PKM、RAG、Wiki、メモリシステムの違いを明確に解説します

現代の知識システムの地図

目次

PKM、RAG、ウィキ、そしてAIメモリシステムは、しばしば同じ問題を解決するかのように議論されます。 しかし、実際にはそうではありません。 これらはすべて「知識」を扱いますが、異なるレイヤーで動作しています：

  • PKMは、人間の思考を支援します。
  • ウィキは、グループが共有知識を保存するのを支援します。
  • RAGは、機械が外部知識を取得するのを支援します。
  • メモリシステムは、AIエージェントが時間とともにコンテキストを持続させるのを支援します。

これらのシステムを混同することは、悪いアーキテクチャにつながります。

結果として、個人的なメモだらけのウィキ、真実の源（ソースオブトゥルース）を持たないRAGシステム、データベースを装うメモリレイヤー、そして扱うための設計がされていない自動化で過負荷になったPKMツールが生まれてしまいます。

より良いモデルは、これらを知識システムスペクトルの異なる部分として捉えることです。

pkm vs rag vs wiki infographic

この記事では、PKM、RAG、ウィキ、およびAIメモリシステムを、構造、取得、所有権、進化、および実際のユースケースの観点から比較します。

簡潔なまとめ

システム 主なユーザー 主な目的 最も適している用途
PKM 個人 個人知識の発展 思考、学習、統合
ウィキ チームまたは公開グループ 共有知識の維持 ドキュメント、ポリシー、リファレンス
RAG 機械システム 生成のためのコンテキスト取得 外部データに基づくAI回答
AIメモリ AIエージェント 時間とともにコンテキストを持続 長期間稼働するエージェントとパーソナライゼーション

最も重要な違いは以下の通りです：

PKMとウィキは知識を構造化します。RAGは知識を取得します。メモリシステムはエージェントのコンテキストを進化させます。

これが核心的なメンタルモデルです。

なぜこれらのシステムは混同されるのか

それらは目に見える動作において重複しているためです。

これらすべては以下を行うことができます：

  • メモを保存する
  • 情報を取得する
  • 質問に答える
  • 参照を整理する
  • アイデアを接続する

しかし、意図は異なります。

PKMシステムは単なるプライベートなウィキではありません。 ウィキは単なるRAGデータベースではありません。 RAGパイプラインはAIメモリではありません。 AIメモリシステムは構造化されたドキュメンテーションの代替ではありません。

この混乱は、「知識」を一つのものとして扱うことに由来します。

実際には、知識には複数のレイヤーがあります：

  1. キャプチャ（収集）
  2. 構造化
  3. 取得
  4. 解釈
  5. 再利用
  6. 進化

異なるシステムは、異なるステージを最適化します。

4つのパラダイム

1. PKM

PKMとは、パーソナル・ナレッジ・マネジメント（個人知識管理） を意味します。

それは、個人の作業のために知識を収集、整理、接続、活用する実践です。

典型的なPKMシステムには以下が含まれます：

  • Obsidian
  • Logseq
  • Notion
  • プレーンなMarkdownフォルダ
  • Zettelkasten システム
  • セカンダリーブレイン（第二の脳）システム

PKMは人間主導です。

目標は単なる保存ではありません。目標は、より良い思考です。

PKMが得意なこと

PKMは以下に適しています：

  • 新しい分野の学習
  • 独自のアイデアの展開
  • 時間とともにメモを接続する
  • 記事や本の執筆
  • 個人研究の追跡
  • セカンダリーブレインの構築

良いPKMシステムは、有用な意味で「messy（乱雑だが有機的）」です。未完成の思考、部分的なアイデア、プライベートなコンテキスト、進化中的な概念をサポートします。

これが、PKMがドキュメンテーションと同じではない理由です。

ドキュメンテーションは明確さを求めます。 PKMは曖昧さを許容します。

PKMの失敗モード

PKMは以下のようになるときにしばしば失敗します：

  • 捨て場所になる
  • フォルダ分類プロジェクトになる
  • 生産性のための美学になる
  • ツール最適化の趣味になる
  • 誰も使わないプライベートアーカイブになる

