PKM frente a RAG frente a Wiki frente a Sistemas de Memoria: Explicación Clara
Un mapa de los sistemas de conocimiento modernos
La gestión del conocimiento personal (PKM), la generación aumentada por recuperación (RAG), las wikis, los sistemas de memoria de IA y, ahora, los flujos de trabajo prácticos asistidos por IA, suelen discutirse como si resolvieran el mismo problema. No es así. Todos tratan con el conocimiento, pero operan en diferentes capas:
- El PKM ayuda a los humanos a pensar.
- Las wikis ayudan a los grupos a preservar el conocimiento compartido.
- La RAG ayuda a las máquinas a recuperar conocimiento externo.
- Los sistemas de memoria ayudan a los agentes de IA a mantener el contexto a lo largo del tiempo.
Confundir estos sistemas conduce a una mala arquitectura.
Se obtienen wikis llenas de notas personales de borrador, sistemas RAG sin una fuente de verdad, capas de memoria que pretenden ser bases de datos y herramientas de PKM sobrecargadas con automatizaciones para las que nunca fueron diseñadas.
Un modelo mejor es verlos como diferentes partes de un espectro de sistemas de conocimiento.
Este artículo compara el PKM, la RAG, las wikis y los sistemas de memoria de IA por estructura, recuperación, propiedad, evolución y casos de uso en el mundo real. Si desea ver cómo se ven esas abstracciones cuando se aplican a la toma de notas diaria concreta, la documentación y el mantenimiento de libros de instrucciones (runbooks), el artículo complementario IA para la gestión del conocimiento: flujos de trabajo reales que resisten recorre las tuberías de resumen, extracción y vinculación que se sitúan sobre los cimientos del PKM y las wikis, en lugar de reemplazarlos.
La versión corta
| Sistema | Usuario principal | Propósito principal | Mejor para |
|---|---|---|---|
| PKM | Individual | Desarrollar conocimiento personal | Pensamiento, aprendizaje, síntesis |
| Wiki | Equipo o grupo público | Mantener conocimiento compartido | Documentación, políticas, referencia |
| RAG | Sistema de máquina | Recuperar contexto para la generación | Respuestas de IA sobre datos externos |
| Memoria IA | Agente de IA | Persistir el contexto a lo largo del tiempo | Agentes de larga duración y personalización |
La distinción más importante es esta:
El PKM y las wikis estructuran el conocimiento. La RAG recupera el conocimiento. Los sistemas de memoria evolucionan el contexto del agente.
Ese es el modelo mental fundamental.
Por qué se confunden estos sistemas
Se superponen en el comportamiento visible.
Todos pueden:
- almacenar notas
- recuperar información
- responder preguntas
- organizar referencias
- conectar ideas
Pero difieren en intención.
Un sistema de PKM no es solo una wiki privada. Una wiki no es solo una base de datos RAG. Una tubería RAG no es una memoria de IA. Un sistema de memoria de IA no es un reemplazo para la documentación estructurada.
La confusión proviene de tratar el “conocimiento” como algo único.
En la práctica, el conocimiento tiene múltiples capas:
- Captura
- Estructura
- Recuperación
- Interpretación
- Reutilización
- Evolución
Diferentes sistemas optimizan diferentes etapas.
Los cuatro paradigmas
1. PKM
PKM son las siglas de gestión del conocimiento personal.
Es la práctica de capturar, organizar, conectar y utilizar el conocimiento para el trabajo personal.
Los sistemas de PKM típicos incluyen:
- Obsidian
- Logseq
- Notion
- carpetas de Markdown plano
- sistemas Zettelkasten
- sistemas de segundo cerebro
El PKM es impulsado por humanos.
El objetivo no es solo el almacenamiento. El objetivo es un mejor pensamiento. Cualquiera sea la herramienta, las notas subyacentes aún necesitan moverse entre los dispositivos donde ocurre ese pensamiento; Sincronización de archivos Syncthing para sistemas de conocimiento autoalojados cubre la capa privada, peer-to-peer, que mantiene un sistema de PKM basado en Markdown sincronizado sin una cuenta en la nube.
