logo

RAG、LLM Wiki与Fat Skills:AI知识架构三层对比选型

作者:沙与沫2026.11.16 10:48浏览量:0

简介:当RAG上线后仍难摆脱"重复重算、被动响应、知识难复用"的瓶颈时,LLM Wiki与Fat Skills提供了从"检索"走向"行动"的进阶路径。本文对比三种知识架构在设计逻辑、能力边界、扩展方式、运维成本与迁移风险上的差异,帮助技术团队判断何时升级、如何选择与平滑演进。

rag-">一、对比背景:为什么要在RAG之上继续演进

RAG(检索增强生成)是过去两年AI知识服务领域最主流的落地方案。许多团队搭好系统后,它能稳定检索文档、生成精准回答,支撑日常业务咨询。但当系统上线一段时间、用户需求逐渐深入后,从业者往往会陷入一种困惑:RAG明明”能用”,却总觉得”不够用”——重复计算、被动响应、无法实现深度知识复用,像隐形瓶颈一样制约着系统价值。

以某团队维护的RAG系统为例:上线两个月、覆盖数十万份业务文档,用户量稳步增长。但产品经理一周内两次询问同一合规要求,系统两次都完整走了一遍”检索→生成”,得到完全一致的答案。这暴露了RAG的核心设计哲学:检索片段 → 生成答案 → 遗忘过程。它更像一个每次考试前都重读课本的学生,考得不错,却从未真正掌握知识。

当业务从”被动问答”升级为”主动洞察”时,局限会更加明显:RAG无法自动发现新架构决策与历史规范之间的冲突(冲突识别需要”比较””推理”能力,而非单纯检索);也无法每天自动生成简报(主动生成需要”触发””编排”能力,而RAG是典型的被动系统)。本文正是围绕这一演进诉求,对比 RAG、LLM Wiki、Fat Skills 三种知识架构的差异。

二、对象定义:三种架构分别解决什么问题

2.1 RAG:检索增强生成

以向量检索为核心,把用户问题匹配到相关文档片段,再拼接进上下文交给大模型生成答案。它的价值在于快速接入外部知识、降低幻觉,本质是”用时即取、用完即弃”的无状态流水线,不沉淀、不积累。

2.2 LLM Wiki:知识持久化的”活文档”架构

在检索层之上引入结构化知识的持久化与关联。它把散落的文档片段、历史问答、结论沉淀为可持续更新、相互链接的”知识条目”,让系统可以增量合并、复用与追溯。它解决的是RAG”重复重算、知识不复用”的问题,让系统”越用越厚”。

2.3 Fat Skills:能力沉淀的”技能化”架构

把知识与流程封装为可复用的”技能(Skill)”,每个技能包含触发条件、输入校验、处理步骤与输出。它在知识之上叠加主动触发与流程编排能力,让系统从”回答问题”走向”执行动作”,如定时生成简报、变更时自动比对冲突。

三者构成一条从”检索”到”知识”再到”行动”的递进路径。

三、相同点分析

尽管能力层级不同,三者有明确的共同基础,这也是它们可以平滑演进的原因:

  • 共享底层能力:都以大语言模型为生成核心,都依赖高质量的文档/知识语料,检索能力(LLM Wiki、Fat Skills通常复用或扩展RAG的检索层)是可复用的公共底座。
  • 目标一致:都是为了提升AI在业务中的知识服务水平,减少幻觉、提升回答准确性。
  • 场景重叠:在”一次性问答””文档咨询”等基础场景中,三者都能满足需求,RAG往往是成本与复杂度的最优解。
  • 可组合而非互斥:Fat Skills的每个技能内部、LLM Wiki的检索调用中,通常都可以内嵌RAG流程。演进不是推翻重来,而是层层叠加。

四、核心差异分析

4.1 技术架构

  • RAG:无状态流水线,组件轻,边界清晰(检索器 + 生成器),不维护跨请求的状态。
  • LLM Wiki:在检索层之上增加知识存储与关联层(如向量库 + 结构化存储 + 关系链接),需要维护知识的版本、来源与更新流程,是一个有状态、可持续写入的系统。
  • Fat Skills:在知识层之上增加技能注册、调度与编排层,需要处理触发机制(定时、事件、变更)、步骤编排与执行状态,系统边界最大,接近一个轻量的自动化编排平台。

4.2 功能能力与知识复用

  • RAG:仅支持被动问答,同一问题无法复用历史计算结果,第100次查询与第1次深度一致。
  • LLM Wiki:支持知识复用与冲突关联,相同问题可优先命中已沉淀条目,并能发现条目间的新旧矛盾。
  • Fat Skills:支持主动触发与多步执行,可完成”每天生成简报””检测规范冲突并上报”等RAG无法实现的任务。
  1. # 示意:RAG 无状态流水线,过程不落地
  2. def rag_query(question):
  3. chunks = retriever.search(question)
  4. return llm.generate(question, concat(chunks)) # 下次同问题重新计算
  5. # 示意:LLM Wiki 增量沉淀、优先复用
  6. def wiki_query(question):
  7. hit = wiki.retrieve(question) # 先查已有知识
  8. answer = llm.generate(question, hit)
  9. wiki.upsert(extract_knowledge(question, answer)) # 增量合并、持久化
  10. return answer
  11. # 示意:Fat Skills 技能化编排(触发+步骤+输出)
  12. skills = {
  13. "竞品简报": Skill(trigger=Schedule("daily", "08:00"),
  14. steps=[collect, summarize, format, deliver]),
  15. "冲突发现": Skill(trigger=OnChange("架构决策"),
  16. steps=[load_specs, compare, detect_conflict, report]),
  17. }