主なリスクは、統合なしの収集です。

情報だけを保存するのであれば、それは知識システムではありません。それは個人の埋立地です。

意見

PKMは、キャプチャではなく、再利用を最適化するべきです。

すべてをキャプチャーすることは生産的に感じられますが、それは負債を生みます。真の価値は、メモが接続され、書き換えられ、圧縮され、出力で使用されるときに現れます。

2. ウィキ

ウィキは、共有リファレンスのために設計された構造化された知識ベースです。

典型的なウィキシステムには以下が含まれます：

  • DokuWiki
  • MediaWiki
  • Confluence
  • BookStack
  • Gitベースのドキュメンテーションサイト
  • 社内企業知識ベース

ウィキは通常、PKMよりも形式的です。

それは以下の問いに答えるべきです：

私たちは何を知らしており、現在版はどこにあるのか？

ウィキが得意なこと

ウィキは以下に適しています：

  • チームドキュメンテーション
  • 運用ランブック
  • 製品知識
  • ポリシー文書
  • 技術リファレンス
  • オンボーディング資料
  • 安定したドメイン知識

ウィキは社会的契約です。

それはこう言っています：

このページは、この知識が存在する場所です。

それにより、所有権と保守が重要になります。

ウィキの失敗モード

ウィキは、陳腐化（stale）するためによく失敗します。

一般的な問題：

  • ページ所有者の不在
  • 古いスクリーンショット
  • 重複ページ
  • 明確でない正統バージョン
  • 階層の複雑さ
  • 保守リズムの欠如

古い情報を含むウィキは、ウィキがないよりも悪い状況です。なぜなら、それは誤った自信を生むからです。

意見

ウィキは退屈であるべきです。

それは賛辞です。

良いウィキは、アイデアが生まれる場所ではありません。それは、他の人にとって有用になった後に、安定した知識が保存される場所です。

3. RAG

RAGとは、Retrieval Augmented Generation（取得拡張生成） を意味します。

それは、言語モデルに回答を生成させる前に、関連する外部情報を取得するAIアーキテクチャです。

基本的なRAGパイプラインは通常以下を持っています：

  1. ドキュメント
  2. チャンキング（分割）
  3. 埋め込みまたは検索インデックス
  4. 取得
  5. オプションのリランキング
  6. プロンプトの組み立て
  7. LLMによる生成

RAGは機械主導です。

目標は知識を作成することではありません。目標は、クエリ時にモデルに関連するコンテキストを提供することです。

RAGが得意なこと

RAGは以下に適しています：

  • ドキュメントに対する質問応答
  • 内部検索アシスタント
  • サポートボット
  • 技術ドキュメンテーションアシスタント
  • コンプライアンスの照会
  • 大規模コーパスの研究
  • 更新された情報へのLLMの接続

RAGは、モデルが情報を記憶できない、または記憶すべきでない場合に特に有用です。

RAGの失敗モード

RAGは、チームがそれを魔法のような検索として扱うときによく失敗します。

一般的な問題：

  • 悪いチャンキング
  • 弱い取得
  • ノイズの多いコンテキスト
  • メタデータの欠如
  • 真実の源の不在
  • 古いドキュメント
  • 弱い評価
  • 人間のフィードバックループの欠如

RAGは悪い知識管理を修正しません。

基礎となるコンテンツが断片的で、古く、または矛盾している場合、RAGシステムはそれを確信を持って表面化します。

意見

RAGは知識戦略ではありません。

RAGはアクセス戦略です。

それは機械が知識にアクセスするのを支援しますが、どの知識が有効で、保守され、正統で、有用であるかを決定しません。

4. AIメモリシステム

AIメモリシステムは、単一のプロンプトや会話を超えて、エージェントに持続的なコンテキストを提供します。

それらは以下を保存する場合があります：

  • ユーザーの好み
  • 過去の決定
  • 長期の事実
  • タスク履歴
  • まとめ
  • 省察
  • 抽出されたエンティティ
  • エピソードメモリ
  • 意味メモリ

例や関連するアイデアには以下が含まれます：

  • MemGPTスタイルのメモリティア
  • 長期エージェントメモリ
  • エピソードメモリ
  • 意味メモリ
  • ベクトルメモリ
  • プロファイルメモリ
  • ツール状態メモリ
  • 省察エージェント