En qué es bueno el PKM
El PKM funciona bien para:
- aprender un nuevo dominio
- desarrollar ideas originales
- conectar notas a lo largo del tiempo
- escribir artículos o libros
- rastrear investigación personal
- construir un segundo cerebro
Un buen sistema de PKM es desordenado de una manera útil. Soporta pensamientos inacabados, ideas parciales, contexto privado y conceptos evolutivos.
Por eso el PKM no es lo mismo que la documentación.
La documentación busca claridad. El PKM tolera la ambigüedad.
Modos de fallo del PKM
El PKM a menudo falla cuando se convierte en:
- un vertedero
- un proyecto de taxonomía de carpetas
- una estética de productividad
- un pasatiempo de optimización de herramientas
- un archivo privado que nadie usa
El principal riesgo es la colección sin síntesis.
Si solo guarda información, no tiene un sistema de conocimiento. Tiene un vertedero personal.
Opinión personal
El PKM debería optimizarse para la reutilización, no para la captura.
Capturar todo parece productivo, pero crea deuda. El valor real aparece cuando las notas se conectan, reescriben, comprimen y utilizan en la producción.
2. Wiki
Una wiki es una base de conocimiento estructurada diseñada para referencia compartida.
Los sistemas de wiki típicos incluyen:
- DokuWiki
- MediaWiki
- Confluence
- BookStack
- sitios de documentación basados en Git
- bases de conocimiento internas de empresas
Una wiki suele ser más formal que el PKM.
Debería responder:
¿Qué sabemos y dónde está la versión actual?
En qué son buenas las wikis
Las wikis funcionan bien para:
- documentación de equipos
- libros de instrucciones operativos
- conocimiento del producto
- documentos de políticas
- referencia técnica
- material de incorporación (onboarding)
- conocimiento de dominio estable
Una wiki es un contrato social.
Dice:
Esta página es el lugar donde vive este conocimiento.
Eso hace que la propiedad y el mantenimiento sean críticos.
Modos de fallo de la wiki
Las wikis a menudo fallan porque se vuelven obsoletas.
Problemas comunes:
- ausencia de propietarios de página
- capturas de pantalla desactualizadas
- páginas duplicadas
- versiones canónicas poco claras
- demasiada jerarquía
- ausencia de ritmo de mantenimiento
Una wiki con información antigua es peor que no tener wiki, porque crea una confianza falsa.
Opinión personal
Una wiki debería ser aburrida.
Eso es un cumplido.
Una buena wiki no es donde nacen las ideas. Es donde se preserva el conocimiento estable después de que se vuelve útil para otros.
3. RAG
RAG son las siglas de generación aumentada por recuperación.
Es una arquitectura de IA donde un sistema recupera información externa relevante antes de pedirle a un modelo de lenguaje que genere una respuesta.
Una tubería RAG básica suele tener:
- Documentos
- Fragmentación (chunking)
- Incrustaciones (embeddings) o índice de búsqueda
- Recuperación
- Reclasificación opcional
- Ensamblaje del prompt
- Generación del LLM
La RAG es impulsada por máquinas.
El objetivo no es crear conocimiento. El objetivo es darle al modelo un contexto relevante en el momento de la consulta.
En qué es buena la RAG
La RAG funciona bien para:
- respuesta a preguntas sobre documentos
- asistentes de búsqueda interna
- bots de soporte
- asistentes de documentación técnica
- búsqueda de cumplimiento
- investigación sobre grandes corpus
- conexión de LLMs con información actualizada
La RAG es especialmente útil cuando el modelo no puede o no debería memorizar la información.
Modos de fallo de la RAG
La RAG a menudo falla cuando los equipos la tratan como una búsqueda mágica.
