PKM、RAG、Wiki、メモリーシステム：明確に解説
現代の知識システムの地図
PKM、RAG、ウィキ、AIメモリシステム、そして今実用化が進むAI支援ワークフローは、しばしば同じ問題を解決するかのように論じられます。 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、動作するレイヤーは異なります。
- PKMは人間が思考することを支援します。
- ウィキはグループが共有知識を保存することを支援します。
- RAGは機械が外部知識を検索することを支援します。
- メモリシステムはAIエージェントが時間経過とともに文脈を維持することを支援します。
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設計につながります。
その結果、個人的なメモで溢れたウィキ、信頼できる情報源を持たないRAGシステム、データベースを装うメモリレイヤー、そして決して対応を想定していなかった自動化で過負荷になったPKMツールなどが生まれます。
より良いモデルは、これらを知識システムのスペクトルの異なる部分として捉えることです。
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、検索、所有権、進化、および現実のユースケースの観点から比較します。 これらの抽象概念が具体的な日常のノートtaking、ドキュメント作成、ランブックの保守にどのように適用されるかをご覧になりたい場合は、姉妹記事であるAI for Knowledge Management: Real Workflows That Hold Upをご覧ください。ここでは、PKMやウィキの基盤を置き換えるのではなく、それらの上に構築される要約、抽出、リンクのパイプラインについて解説しています。
簡潔なまとめ
| システム | 主なユーザー | 主目的 | 最も適した用途 |
|---|---|---|---|
| PKM | 個人 | 個人知識の深化 | 思考、学習、統合 |
| ウィキ | チームまたは公衆 | 共有知識の維持 | ドキュメント、ポリシー、参照 |
| RAG | 機械システム | 生成のための文脈検索 | 外部データに基づくAI回答 |
| AIメモリ | AIエージェント | 時間経過による文脈の維持 | 長期的なエージェント運用、パーソナライズ |
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は知識を検索します。メモリシステムはエージェントの文脈を進化させます。
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からです。
これらすべては以下が可能です。
- ノートを保存する
- 情報を検索する
- 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ドキュメントの代替ではありません。
この混乱は、「知識」を一つのものと扱うことから生じます。
実際には、知識には複数のレイヤーがあります。
- 捕捉（キャプチャ）
- 構造化
- 検索
- 解釈
- 再利用
- 進化
異なるシステムは、異なる段階を最適化します。
4つのパラダイム
1. PKM
PKMとは個人知識管理（Personal Knowledge Management）を指します。
これは、個人的な仕事のために知識を捕捉、整理、接続、利用する実践です。
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
- セカンドブレイン（第二の脳）システム
PKMは人間主導です。
目的は単なる保存ではありません。より良い思考こそが目的です。ツールが何であれ、基礎となるノートはその思考が行われるデバイス間で移動する必要があります。Syncthing File Sync for Self-Hosted Knowledge Systemsでは、クラウドアカウントを使わずにMarkdownベースのPKMシステムを同期させる、プライベートでピアツーピアのレイヤーについて解説しています。
PKMが得意なこと
PKMは以下に優れています。
- 新しい分野の学習
- オリジナルなアイデアの発展
- 時間経過によるノートの接続
- 記事や本の執筆
- 個人的な研究の追跡
- セカンドブレインの構築
良いPKMシステムは、有用な意味で「散らかっています」。未完成の思考、部分的なアイデア、プライベートな文脈、進化中の概念をサポートします。
これがPKMがドキュメントと異なる理由です。
ドキュメントは明確さを求めています。 PKMは曖昧さを許容します。
PKMの失敗モード
PKMは以下のような状態になるとしばしば失敗します。
- 捨てる場所
- フォルダ分類プロジェクト
- 生産性エスセティック（美学）
- ツール最適化の趣味
- 誰も使わないプライベートアーカイブ
主なリスクは、統合なく集めることです。
情報を保存するだけなら、それは知識システムではありません。個人ごみ捨て場です。
意見
PKMは捕捉ではなく、再利用を最適化するべきです。
すべてを捕捉するのは生産的のように感じますが、それは負債を生みます。真の価値は、ノートが接続され、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、共有参照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トサイト
- 社内知識ベース
ウィキは通常、PKMよりもフォーマルです。
以下に答えるべきです。
私たちは何を知らしており、現在のバージョンはどこにあるのか？
ウィキが得意なこと
ウィキは以下に優れています。
- チームドキュメント
- 運用ランブック
- 製品知識
- ポリシー文書
- 技術参照
- 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。
それは以下を宣言します。
このページは、この知識が存在する場所です。
そのため、所有権と保守が重要です。
ウィキの失敗モード
ウィキは古びてしまうためにしばしば失敗します。
一般的な問題：
- ページオーナーの不在
- 古いスクリーンショット
- ページの重複
- 正規バージョンの不明確さ
- 階層が深すぎる
- 保守リズムの欠如
古い情報を持つウィキは、ウィキがないことよりも悪いです。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。
これは褒め言葉です。