AIメモリはエージェント主導です。

目標は連続性です。

AIメモリが得意なこと

AIメモリシステムは以下に適しています：

  • パーソナルアシスタント
  • 長期間稼働するコーディングエージェント
  • 研究エージェント
  • カスタマーサポートエージェント
  • タьюティングシステム
  • ワークフロー自動化
  • 持続的なコンパニオン
  • マルチセッションタスク実行

システムが記憶しているように振る舞う必要がある場合、メモリは重要です。

AIメモリの失敗モード

メモリシステムは、管理されていない場合危険です。

一般的な問題：

  • 誤った事実を記憶する
  • 多すぎるものを保存する
  • プライバシーリスク
  • 古い好み
  • 貧弱なメモリランキング
  • メモリ中毒（poisoning）
  • 忘却メカニズムの欠如
  • 記憶と真実の混同

メモリシステムにはガバナンスが必要です。

それは以下に答えるべきです：

  • 何を記憶すべきか？
  • 誰がそれを承認したか？
  • どのくらいの間存続すべきか？
  • いつ忘れられるべきか？
  • どのように修正されるか？

意見

AIメモリは単なる長文コンテキストではありません。

長文コンテキストは、モデルが一度により多くのものを見ることを可能にします。 メモリは、時間を超えて何が残るかを決定します。

それらは異なる問題です。

核心的な違いの表

次元 PKM ウィキ RAG AIメモリ
主なユーザー 個人 チームまたは公開グループ AIシステム AIエージェント
主な機能 思考 共有リファレンス クエリ時の取得 持続的なコンテキスト
知識の状態 進化中的 安定化 取得された 適応的
構造 柔軟 明示的 インデックスベース 学習または抽出
取得スタイル 人間の検索とリンク ナビゲーションと検索 意味またはハイブリッド取得 関連性＋顕著性
所有権 個人 ページまたはチーム所有者 システム管理者 エージェントまたはユーザー制御
時間視野 長期個人 長期共有 クエリ時 マルチセッション
最適な出力 洞察 信頼できるリファレンス 根拠のある回答 連続性
主なリスク 蓄積 陳腐化 悪い取得 悪い記憶
良い指標 思考での再利用 信頼と鮮新さ 回答品質 有用な連続性

構造 vs 取得 vs 進化

これらのシステムを理解する最も簡単な方法は、それらが何を最適化するかを比較することです。その違いのアーキテクチャ的含意は、知識システムにおける取得 vs 表現 で深く探られています。

PKMは個人の進化を最適化する

PKMは、あなたの理解がどのように変化するかについてです。

あなたは材料を収集し、それを書き直し、接続し、有用な何かに変えます。

出力はしばしば以下です：

  • より良いメンタルモデル
  • 書かれた記事
  • 決定
  • 研究の方向性
  • 再利用可能な洞察

PKMは主に高速ルックアップについてではありません。それは長期の意味付け（sensemaking）についてです。

ウィキは共有構造を最適化する

ウィキは安定した知識についてです。

それは以下を問います：

  • 現在の答えは何ですか？
  • 誰がそれを持っているか？
  • 人々はどこに行くべきか？
  • 何を更新すべきか？

ウィキは、人々がそれ信頼するときに機能します。

RAGは機械取得を最適化する

RAGは、正しいタイミングで正しいコンテキストを取得することについてです。

それは以下を問います：

  • どのドキュメントが関連しているか？
  • どのチャンクを使用すべきか？
  • どのくらいのコンテキストが収まるか？
  • モデルは何を引用すべきか？

RAGは、取得品質が高く、ソースコーパスが信頼できるときに機能します。

AIメモリは連続性を最適化する

メモリシステムはセッション間の持続性についてです。

それは以下を問います：

  • エージェントは何を記憶すべきか？
  • 何を忘れさせるべきか？
  • どの記憶が今重要か？
  • 記憶はどのように振る舞いを変えるべきか？

メモリは、古いまたは不正確なコンテキストでエージェントを汚染せずに、将来の振る舞いを改善するときに機能します。

PKMを使うべきタイミング

知識が個人的で、未完成で、または探索的であるときにPKMを使用します。

良いシナリオ：

  • 分散システムの学習
  • 記事の企画
  • LLMアーキテクチャの研究
  • 本のメモ収集
  • セカンダリーブレイン の構築
  • 個人実験の追跡