Problemas comunes:
- mala fragmentación (chunking)
- recuperación débil
- contexto ruidoso
- metadatos faltantes
- ausencia de fuente de verdad
- documentos obsoletos
- evaluación débil
- ausencia de bucle de retroalimentación humana
La RAG no corrige una mala gestión del conocimiento.
Si el contenido subyacente está fragmentado, desactualizado o contradictorio, el sistema RAG mostrará ese desorden con confianza.
Opinión personal
La RAG no es una estrategia de conocimiento.
La RAG es una estrategia de acceso.
Ayuda a las máquinas a acceder al conocimiento, pero no decide qué conocimiento es válido, mantenido, canónico o útil.
4. Sistemas de memoria de IA
Los sistemas de memoria de IA dan a los agentes un contexto persistente más allá de un solo prompt o conversación.
Pueden almacenar:
- preferencias del usuario
- decisiones pasadas
- hechos a largo plazo
- historial de tareas
- resúmenes
- reflexiones
- entidades extraídas
- memorias episódicas
- memorias semánticas
Los ejemplos e ideas relacionadas incluyen:
- niveles de memoria estilo MemGPT
- memoria de agente a largo plazo
- memoria episódica
- memoria semántica
- memoria vectorial
- memoria de perfil
- memoria de estado de la herramienta
- agentes reflexivos
La memoria de IA es impulsada por agentes.
El objetivo es la continuidad.
En qué es buena la memoria de IA
Los sistemas de memoria de IA funcionan bien para:
- asistentes personales
- agentes de codificación de larga duración
- agentes de investigación
- agentes de soporte al cliente
- sistemas de tutoría
- automatización de flujos de trabajo
- compañeros persistentes
- ejecución de tareas multisesión
La memoria importa cuando el sistema debe comportarse como si recordara.
Modos de fallo de la memoria de IA
Los sistemas de memoria son peligrosos cuando no se gestionan.
Problemas comunes:
- recordar hechos incorrectos
- almacenar demasiado
- riesgo de privacidad
- preferencias obsoletas
- clasificación de memoria deficiente
- envenenamiento de memoria
- ausencia de mecanismo de olvido
- confundir memoria con verdad
Un sistema de memoria necesita gobernanza.
Debería responder:
- ¿Qué debe recordarse?
- ¿Quién lo aprobó?
- ¿Cuánto tiempo debe vivir?
- ¿Cuándo debe olvidarse?
- ¿Cómo se corrige?
Opinión personal
La memoria de IA no es solo un contexto largo.
El contexto largo permite que un modelo vea más a la vez. La memoria decide qué sobrevive a lo largo del tiempo.
En la capa de ingeniería — memoria de trabajo, estado estructurado, memoria de recuperación y política de consolidación en OpenClaw, Hermes y SDKs de proveedores — esa división se desglosa en Sistemas de memoria en asistentes de IA.
Esos son problemas diferentes.
Tabla de diferencias clave
| Dimensión | PKM | Wiki | RAG | Memoria IA |
|---|---|---|---|---|
| Usuario principal | Individual | Equipo o grupo público | Sistema de IA | Agente de IA |
| Función principal | Pensamiento | Referencia compartida | Recuperación en tiempo de consulta | Contexto persistente |
| Estado del conocimiento | Evolutivo | Estabilizado | Recuperado | Adaptativo |
| Estructura | Flexible | Explícita | Basada en índice | Aprendida o extraída |
| Estilo de recuperación | Búsqueda humana y vinculación | Navegación y búsqueda | Recuperación semántica o híbrida | Relevancia más relevancia destacada |
| Propiedad | Personal | Propietarios de página o equipo | Mantenedores del sistema | Controlado por agente o usuario |
| Horizonte temporal | Largo plazo personal | Largo plazo compartido | Tiempo de consulta | Multisesión |
| Mejor salida | Perspectiva (Insight) | Referencia fiable | Respuesta fundamentada | Continuidad |
| Principal riesgo | Acumulación | Obsolescencia | Mala recuperación | Mala memoria |
| Buena métrica | Reutilización en el pensamiento | Confianza y frescura | Calidad de la respuesta | Continuidad útil |
Estructura vs recuperación vs evolución
La forma más sencilla de entender estos sistemas es comparar lo que optimizan. Las implicaciones arquitectónicas de esa distinción se exploran en profundidad en Recuperación vs Representación en Sistemas de Conocimiento.
