Wiki Memory：LangChain CEO 预言的 Agent 记忆新范式，开发者深度解读

原文: langchain.com/blog/wiki-memory
作者: Harrison Chase — LangChain 联合创始人 & CEO
核心论点: Agent 记忆还没有标准，但 Wiki Memory 这个模式正在浮现

---

一句话背景

AI Agent 要”记住东西”，现在的方案五花八门——对话历史、向量数据库、用户偏好、事件日志……每个团队对”记忆”的理解都不一样。

Harrison Chase 在这篇文章里提出了一个正在浮现的共识：Wiki Memory。

这不是新技术，而是一种新的架构模式——简单、可检查、基于文件，用 Agent 来创建和维护，让未来的 Agent 能高效利用。

---

核心观点解读（逐点分析）

观点一：Agent 记忆的本质问题

“Memory for agents is still early, with little to no standards.”

原始数据（日志、笔记、代码、Slack 线程、会议记录）包含大量知识，但直接塞给 Agent 有两个问题：

1. 太嘈杂：原始数据有太多无关信息
2. 太大：超出 context window，每次都要重新检索

解决方案：预处理。不是在查询时检索原始数据，而是提前把它压缩成更密集的表示。

观点二：Wiki Memory 和 RAG 的根本区别

这是文章最重要的洞察，也是很多开发者容易混淆的地方：

	RAG	Wiki Memory
什么时候处理	查询时动态检索	提前预处理、维护
存的是什么	原始文本 chunks	合成后的结构化知识
Agent 每次需要做什么	重新理解原始片段	直接读取已整理好的知识
时间成本	查询时较高	查询时很低（写入时较高）
可检查性	低（embedding 是黑盒）	高（就是 Markdown 文件）

用他的话说：

“RAG usually retrieves raw chunks at query time. A wiki precomputes and maintains a higher-level synthesis, so the agent does not have to rediscover the structure every time.”

观点三：什么是”Wiki”？

他给出了一个精确的定义：

“A wiki is an agent-maintained data structure that represents source knowledge in an agent-friendly way.”

关键词：

• Agent-maintained：不是人手动写，是 Agent 自动创建和更新
• Persistent：持久化，重启不丢
• Structured：有结构，方便 Agent 检索
• Inspectable：人类可以直接读（不是向量，是文件）
• Updated over time：随着新数据到来持续更新

不需要字面上像维基百科，核心是这五个属性。

观点四：真实世界案例

文章提到了三个已经在做这件事的产品：

DeepWiki by Cognition
为 GitHub 仓库生成 AI 文档。给人类和编码 Agent 一个代码库的高层心智地图。

Karpathy 的 LLM Wiki
更通用的版本：不只针对代码，可以处理任意来源文件。LLM 增量构建并维护一个持久 Markdown wiki，作为用户和原始资料之间的中间层。

Factory AutoWiki
类似 DeepWiki，分析代码库并生成结构化、可浏览的文档，随 repo 变化保持更新。

这三个都是 wiki memory 在代码/文档领域的具体实例。

观点五：四个核心开放问题

Harrison Chase 诚实地承认这个模式还有很多未解决的问题：

1. 原始数据是什么？
   → 当前答案：任何 Agent 可以读取或访问的东西

2. 压缩后的数据用什么格式最好？
   → 当前答案：文件（Markdown）

3. 如何压缩数据？
   → 当前答案：用 Agent

4. 如何保持压缩表示的更新？
   → 当前答案：用 Agent

这四个”用 Agent”的答案看起来简单，但背后有深刻的设计选择：文件是最优基底。

“Files are attractive because they are inspectable, editable, versionable, and easy for agents to read and write.”

---

开发者实践指南

何时选择 Wiki Memory vs 其他方案？

记忆类型	适用场景	方案
Wiki Memory	持久的领域知识、可复用的知识库	文件 + Agent 维护
短期对话状态	当前会话上下文	对话历史
用户偏好	个人化、简单键值	数据库或 JSON 文件
高频事件日志	系统日志、操作记录	专用日志系统

文章明确说：Wiki 不是记忆的全部，它最适合持久的领域知识。

最简单的实现方式

# 概念级示例：Wiki Memory 的基本结构
import os
from pathlib import Path

WIKI_DIR = Path("./wiki")
RAW_DATA_DIR = Path("./raw-sources")

def ingest_new_source(source_path: str, agent_client):
    """把新资料录入 wiki"""
    raw_content = open(source_path).read()
    
    # 让 Agent 把新内容整合进现有 wiki
    prompt = f"""
    以下是新的原始资料：
    {raw_content}
    
    请：
    1. 识别这份资料里的关键概念和知识点
    2. 检查 {WIKI_DIR} 里的现有 wiki 文件
    3. 更新或创建相关 wiki 页面，每条结论注明来源文件
    4. 如果有新的关键实体，创建对应的 wiki 页面
    5. 在 log.md 里追加本次操作记录
    """
    
    agent_client.run(prompt, working_dir="./")

def query_wiki(question: str, agent_client):
    """基于 wiki 回答问题"""
    prompt = f"""
    基于 {WIKI_DIR} 里的知识库，回答：{question}
    
    要求：
    - 只引用 wiki 里有的内容
    - 每个观点注明来自哪个 wiki 页面
    - 如果知识库里没有足够信息，说明缺少什么
    """
    
    return agent_client.run(prompt)

与现有生态的关系

文章把 Wiki Memory 和这几个系统做了对比：

系统	定位	关系
LangMem	通用 Agent 记忆	Wiki 是其一个子集
Letta	Agent 记忆管理	类似，但 wiki 用文件更简单
Mem0	个性化记忆层	偏用户偏好，wiki 偏领域知识
Zep	长期记忆平台	类似，wiki 可作为其中一层