まだ思考しているときにPKMを使用します。

例

あなたはRAG評価について学習しています。

あなたは以下を収集します：

  • 記事
  • ベンチマークノート
  • 図
  • 実装アイデア
  • 自分自身の実験からの失敗

これは最初にPKMに属します。

後で、知識が安定したら、記事を公開したり、ドキュメンテーションに変えたりするかもしれません。

ウィキを使うべきタイミング

知識が共有され、保守される必要があるときにウィキを使用します。

良いシナリオ：

  • チームオンボーディング
  • APIドキュメンテーション
  • 運用ランブック
  • アーキテクチャ決定記録
  • 製品知識
  • デプロイメント手順
  • サポート手順

他の人が信頼できる答えを必要とするときにウィキを使用します。

例

あなたのチームには、HugoサイトをS3とCloudFrontにデプロイするための正しい方法が一つあります。

それは誰かのプライベートなメモにのみ属するべきではありません。

明確な所有権を持つウィキまたはドキュメンテーションシステムに属するべきです。

RAGを使うべきタイミング

AIシステムがクエリ時に外部知識にアクセスする必要があるときにRAGを使用します。

良いシナリオ：

  • ドキュメンテーション上のチャットボット
  • 内部ドキュメント上の検索アシスタント
  • ヘルプ記事上のサポートアシスタント
  • 法的またはコンプライアンスアシスタント
  • 大規模なドキュメントセットの研究
  • コードドキュメント上の開発者アシスタント

問題が以下であるときにRAGを使用します：

モデルは、その重み（weights）の外にある情報が必要です。

例

あなたは数百の技術記事を持ち、それらを使用して質問に答えるアシスタントが必要です。

RAGは良い適合です。

しかし、ドキュメントが取得に十分クリーンである場合にのみ。

AIメモリを使うべきタイミング

エージェントに連続性が必要なときにAIメモリを使用します。

良いシナリオ：

  • プロジェクトの規約を記憶するコーディングエージェント
  • 好みを記憶するパーソナルアシスタント
  • 長期的な調査を続ける研究エージェント
  • 学生の進捗を記憶するチューティングエージェント
  • 以前のやり取りを記憶するサポートエージェント
  • ゴールを追跡する自律エージェント

システムが時間とともに改善する必要があるときにメモリを使用します。

例

コーディングエージェントは以下を記憶するべきです：

  • プロジェクトはGoを使用する
  • テストは特定のコマンドで実行される
  • ユーザーは最小の依存関係を好む
  • データベースマイグレーションは規約に従う

それは単なる取得ではありません。それは持続的な運用コンテキストです。

これらのシステムがどのように組み合わせられるか

最も有用なシステムはハイブリッドです。

成熟した知識アーキテクチャは以下のように見えるかもしれません：

  1. 個人の探索のためのPKM
  2. 安定した共有知識のためのウィキ
  3. 機械アクセスのためのRAG
  4. 長期間稼働するエージェントの連続性のためのAIメモリ