El PKM optimiza la evolución personal
El PKM trata sobre cómo cambia tu comprensión.
Recopila material, lo reescribe, lo conecta y lo convierte en algo útil.
El resultado suele ser:
- un mejor modelo mental
- un artículo escrito
- una decisión
- una dirección de investigación
- una perspectiva reutilizable (insight)
El PKM no se trata principalmente de búsqueda rápida. Se trata de interpretación a largo plazo.
Las wikis optimizan la estructura compartida
Las wikis tratan sobre conocimiento estable.
Preguntan:
- ¿Cuál es la respuesta actual?
- ¿Quién es el propietario?
- ¿A dónde deben ir las personas?
- ¿Qué debe actualizarse?
Una wiki funciona cuando las personas confían en ella.
La RAG optimiza la recuperación de máquinas
La RAG trata sobre recuperar el contexto correcto en el momento correcto.
Pregunta:
- ¿Qué documentos son relevantes?
- ¿Qué fragmentos deben usarse?
- ¿Cuánto contexto cabe?
- ¿Qué debe citar el modelo?
La RAG funciona cuando la calidad de la recuperación es alta y el corpus fuente es digno de confianza.
La memoria de IA optimiza la continuidad
Los sistemas de memoria tratan sobre la persistencia entre sesiones.
Preguntan:
- ¿Qué debe recordar el agente?
- ¿Qué debe olvidarse?
- ¿Qué memoria importa ahora?
- ¿Cómo debe cambiar la memoria el comportamiento?
La memoria funciona cuando mejora el comportamiento futuro sin contaminar al agente con contexto obsoleto o incorrecto.
Cuándo usar PKM
Use PKM cuando el conocimiento sea personal, inacabado o exploratorio.
Buenos escenarios:
- aprender sistemas distribuidos
- planificar artículos
- investigar arquitectura de LLM
- recopilar notas de libros
- construir un segundo cerebro
- rastrear experimentos personales
Use PKM cuando aún esté pensando.
Ejemplo
Está aprendiendo sobre la evaluación de RAG.
Recopila:
- artículos
- notas de referencia
- diagramas
- ideas de implementación
- fallas de sus propios experimentos
Esto pertenece al PKM primero.
Más tarde, una vez que el conocimiento se estabilice, puede publicar un artículo o convertirlo en documentación.
Cuándo usar una wiki
Use una wiki cuando el conocimiento deba compartirse y mantenerse.
Buenos escenarios:
- incorporación de equipos
- documentación de API
- libros de instrucciones operativos
- registros de decisiones arquitectónicas
- conocimiento del producto
- instrucciones de despliegue
- procedimientos de soporte
Use una wiki cuando otros necesiten una respuesta fiable.
Ejemplo
Su equipo tiene una forma correcta de desplegar un sitio de Hugo en S3 y CloudFront.
Eso no pertenece solo en las notas privadas de alguien.
Pertenece en una wiki o sistema de documentación con propiedad clara.
Cuándo usar RAG
Use RAG cuando un sistema de IA necesite acceso a conocimiento externo en el momento de la consulta.
Buenos escenarios:
- chatbot sobre documentación
- asistente de búsqueda sobre documentos internos
- asistente de soporte sobre artículos de ayuda
- asistente legal o de cumplimiento
- investigación sobre grandes conjuntos de documentos
- asistente de desarrollador sobre documentación de código
Use RAG cuando el problema sea:
El modelo necesita información que vive fuera de sus pesos.