Harrison Chase 的判断是：这些系统解决的是更广泛的 Agent 记忆问题，而 Wiki Memory 之所以值得单独拿出来说，是因为它用了最简单的底层基底（文件），却能覆盖很多实际需求。

---

为什么这个观点在现在特别重要

背景：Agent 应用正在进入”记忆期”

2025 年以前，大多数 Agent 应用都是无状态的——每次对话从头开始。2026 年，有状态、有记忆的 Agent 应用开始成为主流需求。

但”记忆”太复杂了：

• 向量数据库难以维护、不透明、成本高
• 完整对话历史太长，不适合长期积累
• 没有统一标准，每个团队重复造轮子

Wiki Memory 提供了一条务实的中间路径：

• 用文件，所有人都会用
• 用 Agent 维护，不需要人工整理
• 结果是可读的 Markdown，可检查、可版本控制

”脑克隆”的商业价值

文章里有一个很有意思的案例：

“一家研究公司的朋友想把研究人员的知识’克隆’下来，这样即使他们离职，知识也还在。通过看他们的实验记录、笔记和行为，可以近似出这个’大脑克隆’。”

这是一个非常真实的企业痛点：知识管理。Wiki Memory 提供的是一种可自动化的知识沉淀机制——不需要人手动写文档，由 Agent 从已有数据里提炼。

---

开发者行动清单

根据这篇文章，如果你在构建 Agent 应用：

✅ 应该做

• 为你的领域知识建一个 Agent 维护的 wiki（Markdown 文件）
• 把 wiki 分成：sources/（原始，只读）→ wiki/（合成，Agent 写入）
• 让 Agent 在每次获得新信息时更新 wiki，而不是每次查询时重新推断
• 在 wiki 里追踪引用链（每个结论来自哪个 source）

❌ 避免

• 把原始数据直接塞给 Agent 处理（太嘈杂）
• 用向量数据库存所有东西（适合检索，不适合合成知识）
• 手动维护 wiki（让 Agent 来）
• 把 wiki 和用户偏好/对话历史混在一起（不同的记忆类型）

🔧 推荐工具

• OpenKnowledge：实现 Karpathy LLM wiki 模式的编辑器
• LangMem：LangChain 官方记忆框架
• Claude Code / Cursor 的 MCP：直接让 coding agent 读写你的 wiki 文件

---

一句话总结

Wiki Memory = 让 Agent 把原始数据提炼成压缩的、持久的、可检查的文件知识库，未来的 Agent 不需要重新推断，直接读取结论。

这不是银弹，但对于需要长期积累的领域知识，这可能是目前最简单有效的实现方式。

---

© 2026 Author: Mycelium Protocol. 本文采用 CC BY 4.0 授权。
原文作者：Harrison Chase（LangChain CEO）· 原文链接：https://www.langchain.com/blog/wiki-memory

TL;DR: Harrison Chase (LangChain CEO) identifies “wiki memory” as the emerging standard pattern for AI agent long-term memory. Unlike RAG (which retrieves raw chunks at query time), wiki memory precomputes a structured, agent-maintained knowledge base in plain files. Persistent, inspectable, versioned, and updatable. Best for durable domain knowledge — not conversation state or user preferences.

---

What Is Wiki Memory?

“A wiki is an agent-maintained data structure that represents source knowledge in an agent-friendly way.” — Harrison Chase

Five required properties:

1. Agent-maintained — the agent creates and updates it, not humans
2. Persistent — survives restarts and sessions
3. Structured — organized for efficient agent retrieval
4. Inspectable — readable by humans (files, not vectors)
5. Updated over time — grows as new data arrives

The Critical Distinction from RAG

	RAG	Wiki Memory
When processed	At query time (dynamic)	Upfront (precomputed)
What’s stored	Raw text chunks	Synthesized structured knowledge
Per-query cost	High (re-derive structure)	Low (structure already there)
Inspectability	Low (embedding is opaque)	High (it’s just markdown files)

RAG retrieves. Wiki precomputes. For frequently accessed domain knowledge, the wiki pays off fast.

Why Files?

Files are the simplest possible substrate:

• Inspectable by humans
• Editable by both humans and agents
• Versionable with git
• Easy for agents to read and write
• No special infrastructure needed

Four Open Questions

1. What is the raw data? → Anything an agent can read or access
2. Best format for compressed data? → Files (Markdown)
3. How to compress? → An agent
4. How to keep it updated? → An agent

When to Use Wiki Memory (vs alternatives)

Use case	Memory type
Durable domain knowledge	✅ Wiki Memory
Short-term conversation state	Conversation history
User preferences	Key-value store
High-frequency event logs	Dedicated logging system

Quickest Implementation Pattern

raw-sources/    ← verbatim originals (immutable, agent reads)
     ↓ agent ingests
wiki/           ← synthesized knowledge (agent writes, human readable)
     ↓ 
log.md          ← append-only audit trail

Every wiki claim cites a specific source file. Every ingest is logged. This is Karpathy’s pattern, formalized.

Real-World Examples

• DeepWiki (Cognition): AI-generated wiki for GitHub repos
• Karpathy’s LLM Wiki: General-purpose agent-maintained wiki from any sources
• Factory AutoWiki: Codebase wiki that updates as the repo changes

Links: Original post · LangMem docs · OpenKnowledge

---

© 2026 Author: Mycelium Protocol. Licensed under CC BY 4.0.
Original author: Harrison Chase (LangChain CEO)