最本质的区别在于知识何时被结构化。Karpathy 用一个精妙的类比概括了二者：
传统 RAG 像解释器——每次提问都临时去原始文档里检索、拼接、回答，查询结束知识不沉淀。100 篇资料进去，第 101 篇不会让前 100 篇变得更好。
而 LLM Wiki 像编译器——资料入库时一次性结构化「编译」成持久的 Wiki 页面，查询时直接读取已整理好的知识。新知识入库会自动优化、补充、关联旧知识，整个库持续自我进化。
落地结构上，LLM Wiki 是三层纯 Markdown：raw/ 原始资源（只读）、wiki/ 知识库（LLM 维护）、schema.yaml 规则（人类定义）。
LLM Wiki 用四个维度计算页面间相关性权重，再用 Louvain 算法发现聚类：
① 来源重叠 ×4.0 共享同一原始来源的页面，权重最高——同源往往意味着强语义关联。
② 直接链接 ×3.0 通过 [[wikilinks]] 直接互联的页面。
[[wikilinks]]
③ Adamic-Adar ×1.5 通过共同邻居间接关联，衡量结构相似性。
④ 类型亲和 ×1.0 同类型页面（实体↔实体、概念↔概念）的加分。
每个聚类还会算内聚度评分，低于 0.15 会被标记警告——提示你这个知识域可能需要补充资料。