閱讀評論：LLM Wiki

優點

• 概念清晰：從 RAG 的痛點出發，提出明確的替代方案，三層架構（Raw → Wiki → Schema）簡單易懂
• 實務導向：不只談理念，還提供了具體的工具建議（Obsidian Web Clipper、Dataview、Marp、qmd）
• 誠實的抽象層級：文件明確聲明「這是想法文件，不是具體實作」，避免了過度承諾
• 人類在 loop 中：不是完全自動化，而是讓 LLM 做苦工、人類做決策——這提高了可行性和品質

潛在問題

1. Schema 的撰寫門檻：一份好的 CLAUDE.md 或 AGENTS.md 需要對 LLM 的行為有深入理解，並非所有人都有能力設計。文件對這部分的著墨相對較少。
2. LLM 的上下文長度限制：隨著維基增長，LLM 在單次操作中需要閱讀和更新的頁面會越來越多。目前頂尖模型的上下文約 200K tokens，但對於大型維基可能不足。
3. 缺乏定量評估：沒有提供任何指標來衡量 LLM Wiki 相較於傳統方法的效果提升。是否真的更好？多好？沒有數據支持。
4. 單一 Gist 的形式限制：這份想法文件本身雖然有價值，但作為一個完整的模式，它需要更詳細的指引——例如目錄結構範本、Schema 範例、常見陷阱。

與其他方法比較

方法	維護成本	知識累積	學習曲線
LLM Wiki	低（LLM 負責）	高（持續累積）	中（需設計 Schema）
傳統 RAG（ChatGPT 上傳）	極低	無	極低
手動筆記（Obsidian 手寫）	高	中	低
Notion AI	中	中（AI 輔助）	低

總結

LLM Wiki 是一個有遠見的模式，準確地識別了個人知識管理的核心問題，並提出了 LLM 時代的可行解方。它的真正考驗不在概念本身，而在於實務中 Schema 的設計品質和 LLM 在規模化後的穩定性。值得嘗試，但也需要誠實地面對其限制。