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、他者に有用になった後の安定した知識が保存される場所です。
3. RAG
RAGとは検索強化生成（Retrieval Augmented Generation）を指します。
これは、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検索するAIアーキテクチャです。
基本的なRAGパイプラインには通常以下が含まれます。
- ドキュメント
- チャンキング（分割）
- 埋め込みまたは検索インデックス
- 検索
- オプションの再ランキング
- プロンプトの組み立て
- LLMによる生成
RAGは機械主導です。
目的は知識の作成ではありません。クエリ時にモデルに適切な文脈を与えることです。
RAGが得意なこと
RAGは以下に優れています。
- ドキュメントベースの質問応答
- 内部検索アシスタント
- サポートボット
- 技術ドキュメントアシスタント
- 準拠（コンプライアンス）の検索
- 大規模コーパスの研究
- LLMを最新情報に接続する
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、それを魔法のような検索として扱うとしばしば失敗します。
一般的な問題：
- 不適切なチャンキング
- 弱い検索
- ノイズの多い文脈
- メタデータの欠如
- 信頼できる情報源の不在
- 古いドキュメント
- 弱い評価
- 人間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。
基盤となるコンテンツが断片的、古びて、矛盾している場合、RAGシステムはそれを確信を持って提示します。
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助けますが、どの知識が有効で、保守され、正規で、有用かという決定は行いません。
4. AIメモリシステム
AIメモリシステムは、エージェントに単一のプロンプトや会話を超えた永続的な文脈を提供します。
それらは以下を保存する可能性があります。
- ユーザーの好み
- 過去の決定
- 長期的な事実
- タスク履歴
- 要約
- 省察（リフレクション）
- 抽出されたエンティティ
- エピソードメモリ
- 意味メモリ
例および関連するアイデアには以下が含まれます。
- MemGPTスタイルのメモリ階層
- 長期的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。
目的は継続性です。
AIメモリが得意なこと
AIメモリシステムは以下に優れています。
- 個人アシスタント
- 長期的に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
- ターティングシステム
- ワークフロー自動化
- 永続的なコンパニオン
- 複数セッションのタスク実行
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に、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ないと危険です。
一般的な問題：
- 誤った事実の記憶
- 過剰な保存
- プライバシーリスク
- 古い好み
- 貧弱なメモリランキング
- メモリ汚染
- 忘却メカニズムの欠如
- メモリと真理の混同
メモリシステムにはガバナンスが必要です。
以下に答えるべきです。
- 何を記憶すべきか？
- 誰が承認したか？
- どのくらいの期間生存すべきか？
- いつ忘却すべきか？
- どのように修正するか？
意見
AIメモリは単なる長文脈ではありません。
長文脈はモデルが一度により多くのものを見られるようにします。 メモリは、時間を超えて何が生き残るかを決定します。
エンジニアリングレイヤーにおいて——OpenClaw、Hermes、およびプロバイダーSDKにおけるワーキングメモリ、構造化状態、検索メモリ、および統合ポリシー——この分割はMemory Systems in AI Assistantsで詳述されています。
これらは異なる問題です。
核心的な差異表
| 次元 | PKM | ウィキ | RAG | AIメモリ |
|---|---|---|---|---|
| 主なユーザー | 個人 | チームまたは公衆 | AIシステム | AIエージェント |
| 主な機能 | 思考 | 共有参照 | クエリ時の検索 | 永続的文脈 |
| 知識の状態 | 進化中 | 安定化 | 検索済み | 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 |
| 検索スタイル | 人間による検索とリンク | ナビゲーションと検索 | セマンティックまたはハイブリッド検索 | 関連性と顕著性 |
| 所有権 | 個人的 | ページまたはチームオーナー | システム管理者 | エージェントまたはユーザー制御 |
| 時間軸 | 長期的個人 | 長期的共有 | クエリ時 | 複数セッション |
| 最も良い出力 | 洞察 | 信頼できる参照 | 根拠のある回答 | 継続性 |
| 主なリスク | 蓄積（ホーディング） | 古さ | 悪い検索 | 悪いメモリ |
| 良い指標 | 思考における再利用 | 信頼と鮮度 | 回答品質 | 有用な継続性 |
構造 vs 検索 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。この区別のアーキテクチャ的含意は、Retrieval vs Representation in Knowledge Systemsで深く探求されています。
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。
あなたは素材を集め、書き直し、接続し、それを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は主に高速検索についてではありません。長期的な意味構築（センスメイキング）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。
以下を問います。
- 現在の答えは何ですか？
- 誰が所有していますか？
- 人々はどこに行くべきですか？
- 何を更新すべきですか？
ウィキは、人々がそれ信頼するときに機能します。
RAGは機械検索を最適化する
RAGは、適切なタイミングで適切な文脈を検索することについてです。
以下を問います。
- どのドキュメントが関連していますか？
- どのチャンクを使用すべきですか？
