базовый конвейер RAG обычно имеет:

1. Документы
2. Разбиение на части (chunking)
3. Эмбеддинги или поисковый индекс
4. Извлечение
5. Опциональная пере-ранжировка
6. Сборка промпта
7. Генерация LLM

RAG управляется машиной.

Цель — не создание знаний. Цель — предоставить модели релевантный контекст во время запроса.

В чем преимущества RAG

RAG хорошо работает для:

• ответов на вопросы по документам
• внутренних поисковых ассистентов
• ботов поддержки
• ассистентов технической документации
• поиска по комплаенсу
• исследований по большим корпусам
• подключения LLM к обновленной информации

RAG особенно полезен, когда модель не может или не должна запоминать информацию.

Режимы отказа RAG

RAG часто терпит неудачу, когда команды считают его волшебным поиском.

Распространенные проблемы:

• плохое разбиение на части
• слабое извлечение
• шумный контекст
• отсутствие метаданных
• отсутствие источника истины
• устаревшие документы
• слабая оценка
• отсутствие петли обратной связи от человека

RAG не исправляет плохое управление знаниями.

Если базовое содержимое фрагментировано, устарело или противоречиво, система RAG выведет этот беспорядок с уверенностью.

Субъективное мнение

RAG — это не стратегия знаний.

RAG — это стратегия доступа.

Он помогает машинам получать доступ к знаниям, но не решает, какие знания являются валидными, поддерживаемыми, каноническими или полезными.

4. Системы памяти ИИ

Системы памяти ИИ предоставляют агентам постоянный контекст за пределами одного промпта или разговора.

Они могут хранить:

• предпочтения пользователя
• прошлые решения
• долгосрочные факты
• историю задач
• резюме
• размышления
• извлеченные сущности
• эпизодическую память
• семантическую память

Примеры и связанные идеи включают:

• уровни памяти в стиле MemGPT
• долгосрочную память агента
• эпизодическую память
• семантическую память
• векторную память
• память профиля
• память состояния инструмента
• рефлексирующие агенты

Память ИИ управляется агентом.

Цель — непрерывность.

В чем преимущества памяти ИИ

Системы памяти ИИ хорошо работают для:

• персональных ассистентов
• долгосрочных кодовых агентов
• исследовательских агентов
• агентов поддержки
• систем репетиторства
• автоматизации рабочих процессов
• постоянных компаньонов
• выполнения задач в нескольких сессиях

Память имеет значение, когда система должна вести себя так, будто она помнит.

Режимы отказа памяти ИИ

Системы памяти опасны, если они не управляются.

Распространенные проблемы:

• запоминание неправильных фактов
• хранение слишком многого
• риск конфиденциальности
• устаревшие предпочтения
• плохой ранжирование памяти
• отравление памяти
• отсутствие механизма забывания
• путаница памяти с истиной

Системе памяти нужно управление.

Она должна отвечать:

• Что следует запомнить?
• Кто это одобрил?
• Как долго оно должно жить?
• Когда оно должно быть забыто?
• Как оно исправляется?

Субъективное мнение

Память ИИ — это не просто длинный контекст.

Длинный контекст позволяет модели видеть больше сразу. Память решает, что выживает с течением времени.

Это разные проблемы.

Таблица основных различий

Измерение	PKM	Вики	RAG	Память ИИ
Основной пользователь	Индивидуум	Команда или публичная группа	Система ИИ	Агент ИИ
Основная функция	Мышление	Общий референс	Извлечение во время запроса	Постоянный контекст
Состояние знаний	Эволюционирующее	Стабилизированное	Извлеченное	Адаптивное
Структура	Гибкая	Явная	На основе индекса	Изученная или извлеченная
Стиль извлечения	Человеческий поиск и связывание	Навигация и поиск	Семантическое или гибридное извлечение	Релевантность плюс значимость
Владение	Личное	Владельцы страниц или команды	Поддержка системы	Контроль агента или пользователя
Горизонт времени	Долгосрочный личный	Долгосрочный общий	Время запроса	Многосессионный
Лучший результат	Инсайт	Надежный референс	Обоснованный ответ	Непрерывность
Основной риск	Накопление	Устаревание	Плохое извлечение	Плохая память
Хорошая метрика	Повторное использование в мышлении	Доверие и свежесть	Качество ответа	Полезная непрерывность

Структура против извлечения против эволюции

Самый простой способ понять эти системы — сравнить, что они оптимизируют. Архитектурные последствия этого различия подробно рассматриваются в Извлечение против репрезентации в системах знаний.