Ejemplo
Tiene cientos de artículos técnicos y quiere un asistente que responda preguntas usando ellos.
La RAG es una buena opción.
Pero solo si los documentos son lo suficientemente limpios para recuperar de ellos.
Cuándo usar memoria de IA
Use memoria de IA cuando un agente necesite continuidad.
Buenos escenarios:
- agentes de codificación que recuerdan convenciones del proyecto
- asistentes personales que recuerdan preferencias
- agentes de investigación que continúan investigaciones largas
- agentes de tutoría que recuerdan el progreso del estudiante
- agentes de soporte que recuerdan interacciones anteriores
- agentes autónomos que rastrean objetivos
Use memoria cuando el sistema deba mejorar a lo largo del tiempo.
Ejemplo
Un agente de codificación debería recordar:
- el proyecto usa Go
- las pruebas se ejecutan con un comando específico
- el usuario prefiere dependencias mínimas
- las migraciones de base de datos siguen una convención
Eso no es solo recuperación. Es un contexto operativo persistente — la distinción que este artículo traza entre RAG y la memoria del agente, con detalle de implementación en Sistemas de memoria en asistentes de IA.
Cómo se combinan estos sistemas
Los sistemas más útiles son híbridos.
Una arquitectura de conocimiento madura podría verse así:
- PKM para exploración personal
- Wiki para conocimiento compartido estable
- RAG para acceso de máquinas
- Memoria de IA para continuidad de agentes de larga duración
Cada capa tiene un trabajo.
Patrón 1. PKM a wiki
Este es el flujo de conocimiento humano.
Flujo:
- Capturar notas de forma privada
- Conectar ideas
- Destilar perspectivas
- Publicar conocimiento estable
- Mantener como referencia compartida
Así es como la investigación personal se convierte en conocimiento organizacional.
Ejemplo
Investiga herramientas de conocimiento autoalojadas en Obsidian.
Después de probar DokuWiki, Nextcloud y sistemas estáticos de Markdown, escribe una guía estable en su sitio o wiki del equipo.
El PKM creó la perspectiva. La wiki preserva el resultado.
Patrón 2. Wiki a RAG
Este es el flujo de acceso de máquinas.
Flujo:
- Mantener páginas canónicas de la wiki
- Indexarlas
- Recuperar secciones relevantes
- Generar respuestas fundamentadas
- Vincular de vuelta a las fuentes
Este es uno de los patrones RAG más limpios.
La wiki permanece como la fuente de verdad. La RAG se convierte en la capa de acceso.
Ejemplo
Un bot de soporte responde preguntas usando una wiki del producto.
El bot no debería reemplazar la wiki. Debería citar y dirigir a los usuarios de vuelta a las páginas canónicas.
Patrón 3. RAG más memoria
Este es el flujo de continuidad del agente.
Flujo:
- La RAG recupera hechos externos
- La memoria almacena el contexto del usuario o la tarea
- El agente combina ambos
- El comportamiento futuro mejora
La RAG responde:
¿Qué dice la base de conocimiento?
La memoria responde:
¿Qué importa sobre este usuario, proyecto o tarea?
Ejemplo
Un agente de codificación usa RAG para recuperar documentación de marcos de trabajo.
Usa la memoria para recordar que su proyecto evita ORMs, prefiere sqlc y usa registro estructurado.
Esos son tipos de conocimiento diferentes.
Patrón 4. PKM más asistente de IA
Este es el flujo de pensamiento híbrido.
Flujo:
- El humano captura notas
- La IA resume y sugiere enlaces
- El humano edita y valida
- El conocimiento se vuelve más estructurado
- Algunas páginas se gradúan a wiki o publicación
La IA aumenta el sistema de PKM, pero no debería poseer la verdad.
Ejemplo
Un asistente de IA puede sugerir conexiones entre notas sobre RAG, sistemas de memoria y LLM Wiki.