- どのくらいの文脈が収まりますか？
- モデルは何を引用すべきですか？
RAGは、検索品質が高く、ソースコーパスが信頼できるときに機能します。
AIメモリは継続性を最適化する
メモリシステムはセッションを超えた永続性についてです。
以下を問います。
- エージェントは何を記憶すべきですか？
- 何を忘却すべきですか？
- どのメモリが今重要ですか？
- メモリはどのように振る舞いを変化させるべきですか？
メモリは、古くまたは不正確な文脈でエージェントを汚染することなく、未来の振る舞いを改善するときに機能します。
PKMを使用するタイミング
知識が個人的で、未完成で、または探求的な場合に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
- 本のノート収集
- セカンドブレインの構築
- 個人的な実験の追跡
まだ思考しているときにPKMを使用します。
例
あなたはRAG評価について学んでいます。
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
これはまずPKMに属します。
その後、知識が安定したら、記事を公開したり、ドキュメントに変えたりするかもしれません。
ウィキを使用するタイミング
知識が共有され、維持される必要がある場合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ドキュメント
- 運用ランブック
- アーキテクチャ決定記録
- 製品知識
- デプロイ指示
- サポート手順
他者が信頼できる回答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にデプロイする唯一の正しい方法があります。
それは誰かのプライベートなノートのみに属す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トシステムに属すべきです。
RAGを使用するタイミング
AIシステムがクエリ時に外部知識へのアクセスを必要とする場合にRAGを使用します。
良いシナリオ：
- ドキュメントベースのチャットボット
- 内部ドキュメントベースの検索アシスタント
- ヘルプ記事ベースのサポートアシスタント
- 法律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ベースの開発者アシスタント
以下の問題がある場合にRAGを使用します。
モデルは、重み（ウェイト）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っており、それらを使用して質問に答えるアシスタントを望んでいます。
RAGは良い適合です。
ただし、ドキュメントが検索に耐えるほどクリーンである場合にのみ。
AIメモリを使用するタイミング
エージェントが継続性を必要とする場合に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
- 好みを記憶する個人アシスタント
- 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タ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場合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べきです。
- プロジェクトはGoを使用している
- テストは特定のコマンドで実行される
- ユーザーは最小限の依存関係を好む
- データベースマイグレーションは規約に従う
これは単なる検索ではありません。それは永続的な運用文脈です——この記事がRAGとエージェントメモリの間、およびMemory Systems in AI Assistantsでの実装詳細で描く区別です。
これらのシステムがどのように結合するか
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。
- 個人的な探求のためのPKM
- 安定した共有知識のためのウィキ
- 機械アクセスのためのRAG
- 長期的エージェント継続性のためのAIメモリ
各レイヤーに役割があります。
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：
- プライベートにノートを捕捉
- アイデアを接続
- 洞察を凝縮
- 安定した知識を公開
- 共有参照として維持
これが、個人的な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、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：
- 正規のウィキページを維持
- それらをインデックス化
- 関連セクションを検索
- 根拠のある回答を生成
- ソースへリンク
これは最もクリーンなRAGパターンの一つです。
ウィキは信頼できる情報源のままです。 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。正規ページへユーザーを引用し、ルーティングすべきです。
パターン3. RAGとメモリ
これはエージェント継続性パイプラインです。
フロー：
- RAGが外部事実を検索
- メモリがユーザーまたはタスク文脈を保存
- エージェントが両方を結合
- 未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検索します。
それはメモリを使用して、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します。
それらは異なる知識タイプです。
パターン4. PKMと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：
- 人間がノートを捕捉
- AIが要約し、リンクを提案
- 人間が編集し、検証
- 知識がより構造化される
- 一部のページがウィキまたは出版へ昇格
AIはPKMシステムを拡張しますが、真理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 Wikiに関するノート間の接続を提案できます。
しかし、どの接続が意味のあるものかは人間が決定します。
一般的なアーキテクチャのミス
ミス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。
それは自動的に正規構造を作成しません。存在するものから検索します。