PKM оптимизирует личную эволюцию

PKM — это о том, как меняется ваше понимание.

Вы собираете материал, переписываете его, связываете и превращаете во что-то полезное.

Результат часто:

• лучшая ментальная модель
• написанная статья
• решение
• направление исследований
• повторно используемый инсайт

PKM не столько о быстром поиске. Это о долгосрочном осмыслении.

Вики оптимизируют общую структуру

Вики — это о стабильных знаниях.

Они спрашивают:

• Какой текущий ответ?
• Кто им владеет?
• Куда должны идти люди?
• Что должно быть обновлено?

Вики работает, когда люди ей доверяют.

RAG оптимизирует машинное извлечение

RAG — это о извлечении правильного контекста в правильное время.

Он спрашивает:

• Какие документы релевантны?
• Какие части следует использовать?
• Сколько контекста помещается?
• Что модель должна цитировать?

RAG работает, когда качество извлечения высокое, а исходный корпус заслуживает доверия.

Память ИИ оптимизирует непрерывность

Системы памяти — это о постоянстве между сессиями.

Они спрашивают:

• Что агент должен запомнить?
• Что должно быть забыто?
• Какая память важна сейчас?
• Как память должна менять поведение?

Память работает, когда она улучшает будущее поведение, не загрязняя агента устаревшим или некорректным контекстом.

Когда использовать PKM

Используйте PKM, когда знания личны, незавершенны или носят исследовательский характер.

Хорошие сценарии:

• изучение распределенных систем
• планирование статей
• исследование архитектуры LLM
• сбор заметок из книг
• построение второго мозга
• отслеживание личных экспериментов

Используйте PKM, когда вы все еще думаете.

Пример

Вы изучаете оценку RAG.

Вы собираете:

• статьи
• заметки по бенчмаркам
• диаграммы
• идеи реализации
• неудачи из собственных экспериментов

Это сначала принадлежит PKM.

Позже, когда знания стабилизируются, вы можете опубликовать статью или превратить их в документацию.

Когда использовать вики

Используйте вики, когда знания должны быть общими и поддерживаемыми.

Хорошие сценарии:

• онбординг команды
• документация API
• операционные руководства
• записи архитектурных решений
• знания о продукте
• инструкции по развертыванию
• процедуры поддержки

Используйте вики, когда другим нужен надежный ответ.

Пример

Ваша команда имеет один правильный способ развертывания сайта Hugo в S3 и CloudFront.

Это не должно находиться только в личных заметках кого-то.

Это должно быть в вики или системе документации с четким владением.

Когда использовать RAG

Используйте RAG, когда системе ИИ нужен доступ к внешним знаниям во время запроса.

Хорошие сценарии:

• чат-бот по документации
• поисковый ассистент по внутренним документам
• ассистент поддержки по статьям помощи
• юридический или комплаенс-ассистент
• исследование по большим наборам документов
• ассистент разработчика по документации кода

Используйте RAG, когда проблема:

Модели нужна информация, которая живет вне ее весов.

Пример

У вас сотни технических статей, и вы хотите, чтобы ассистент отвечал на вопросы, используя их.

RAG — хороший вариант.

Но только если документы достаточно чистые для извлечения.

Когда использовать память ИИ

Используйте память ИИ, когда агенту нужна непрерывность.

Хорошие сценарии:

• кодовые агенты, которые помнят конвенции проекта
• персональные ассистенты, которые помнят предпочтения
• исследовательские агенты, которые продолжают долгосрочные исследования
• репетиторские агенты, которые помнят прогресс студентов
• агенты поддержки, которые помнят предыдущие взаимодействия
• автономные агенты, которые отслеживают цели

Используйте память, когда система должна улучшаться с течением времени.

Пример

Кодовый агент должен запомнить:

• проект использует Go
• тесты запускаются с определенной командой
• пользователь предпочитает минимальные зависимости
• миграции базы данных следуют конвенции

Это не просто извлечение. Это постоянный операционный контекст.

Как эти системы комбинируются

Самые полезные системы — гибриды.

Зрелая архитектура знаний может выглядеть так:

1. PKM для личного исследования
2. Вики для стабильных общих знаний
3. RAG для машинного доступа
4. Память ИИ для долгосрочной непрерывности агента

У каждого слоя есть задача.

Паттерн 1. PKM в вики

Это конвейер человеческих знаний.

