AI Knowledge Systems
LLM Wiki
LLM Wikiは、LLMを単なる文書検索・回答エンジンとして使うのではなく、読み込んだ資料から永続的な知識ベースを構築し、継続的に保守する担当者として使う設計パターンである。中心にあるのは、質問のたびに原資料から知識を再発見するのではなく、情報を一度整理してWikiへ統合し、その後の資料や質問によって既存の知識を更新していく考え方だ。1
RAGとの違い:検索結果ではなく、蓄積された理解を使う
一般的なRAGでは、質問を受けるたびに原資料から関連チャンクを検索し、LLMがそれらを組み合わせて回答する。複数文書をまたぐ質問にも対応できる一方、複雑な関係を毎回検索・再構成するため、知識そのものが継続的に整理されるとは限らない。1
LLM Wikiでは、LLMが資料を読んだ段階で要点を抽出し、既存ページへの統合、トピック要約の改訂、エンティティページの更新、矛盾の記録、相互リンクの整備まで行う。次の質問では、毎回ゼロから資料を合成するのではなく、すでに構築された知識構造を起点にできる。知識ベースは資料を追加するほど育つ「複利的な成果物」になる。1
| 観点 | 一般的なRAG | LLM Wiki |
|---|---|---|
| 主な保存対象 | 原資料と検索用インデックス | 原資料に加えて、整理済みのWiki |
| 質問時の処理 | 関連箇所を検索して都度合成 | Wikiを検索・参照して合成 |
| 新資料の追加 | 主に検索対象を増やす | 関連ページや索引を更新し、知識を統合 |
| 文書間の矛盾 | 質問時に発見する場合がある | 取り込み時に既存主張との不一致を記録できる |
| 長期的な価値 | 検索可能な資料群 | 関係と経緯を備えた累積的な知識体系 |
両者は必ずしも排他的ではない。原資料を検索する仕組みを残しながら、その上にWikiの統合知識を置く構成も考えられる。ただし、これは原文の固定仕様ではなく、両方式の役割分担から導ける設計上の選択肢である。
3層アーキテクチャ
LLM Wikiは、役割の異なる3つの層で構成される。1
- Raw Sources(原資料):記事、論文、画像、データなど。読み取り元として保持し、Wiki生成のためにLLMが原資料そのものを書き換えない。原資料は情報の出所を確認するための基準になる。
- Wiki(知識層):LLMが作成・保守するMarkdownファイル群。要約、エンティティ、概念、比較、全体概要、統合的な見解などをページにし、相互リンクで結ぶ。
- Schema(運用規約):
AGENTS.mdやCLAUDE.mdなどの指示文書。ディレクトリ構造、ページの書式、資料の取り込み方、質問への回答方法、保守手順を定義する。
Schemaは特に重要である。同じLLMでも、更新単位や重複処理、引用方法、矛盾の扱いが定義されていなければ、毎回異なる判断でWikiを編集しかねない。Schemaを人間とLLMが共同で改善することで、知識ベースの成長とともに運用ルールも成熟させられる。1
3つの基本操作
Ingest:新しい資料を既存知識に統合する
原資料を追加し、LLMに取り込みを指示する。LLMは資料を読み、重要情報を抽出し、関連するエンティティ・概念ページを更新する。既存情報との矛盾を記録し、概要や索引を修正し、処理履歴をログに残す。1つの資料が複数のWikiページに影響することも想定されている。著者は、資料を一度に大量投入するより、1件ずつ取り込み、要約や更新内容を確認しながら進める運用を好むと述べている。1
具体例: あるプロジェクトの認証方式について、最初の設計書を取り込んだとする。LLMは認証方式のページを作り、関連するシステム構成ページからリンクする。後日、別の設計書が異なる認証方式を記載していたら、単純に古い記述を消すのではなく、既存主張との食い違いを明示し、根拠を確認できる形で統合する。これが、単なる要約保存と知識の継続的な統合の違いである。
Query:Wikiを使って答え、得られた知見も戻す
質問に答える際は、索引から関係するページを探し、必要なページを読み、複数の知識を合成する。回答形式はMarkdownページ、比較表、スライド、グラフなど質問に応じて変えられる。比較や分析の結果に長期的な価値があれば、それ自体を新しいWikiページとして保存する。これによって、会話で得られた知見も次回以降の回答の土台になる。1