各レイヤーには役割があります。

パターン1. PKMからウィキへ

これは人間の知識パイプラインです。

フロー：

  1. プライベートにメモをキャプチャー
  2. アイデアを接続
  3. 洞察を抽出
  4. 安定した知識を公開
  5. 共有リファレンスとして保守

これが、個人研究が組織知識になる方法です。

例

あなたはObsidianで自己ホスト型知識ツールを研究します。

DokuWiki、Nextcloud、静的Markdownシステムをテストした後、あなたはサイトまたはチームウィキに安定したガイドを書きます。

PKMが洞察を生みました。 ウィキが結果を保存します。

パターン2. ウィキからRAGへ

これは機械アクセスパイプラインです。

フロー：

  1. 正統なウィキページを保守
  2. それらをインデックス化
  3. 関連セクションを取得
  4. 根拠のある回答を生成
  5. ソースへリンクバック

これは最もクリーンなRAGパターンの一つです。

ウィキは真実の源のままです。 RAGはアクセスレイヤーになります。

例

サポートボットが製品ウィキを使用して質問に答えます。

ボットはウィキを置き換えるべきではありません。それは正統なページへユーザーを引用し、ルーティングするべきです。

パターン3. RAGプラスメモリ

これはエージェント連続性パイプラインです。

フロー：

  1. RAGは外部事実を取得
  2. メモリはユーザーまたはタスクコンテキストを保存
  3. エージェントは両方を組み合わせ
  4. 将来の振る舞いが改善

RAGは以下に答えます：

知識ベースは何と言っているのか？

メモリは以下に答えます：

このユーザー、プロジェクト、またはタスクについて何が重要か？

例

コーディングエージェントはRAGを使用してフレームワークドキュメントを取得します。

それはあなたのプロジェクトがORMを避け、sqlcを好み、構造化ログを使用することを記憶するためにメモリを使用します。

それらは異なる知識タイプです。

パターン4. PKMプラスAIアシスタント

これはハイブリッド思考パイプラインです。

フロー：

  1. 人間がメモをキャプチャー
  2. AIが要約し、リンクを提案
  3. 人間が編集し、検証
  4. 知識がより構造化される
  5. 一部のページがウィキまたは出版物に進む

AIはPKMシステムを拡張しますが、それは真実を所有すべきではありません。

例

AIアシスタントは、RAG、メモリシステム、LLMウィキに関するメモ間の接続を提案できます。

しかし、どの接続が意味があるかは人間が決めます。

一般的なアーキテクチャの間違い

間違い1. RAGをウィキとして扱う

RAGは知識ベースではありません。

それは自動的に正統な構造を作成しません。それは存在するものから取得します。

ソースドキュメントが悪い場合、RAGは悪い知識への確信のあるインターフェースになります。

間違い2. メモリをデータベースとして扱う

AIメモリは選択的なコンテキストであり、一般ストレージではありません。

データベースはレコードを保存します。 メモリは振る舞いを変えます。

正確な事実が必要な場合、データベースまたは知識ベースを使用します。 連続性が必要な場合、メモリを使用します。

間違い3. PKMをドキュメンテーションとして扱う

PKMはmessy（乱雑）になる可能性があります。

ドキュメンテーションはそうであるべきではありません。

プライベートなメモは未完成のアイデアを含むことができます。共有ドキュメンテーションは安定した、保守された知識を含めるべきです。

間違い4. ウィキを思考ツールとして扱う

ウィキは思考をサポートできますが、初期探索には理想的ではありません。

すべての初期思考が磨かれたページにならなければならない場合、人々は書き込みを止めてしまいます。

荒っぽい思考にはPKMを使用します。耐久性のある知識にはウィキを使用します。

間違い5. 長文コンテキストをメモリとして扱う

長文コンテキストはメモリではありません。

それはコンテキストが存在している間のみ役立ちます。

メモリは持続し、選択し、更新し、そして時々忘れます。

決定ガイド

この単純な決定モデルを使用します。

知識がプライベートで進化中的である場合

PKMを使用します。

知識が共有で安定している場合

ウィキを使用します。

AIが外部ドキュメントから答える必要がある場合

RAGを使用します。

エージェントが時間とともに連続性が必要な場合

メモリを使用します。

すべて4つが必要な場合

層状システムを構築します。

一つのツールにすべての仕事を強制しないでください。

知識システムスペクトル

これらのシステムは、人間の思考からAI連続性へのスペクトルを形成します。

レイヤー システム 役割
人間の思考 PKM 探索し、統合する
共有構造 ウィキ 保存し、保守する
機械アクセス RAG 取得し、生成する
エージェント連続性 メモリ 持続し、適応する

