기존 RAG는 매 질문마다 모든 지식을 다시 검색한다. 이것은 도서관에서 매번 책 전체를 훑는 것과 같다. LLM Wiki는 반대로, 수집 시점에 지식을 한 번 컴파일해두고, 이후에는 그 구조화된 위키에서 바로 찾는다. 이 차이는 단순한 속도 이상의 의미를 갖는다.
컴파일하면 검색 결과가 일관성을 유지한다. RAG는 같은 질문에도 임베딩 모델의 민감도, 청크 분할 방식에 따라 다른 결과를 뱉을 수 있다. 반면 컴파일된 위키는 변경이 있을 때만 업데이트되므로 지식의 안정성과 재현성이 확보된다. 또한 누적될수록 노드 간 연결이 많아져 연관 검색의 정밀도가 올라간다. 즉, 시간이 지날수록 지식 베이스가 스스로 지능화된다.
근거
“它不是每次都’重新检索’的低效模式，而是让AI直接帮你增量构建一个真正的结构化Wiki —— 知识编译一次，就持续进化、越用越聪明！”
원문은 ‘컴파일 한 번, 지속 진화, 쓸수록 똑똑해진다’는 핵심을 압축적으로 표현한다. 전통적인 RAG 패턴과의 대비가 명확하다.
연결된 생각
- 20260526-llm-wiki-compile-based-knowledge-system — 이 원리를 구현한 LLM Wiki 개념 노트
- 20260526-hidden-knowledge-clusters-emerge-from-louvain — 컴파일 과정에서 드러나는 은닉 지식 군집