Lint:Wikiの健全性を点検する
定期的にWiki全体を点検し、次の問題を探す。1
- ページ間の矛盾や、新しい資料によって古くなった主張
- 他ページから参照されない孤立ページ
- 重要なのに独立ページがない概念
- 不足している相互リンク
- Web検索などで補完できる情報の空白
Lintは単なる文章校正ではない。知識体系の一貫性、鮮度、接続性を維持するための保守工程である。
索引とログ:異なる2種類のナビゲーション
index.mdは内容ベースの索引であり、ページへのリンク、短い要約、カテゴリ、必要に応じて日付や資料数などをまとめる。LLMは回答前に索引を確認し、関連ページへ進む。log.mdは時系列の記録であり、資料取り込み、質問、Lint実行などを日時と操作種別付きで追記する。索引が「何を知っているか」を示すのに対し、ログは「いつ何を行ったか」を示す。1
原文では、約100件の資料・数百ページ程度の規模なら、索引方式だけでも機能し、埋め込みベースのRAG基盤を必須としないという見解が示されている。これは著者の実務上の目安であり、あらゆるWikiに適用できる性能ベンチマークではない。規模が大きくなった段階で、BM25・ベクトル検索・LLM再ランキングを組み合わせる検索エンジンなどを追加する選択肢がある。1
人間とLLMの役割分担
人間は資料を選び、探索の方向を決め、重要な問いを立て、分析内容を確認する。LLMは要約、ページ作成、相互参照、索引更新、矛盾の記録、履歴管理といった反復的な保守作業を担う。著者はこの関係を、ObsidianをIDE、LLMをプログラマー、Wikiをコードベースにたとえている。WikiはMarkdownファイルのGitリポジトリとして構成でき、履歴管理、ブランチ、共同作業も利用できる。1
適用範囲と限界
このパターンは個人の学習・目標管理、長期的な研究、書籍読書ノート、社内ナレッジ、競合分析、デューデリジェンス、旅行計画など、知識を時間をかけて蓄積する用途を想定する。特定のディレクトリ構造やツールを指定する完成済み製品ではなく、原資料・Wiki・Schemaという考え方を、対象領域や利用するLLMに合わせて具体化するための設計パターンである。1
したがって、導入時に決めるべきなのはツール名よりも、原資料をどう保全するか、何を独立ページにするか、既存ページをどう更新するか、矛盾や古い情報をどう表示するか、誰が変更を承認するかである。LLMが自動更新できることと、更新内容が正しいことは同義ではない。原資料への追跡可能性と、人間が確認できるレビュー工程を設計に含める必要がある。
まとめ
LLM Wikiの本質は、検索の効率化だけではなく、資料・質問・分析から得られた知識を、相互接続された永続的な成果物に変換することにある。RAGが「必要なときに原資料を探す」仕組みだとすれば、LLM Wikiは「読んだ内容を整理し続け、次の思考の土台を育てる」仕組みである。1
Quellen
Quizze
LLM Wikiで新しい資料を取り込んだとき、知識が蓄積される中心的な理由は何か?
- 原資料を検索対象に加え、質問のたびに関連箇所を最初から組み立て直すため
- 既存ページへ情報を統合し、要約・リンク・矛盾の記録を継続的に更新するため
- 古いページを削除して、新しい資料だけを独立した要約として保存するため
- すべての資料を一つの巨大な文章に連結し、索引やページ分割を不要にするため
LLM Wikiは資料を検索対象として追加するだけでなく、既存の知識構造そのものを更新する。これにより、次の質問で使える整理済みの理解が蓄積する。
LLM Wikiの3層構造で、Schemaが担う役割はどれか?
- 原資料を保管し、LLMによる編集から元データを保護する役割
- Markdownページを保存し、概念間のリンクを直接表示する役割
- ページ構造や取り込み・回答・保守の手順をLLMに指示する役割
- 質問ごとに文書チャンクを検索し、回答用の文脈を生成する役割
SchemaはWikiの運用規約であり、ページの構造、更新方法、引用、保守手順などをLLMに伝える。原資料の保管はRaw Sources、知識ページの保存はWiki層の役割である。
Kommentare
Noch keine Kommentare. Fang das Gespräch an.