方向性は重要です。

知識はしばしば個人の思考として始まり、共有構造になり、機械取得のためにインデックス化され、そして持続的なエージェント振る舞いの一部になります。

それが現代の知識スタックです。

LLM Wikiの位置づけ

LLM Wiki スタイルのシステムは、ウィキとAIアーキテクチャの間に位置します。

それらは古典的なRAGではありません。

クエリ時にチャンクのみを取得するのではなく、それらは知識をページ、要約、エンティティ、およびリンクに事前構造化しようとします。

それにより、それらはコンパイルされた知識システムに近いものになります。

有用な配置：

システム 位置
ウィキ 人間が保守する構造化知識
RAG クエリ時の機械取得
LLM Wiki 取り込み時の機械構造化知識
メモリ エージェント持続コンテキスト

これが、LLM Wikiが通常のRAGの内部ではなく、知識システムアーキテクチャの近くに属する理由です。

実用的な例

例1. 個人的な技術ブログ

技術ブロガーは以下を使用するかもしれません：

  • 研究ノートのためのPKM
  • 公開された知識としてのHugoサイト
  • ウィキのような構造としての内部リンク
  • サイト検索のための後々のRAG
  • 執筆アシスタントの好みのためのAIメモリ

これは強力なアーキテクチャです。

それはAIサポートを可能にしながら、人間の判断を中心に保ちます。

例2. エンジニアリングチーム

エンジニアリングチームは以下を使用するかもしれません：

  • 個人学習のためのPKM
  • 標準とランブックのためのウィキ
  • 内部ドキュメントのためのRAGアシスタント
  • リポジトリ内で動作するコーディングエージェントのためのメモリ

ウィキは正統なままであるべきです。

RAGアシスタントはプロセスを発明すべきではありません。 メモリレイヤーはプロジェクトの好みを記憶し、アーキテクチャ決定を置き換えるべきではありません。

例3. AI研究ワークフロー

研究者は以下を使用するかもしれません：

  • 論文ノートのためのPKM
  • 安定した要約のためのウィキ
  • 文献検索のためのRAG
  • 長期間稼働する研究エージェントのためのメモリ

これは、各レイヤーが異なる時間スケールを処理するため機能します。

セキュリティとガバナンス

知識システムは、機密または古い情報を保存するときにリスクが高くなります。

PKMガバナンス

質問：

  • 何をプライベートに保つべきか？
  • 何を公開すべきか？
  • 何を削除すべきか？

ウィキガバナンス

質問：

  • 各ページの所有者は誰か？
  • 最後にいつレビューされたか？
  • 何が正統か？

RAGガバナンス

質問：

  • どのソースがインデックス化されているか？
  • 回答は引用されているか？
  • 取得はどのように評価されるか？
  • どのコンテンツが除外されているか？

メモリガバナンス

質問：

  • 何が記憶されているか？
  • ユーザーはメモリを検査できるか？
  • ユーザーはメモリを削除できるか？
  • 誤った記憶はどのように修正されるか？

メモリは静かに将来の振る舞いに影響を与える可能性があるため、最も厳格なガバナンスを必要とします。

SEOとコンテンツ戦略の注記

技術サイトを経営している場合、この違いはアーキテクチャ的だけでなく、編集面的でもあります。

コンテンツを以下のようにマッピングできます：

  • PKMページは人間の知識実践を説明します。
  • ウィキページは構造化知識システムを説明します。
  • RAGページは取得エンジニアリングを説明します。
  • メモリページは持続的なAI振る舞いを説明します。
  • アーキテクチャページはパラダイムを比較し、接続します。

これにより、緩く関連したAI記事の山ではなく、サイトはクリーンな権威メッシュを得ます。

最終結論

PKM、RAG、ウィキ、およびAIメモリシステムは競合者ではありません。

それらは異なる質問に対する異なる答えです。

PKMは以下を問います：

私は時間とともにどのようにより良く思考できるか？

ウィキは以下を問います：

私たちは何を知らしており、信頼できるバージョンはどこにあるか？

RAGは以下を問います：

モデルは今すぐどの外部コンテキストを使用すべきか？

AIメモリは以下を問います：

このエージェントは未来のために何を記憶すべきか？

これらの質問を分離すると、アーキテクチャは明らかになります。

思考のためにPKMを使用します。 共有された真実のためにウィキを使用します。 取得のためにRAGを使用します。 連続性のためにメモリを使用します。

未来は、他のすべてを置き換える一つの知識システムではありません。

未来は層状知識アーキテクチャです。ツール、方法、および完全な知識管理 スペクトル全体にわたる自己ホスト型プラットフォームのために、クラスター Pilar（柱）が領域をマップします。

出典および追加読書

購読する

システム、インフラ、AIエンジニアリングの新記事をお届けします。