Поток:

1. Собирать заметки приватно
2. Связывать идеи
3. Выделять инсайты
4. Публиковать стабильные знания
5. Поддерживать как общий референс

Так личное исследование становится организационными знаниями.

Пример

Вы исследуете инструменты самохостинговых знаний в Obsidian.

После тестирования DokuWiki, Nextcloud и статических систем Markdown вы пишете стабильное руководство на своем сайте или в вики команды.

PKM создал инсайт. Вики сохраняет результат.

Паттерн 2. Вики в RAG

Это конвейер машинного доступа.

Поток:

1. Поддерживать канонические страницы вики
2. Индексировать их
3. Извлекать релевантные разделы
4. Генерировать обоснованные ответы
5. Ссылаться обратно на источники

Это один из самых чистых паттернов RAG.

Вики остается источником истины. RAG становится слоем доступа.

Пример

Бот поддержки отвечает на вопросы, используя вики продукта.

Бот не должен заменять вики. Он должен цитировать и направлять пользователей обратно к каноническим страницам.

Паттерн 3. RAG плюс память

Это конвейер непрерывности агента.

Поток:

1. RAG извлекает внешние факты
2. Память хранит контекст пользователя или задачи
3. Агент объединяет оба
4. Будущее поведение улучшается

RAG отвечает:

Что говорит база знаний?

Память отвечает:

Что важно об этом пользователе, проекте или задаче?

Пример

Кодовый агент использует RAG для извлечения документации фреймворка.

Он использует память, чтобы запомнить, что ваш проект избегает ORMs, предпочитает sqlc и использует структурированное логирование.

Это разные типы знаний.

Паттерн 4. PKM плюс ассистент ИИ

Это гибридный конвейер мышления.

Поток:

1. Человек собирает заметки
2. ИИ суммирует и предлагает ссылки
3. Человек редактирует и валидирует
4. Знания становятся более структурированными
5. Некоторые страницы переходят в вики или публикацию

ИИ дополняет систему PKM, но не должен владеть истиной.

Пример

Ассистент ИИ может предложить связи между заметками о RAG, системах памяти и LLM Wiki.

Но человек решает, какие связи имеют значение.

Общие архитектурные ошибки

Ошибка 1. Отношение к RAG как к вики

RAG — это не база знаний.

Он не автоматически создает каноническую структуру. Он извлекает из того, что существует.

Если исходные документы плохие, RAG становится уверенным интерфейсом к плохим знаниям.

Ошибка 2. Отношение к памяти как к базе данных

Память ИИ — это избирательный контекст, а не общее хранилище.

База данных хранит записи. Память меняет поведение.

Если вам нужны точные факты, используйте базу данных или базу знаний. Если вам нужна непрерывность, используйте память.

Ошибка 3. Отношение к PKM как к документации

PKM может быть хаотичным.

Документация не должна быть.

Частные заметки могут содержать полуформированные идеи. Общая документация должна содержать стабильные, поддерживаемые знания.

Ошибка 4. Отношение к вики как к инструменту мышления

Вики может поддерживать мышление, но не идеальна для раннего исследования.

Если каждая ранняя мысль должна стать отполированной страницей, люди перестают писать.

Используйте PKM для грубого мышления. Используйте вики для прочных знаний.

Ошибка 5. Отношение к длинному контексту как к памяти

Длинный контекст — это не память.

Он помогает только пока контекст присутствует.

Память постоянна, выбирает, обновляет и иногда забывает.

Руководство по принятию решений

Используйте эту простую модель принятия решений.

Если знания частные и эволюционирующие

Используйте PKM.

Если знания общие и стабильные

Используйте вики.

Если ИИ нужно отвечать из внешних документов

Используйте RAG.

Если агенту нужна непрерывность во времени

Используйте память.

Если вам нужны все четыре

Постройте многослойную систему.

Не заставляйте один инструмент выполнять все задачи.

Спектр систем знаний

Эти системы формируют спектр от человеческого мышления до непрерывности ИИ.

Слой	Система	Роль
Человеческая мысль	PKM	Исследовать и синтезировать
Общая структура	Вики	Сохранять и поддерживать
Машинный доступ	RAG	Извлекать и генерировать
Непрерывность агента	Память	Постоянствовать и адаптироваться

Направление имеет значение.

Знания часто начинаются как личная мысль, становятся общей структурой, индексируются для машинного извлечения, а затем становятся частью постоянного поведения агента.

Это современный стек знаний.