4.3 接入方式与改造成本

  • RAG:接入最快,通常只需接入检索与生成,改造量小。
  • LLM Wiki:需新增知识存储、写入与合并逻辑,要设计知识更新、去重、失效策略,改造量中等。
  • Fat Skills:需引入调度、触发与编排能力,还要为每个技能定义输入输出契约,改造量最大,且对工程规范依赖高。

4.4 运维、安全与成本结构

  • 运维复杂度:RAG最低;LLM Wiki需关注知识一致性、更新链路与存储容量;Fat Skills最高,除知识外还要监控触发可靠性、任务失败重试、执行幂等。
  • 安全与合规(通用):三者都需考虑身份认证、权限控制、数据隔离与审计日志;LLM Wiki因知识持久化,需额外关注敏感信息的存储与访问边界;Fat Skills因会”执行动作”,需重点关注触发权限、写操作的可审计与可回滚,避免误触发带来副作用。
  • 成本结构:RAG主要为每次请求的算力成本;LLM Wiki增加存储与写入/合并的计算开销,但通过复用降低重复生成;Fat Skills增加调度与执行成本,却可能显著替代人工操作。具体成本取决于实现与调用量,应结合业务实测评估,而非套用固定数字。
  • 落地建议:若团队运行在成熟的云平台之上(如百度智能云),可借助对象存储、向量检索、消息队列、日志服务、监控告警、定时任务等通用能力来承载上述各层,从而降低自建运维负担。

五、对比表格

维度 RAG LLM Wiki Fat Skills
核心定位 检索增强生成 知识持久化与关联 能力沉淀与主动执行
系统状态 无状态 有状态(知识可积累) 有状态(知识+执行)
触发方式 被动问答 被动问答+复用 主动触发(定时/事件/变更)
知识复用 不支持 支持 支持
冲突/推理 需硬编码规则 可基于关联发现 技能内多步推理
改造成本 低 中 高
运维复杂度 低 中 高
安全重点 访问控制 知识存储与权限 触发与写操作审计
典型收益 快速准确问答 越用越厚、减少重算 自动化流程、替代人工

六、典型场景选择

  • 仅需文档问答、知识更新不频繁:RAG足矣,无需过度设计。
  • 咨询高频重复、希望系统积累与自我修正:LLM Wiki更契合,尤其适合合规、研发规范等需要持续更新、发现矛盾的领域。
  • 需要主动产出与多步执行:如每日简报、变更监控、跨系统比对,Fat Skills更能覆盖,适合运维、发布、风控等流程化场景。

七、选型建议

选型应基于”业务成熟度 + 团队运维能力 + 风险容忍度”综合判断,而非一味追新:

  • 在业务刚起步、需求以问答为主时,优先考虑RAG,快速验证价值。
  • 当重复查询与知识陈旧成为主要痛点,且团队具备一定存储与数据治理能力时,向LLM Wiki演进,收益主要来自知识复用与积累。
  • 当需求明确转向”主动动作”,且团队能保证触发可靠、执行可审计、操作可回滚时,再考虑Fat Skills;若团队运维经验有限,建议先在小范围、低风险的只读类技能上试点,再逐步扩展到有写操作的技能。

八、迁移与升级注意事项

从RAG平滑升级,需重点关注:

  • 数据一致性:LLM Wiki的知识写入需设计去重、版本与失效策略,避免错误知识被沉淀放大。
  • 接口与权限:Fat Skills引入触发与执行后,要为技能设置最小权限,写操作需可审计、可回滚,防止误触发造成生产影响。
  • 稳定性与幂等:定时或事件触发的技能必须保证幂等,重复触发不产生重复副作用,并配套失败重试与告警。
  • 兼容性:优先复用已有RAG检索层,采用叠加式演进而非推倒重来,降低迁移风险。
  • 容量与成本:知识的持久化存储、调度任务的资源占用需提前做容量规划,并以实测数据评估长期维护成本。

九、总结

RAG、LLM Wiki与Fat Skills并非相互替代,而是一条从”检索”到”知识”再到”行动”的递进路径。RAG胜在轻量、快速、接入成本低;LLM Wiki通过知识持久化解决重复重算与复用难题,让系统”越用越厚”;Fat Skills在知识之上叠加触发与编排,让系统具备主动行动能力,但复杂度与运维要求最高。选型的关键不是判断”哪个更强”,而是回答”当前业务痛点在哪一层、团队能否承接对应的复杂度”,再据此选择叠加演进而非盲目重构。

发表评论

活动