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。
ミス2. メモリをデータベースとして扱う
AIメモリは選択的文脈であり、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化させます。
正確な事実が必要な場合は、データベースまたは知識ベースを使用してください。 継続性が必要な場合は、メモリを使用してください。
ミス3. PKMをドキュメントとして扱う
PKMは散らかることができます。
ドキュメントはそうあってはいけません。
プライベートノートは半ば形成されたアイデアを含むことができます。共有ドキュメントは安定した、維持された知識を含むべきです。
ミス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、初期探求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る必要がある場合、人々は書き上げなくなります。
荒い思考にはPKMを使用してください。耐久知識にはウィキを使用してください。
ミス5. 長文脈をメモリとして扱う
長文脈はメモリではありません。
それは文脈が存在している間のみ役立ちます。
メモリは永続し、選択し、更新し、時に忘却します。
決定ガイド
この単純な決定モデルを使用してください。
知識がプライベートで進化中の場合
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を超えた継続性が必要な場合
メモリを使用します。
すべてが必要な場合
階層型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。
知識システムのスペクトル
これらのシステムは、人間の思考からAI継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 | 探求し、統合する |
| 共有構造 | ウィキ | 保存し、維持する |
| 機械アクセス | RAG | 検索し、生成する |
| エージェント継続性 | メモリ | 永続し、適応する |
方向性は重要です。
知識はしばしば個人的な思考として始まり、共有構造になり、機械検索のためにインデックス化され、そして永続的なエージェント振る舞いの一部になります。
それが現代的な知識スタックです。
LLM Wikiがどこに位置するか
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。
それらは従来のRAGではありません。
クエリ時のみチャンクを検索する代わりに、それらは知識をページ、要約、エンティティ、リンクに事前構造化しようとします。
それはそれらをコンパイルされた知識システムに近づけます。
有用な配置：
| システム | 位置 |
|---|---|
| ウィキ | 人間が維持する構造化知識 |
| RAG | クエリ時の機械検索 |
| LLM Wiki | インジェスト時の機械構造化知識 |
| メモリ | エージェント永続文脈 |
これが、LLM Wikiが通常のRAG内ではなく、知識システムアーキテクチャの近くに属する理由です。
実践的な例
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。
- 研究ノート用の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
- サイト検索用の後からのRAG
- 執筆アシスタントの好み用のAIメモリ
これは強力なアーキテクチャです。
AIサポートを可能にしつつ、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。
- 個人の学習用のPKM
- 標準とランブック用のウィキ
- 内部ドキュメント用のRAGアシスタント
- リポジトリ内で作業するコーディングエージェント用のメモリ
ウィキは正規であるべきです。
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。
- 論文ノート用のPKM
- 安定した要約用のウィキ
- 文献検索用のRAG
- 長期的研究エージェント用のメモリ
これは、各レイヤーが異なる時間スケールを扱うために機能します。
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際にリスクが生じます。
PKMガバナンス
質問：
- 何をプライベートにするべきか？
- 何を公開するべきか？
- 何を削除するべきか？
ウィキガバナンス
質問：
- 各ページの所有権は誰にあるか？
- 最後にいつレビューされたか？
- 何が正規か？
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？
- 検索はどのように評価されているか？
- 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？
- 誤ったメモリはどのように修正されるか？
メモリは静かに未来の振る舞いに影響を与える可能性があるため、最も厳密なガバナンスが必要です。
SEOとコンテンツ戦略の注記
技術サイトを運営している場合、この区別はアーキテクチャ的だけでなく、編集面的でもあります。
以下のようにコンテンツを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ページは検索エンジニアリングを説明します。
- メモリページは永続的な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、あなたのサイトは緩く関連したAI記事の山ではなく、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文脈を使用すべきか？
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れば、アーキテクチャは明白になります。
思考にはPKMを使用します。 共有された真理にはウィキを使用します。 検索にはRAGを使用します。 継続性にはメモリを使用します。
未来は、他をすべて置き換える一つの知識システムではありません。
未来は階層型知識アーキテクチャです。ツール、メソッド、および知識管理スペクトル全体の自己ホスト型プラットフォームについて、クラスタピラーが領域をマップしています。
出典およびさらに読む
- 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/