Pero el humano decide qué conexiones son significativas.
Errores comunes de arquitectura
Error 1. Tratar la RAG como una wiki
La RAG no es una base de conocimiento.
No crea automáticamente una estructura canónica. Recupera de lo que exista.
Si los documentos fuente son malos, la RAG se convierte en una interfaz confiable para un conocimiento malo.
Error 2. Tratar la memoria como una base de datos
La memoria de IA es un contexto selectivo, no un almacenamiento general.
Una base de datos almacena registros. La memoria cambia el comportamiento.
Si necesita hechos exactos, use una base de datos o una base de conocimiento. Si necesita continuidad, use memoria.
Error 3. Tratar el PKM como documentación
El PKM puede ser desordenado.
La documentación no debería serlo.
Las notas privadas pueden contener ideas a medio formar. La documentación compartida debería contener conocimiento estable y mantenido.
Error 4. Tratar una wiki como una herramienta de pensamiento
Una wiki puede soportar el pensamiento, pero no es ideal para la exploración temprana.
Si cada pensamiento temprano debe convertirse en una página pulida, las personas dejan de escribir.
Use PKM para el pensamiento rudimentario. Use wikis para el conocimiento duradero.
Error 5. Tratar el contexto largo como memoria
El contexto largo no es memoria.
Solo ayuda mientras el contexto está presente.
La memoria persiste, selecciona, actualiza y a veces olvida.
Guía de decisiones
Use este modelo de decisión simple.
Si el conocimiento es privado y evolutivo
Use PKM.
Si el conocimiento es compartido y estable
Use una wiki.
Si una IA necesita responder desde documentos externos
Use RAG.
Si un agente necesita continuidad a lo largo del tiempo
Use memoria.
Si necesita los cuatro
Construya un sistema en capas.
No fuerce a una herramienta a hacer cada trabajo.
El espectro de sistemas de conocimiento
Estos sistemas forman un espectro desde el pensamiento humano hasta la continuidad de la IA.
| Capa | Sistema | Rol |
|---|---|---|
| Pensamiento humano | PKM | Explorar y sintetizar |
| Estructura compartida | Wiki | Preservar y mantener |
| Acceso de máquina | RAG | Recuperar y generar |
| Continuidad del agente | Memoria | Persistir y adaptar |
La dirección importa.
El conocimiento a menudo comienza como pensamiento personal, se convierte en estructura compartida, se indexa para la recuperación de máquinas y luego se convierte en parte del comportamiento persistente del agente.
Esa es la pila de conocimiento moderna.
Dónde encaja LLM Wiki
Los sistemas estilo LLM Wiki se sitúan entre la wiki y la arquitectura de IA.
No son RAG clásico.
En lugar de recuperar fragmentos solo en el momento de la consulta, intentan pre-estructurar el conocimiento en páginas, resúmenes, entidades y enlaces.
Eso los hace más cercanos a los sistemas de conocimiento compilado.
Un lugar útil:
| Sistema | Posición |
|---|---|
| Wiki | Conocimiento estructurado mantenido por humanos |
| RAG | Recuperación de máquinas en tiempo de consulta |
| LLM Wiki | Conocimiento estructurado por máquinas en tiempo de ingestión |
| Memoria | Contexto persistente del agente |
Por eso LLM Wiki pertenece cerca de la arquitectura de sistemas de conocimiento, no dentro de la RAG ordinaria.
Ejemplos prácticos
Ejemplo 1. Blog técnico personal
Un blogger técnico podría usar:
- PKM para notas de investigación
- sitio de Hugo como conocimiento publicado
- vinculación interna como estructura tipo wiki
- RAG más tarde para la búsqueda del sitio
- memoria de IA para preferencias del asistente de escritura
Esta es una arquitectura sólida.
Mantiene el juicio humano en el centro mientras aún permite soporte de IA.