Где вписывается LLM Wiki

Системы стиля LLM Wiki находятся между вики и архитектурой ИИ.

Это не классический RAG.

Вместо извлечения частей только во время запроса они пытаются предструктурировать знания в страницы, резюме, сущности и ссылки.

Это делает их ближе к скомпилированным системам знаний.

Полезное размещение:

Система	Позиция
Вики	Структурированные знания, поддерживаемые человеком
RAG	Машинное извлечение во время запроса
LLM Wiki	Структурированные знания машины на время приема
Память	Постоянный контекст агента

Вот почему LLM Wiki принадлежит к архитектуре систем знаний, а не к обычному RAG.

Практические примеры

Пример 1. Личный технический блог

Технический блоггер может использовать:

• PKM для заметок по исследованиям
• сайт Hugo как опубликованные знания
• внутреннее связывание как структуру, подобную вики
• RAG позже для поиска по сайту
• память ИИ для предпочтений ассистента по написанию

Это сильная архитектура.

Она держит человеческий суд в центре, одновременно позволяя поддержке ИИ.

Пример 2. Инженерная команда

Инженерная команда может использовать:

• PKM для индивидуального обучения
• вики для стандартов и руководств
• RAG-ассистент для внутренней документации
• память для кодовых агентов, работающих внутри репозиториев

Вики должна оставаться канонической.

RAG-ассистент не должен изобретать процесс. Слой памяти должен запоминать предпочтения проекта, а не заменять архитектурные решения.

Пример 3. Рабочий процесс исследований ИИ

Исследователь может использовать:

• PKM для заметок по статьям
• вики для стабильных резюме
• RAG для поиска литературы
• память для долгосрочных исследовательских агентов

Это работает, потому что каждый слой обрабатывает разный временной масштаб.

Безопасность и управление

Системы знаний становятся рискованными, когда хранят чувствительную или устаревшую информацию.

Управление PKM

Вопросы:

• Что должно оставаться частным?
• Что должно быть опубликовано?
• Что должно быть удалено?

Управление вики

Вопросы:

• Кто владеет каждой страницей?
• Когда она была последний раз проверена?
• Что является каноническим?

Управление RAG

Вопросы:

• Какие источники индексируются?
• Цитируются ли ответы?
• Как оценивается извлечение?
• Какое содержимое исключено?

Управление памятью

Вопросы:

• Что запоминается?
• Могут ли пользователи проверять память?
• Могут ли пользователи удалять память?
• Как исправляются неправильные воспоминания?

Памяти нужно самое строгое управление, потому что она может незаметно влиять на будущее поведение.

Примечание о SEO и стратегии контента

Если вы ведете технический сайт, это различие не только архитектурное. Оно также редакционное.

Вы можете маппить контент так:

• Страницы PKM объясняют практики человеческих знаний.
• Страницы вики объясняют структурированные системы знаний.
• Страницы RAG объясняют инженерию извлечения.
• Страницы памяти объясняют постоянное поведение ИИ.
• Архитектурные страницы сравнивают и связывают парадигмы.

Это дает вашему сайту чистую сеть авторитета вместо кучы слабо связанных статей об ИИ.

Финальный вывод

PKM, RAG, вики и системы памяти ИИ не являются конкурентами.

Это разные ответы на разные вопросы.

PKM спрашивает:

Как мне мыслить лучше с течением времени?

Вики спрашивает:

Что мы знаем и где находится доверенная версия?

RAG спрашивает:

Какой внешний контекст должна использовать модель прямо сейчас?

Память ИИ спрашивает:

Что этот агент должен запомнить на будущее?

Как только вы разделите эти вопросы, архитектура становится очевидной.

Используйте PKM для мышления. Используйте вики для общей истины. Используйте RAG для извлечения. Используйте память для непрерывности.

Будущее — не одна система знаний, которая заменяет все остальные.

Будущее — многослойная архитектура знаний. Для инструментов, методов и самохостинговых платформ во всем спектре управления знаниями, кластерный столб маппит территорию.

Источники и дальнейшее чтение

• https://cloud.google.com/use-cases/retrieval-augmented-generation
• https://aws.amazon.com/what-is/retrieval-augmented-generation/
• https://www.ibm.com/think/topics/retrieval-augmented-generation
• https://www.ibm.com/think/topics/knowledge-management
• https://arxiv.org/abs/2310.08560
• https://research.memgpt.ai/
• https://zettelkasten.de/posts/building-a-second-brain-and-zettelkasten/