Ejemplo 2. Equipo de ingeniería
Un equipo de ingeniería podría usar:
- PKM para aprendizaje individual
- wiki para estándares y libros de instrucciones
- asistente RAG para documentos internos
- memoria para agentes de codificación trabajando dentro de repositorios
La wiki debería permanecer canónica.
El asistente RAG no debería inventar procesos. La capa de memoria debería recordar las preferencias del proyecto, no reemplazar las decisiones arquitectónicas.
Ejemplo 3. Flujo de trabajo de investigación de IA
Un investigador podría usar:
- PKM para notas de papers
- wiki para resúmenes estables
- RAG para búsqueda de literatura
- memoria para agentes de investigación de larga duración
Esto funciona porque cada capa maneja una escala de tiempo diferente.
Seguridad y gobernanza
Los sistemas de conocimiento se vuelven riesgosos cuando almacenan información sensible u obsoleta.
Gobernanza del PKM
Preguntas:
- ¿Qué debe permanecer privado?
- ¿Qué debe publicarse?
- ¿Qué debe eliminarse?
Gobernanza de la wiki
Preguntas:
- ¿Quién posee cada página?
- ¿Cuándo fue revisada por última vez?
- ¿Qué es canónico?
Gobernanza de la RAG
Preguntas:
- ¿Qué fuentes están indexadas?
- ¿Están citadas las respuestas?
- ¿Cómo se evalúa la recuperación?
- ¿Qué contenido se excluye?
Gobernanza de la memoria
Preguntas:
- ¿Qué se recuerda?
- ¿Pueden los usuarios inspeccionar la memoria?
- ¿Pueden los usuarios eliminar la memoria?
- ¿Cómo se corrigen las memorias incorrectas?
La memoria necesita la gobernanza más estricta porque puede influir silenciosamente en el comportamiento futuro.
Nota sobre SEO y estrategia de contenido
Si opera un sitio técnico, esta distinción no es solo arquitectónica. También es editorial.
Puede mapear el contenido así:
- Las páginas de PKM explican las prácticas de conocimiento humano.
- Las páginas de Wiki explican sistemas de conocimiento estructurados.
- Las páginas de RAG explican la ingeniería de recuperación.
- Las páginas de Memoria explican el comportamiento persistente de la IA.
- Las páginas de Arquitectura comparan y conectan los paradigmas.
Esto le da a su sitio una malla de autoridad limpia en lugar de un montón de artículos de IA vagamente relacionados.
Conclusión final
El PKM, la RAG, las wikis y los sistemas de memoria de IA no son competidores.
Son respuestas diferentes a preguntas diferentes.
El PKM pregunta:
¿Cómo pienso mejor a lo largo del tiempo?
Una wiki pregunta:
¿Qué sabemos y dónde está la versión de confianza?
La RAG pregunta:
¿Qué contexto externo debería usar el modelo ahora mismo?
La memoria de IA pregunta:
¿Qué debe recordar este agente para el futuro?
Una vez que separa esas preguntas, la arquitectura se vuelve obvia.
Use PKM para pensar. Use wikis para la verdad compartida. Use RAG para la recuperación. Use memoria para la continuidad.
El futuro no es un sistema de conocimiento que reemplace a todos los demás.
El futuro es una arquitectura de conocimiento en capas. Para herramientas, métodos y plataformas autoalojadas en todo el espectro de gestión del conocimiento, el pilar del clúster mapea el territorio.
Fuentes y lecturas adicionales
- https://cloud.google.com/use-cases/retrieval-augmented-generation
- https://aws.amazon.com/what-is/retrieval-augmented-generation/
- https://www.ibm.com/think/topics/retrieval-augmented-generation
- https://www.ibm.com/think/topics/knowledge-management
- https://arxiv.org/abs/2310.08560
- https://research.memgpt.ai/
- https://zettelkasten.de/posts/building-a-second-brain-and-zettelkasten/
