PKM, RAG, Wiki и системы памяти: чёткое объяснение

PKM, RAG, вики, системы памяти ИИ и сейчас практические рабочие процессы с помощью ИИ часто обсуждаются так, будто они решают одну и ту же проблему. Это не так. Все они имеют дело с знаниями, но работают на разных уровнях:

• PKM помогает людям думать.
• Вики помогает группам сохранять общие знания.
• RAG помогает машинам извлекать внешние знания.
• Системы памяти помогают агентам ИИ сохранять контекст во времени.

Путаница между этими системами приводит к плохой архитектуре.

Вы получаете вики, полные личных черновиков, системы RAG без источника истины, слои памяти, выдающие себя за базы данных, и инструменты PKM, перегруженные автоматизацией, для которой они никогда не предназначались.

Более правильная модель — рассматривать их как разные части спектра систем знаний.

В этой статье сравниваются PKM, RAG, вики и системы памяти ИИ по структуре, извлечению, владению, эволюции и практическим случаям использования. Если вы хотите увидеть, как эти абстракции выглядят при применении к конкретным повседневным заметкам, документации и обслуживанию книг операций, сопутствующая статья AI for Knowledge Management: Real Workflows That Hold Up разбирает конвейеры суммаризации, извлечения и связывания, которые работают поверх основ PKM и вики, а не заменяют их.

Краткая версия

Система	Основной пользователь	Основная цель	Лучше всего для
PKM	Отдельный человек	Развитие личных знаний	Думать, учиться, синтезировать
Вики	Команда или публичная группа	Поддержка общих знаний	Документация, политики, справочные материалы
RAG	Машиная система	Извлечение контекста для генерации	Ответы ИИ на основе внешних данных
Память ИИ	Агент ИИ	Сохранение контекста во времени	Долгосрочные агенты и персонализация

Самое важное различие в том:

PKM и вики структурируют знания. RAG извлекает знания. Системы памяти эволюционируют контекст агента.

Это основная ментальная модель.

Почему эти системы путают

Они перекрываются в видимом поведении.

Все они могут:

• хранить заметки
• извлекать информацию
• отвечать на вопросы
• организовывать ссылки
• связывать идеи

Но они различаются по намерению.

Система PKM — это не просто частная вики. Вики — это не просто база данных RAG. Конвейер RAG — это не память ИИ. Система памяти ИИ — это не замена структурированной документации.

Путаница возникает из-за того, что «знания» рассматриваются как единое целое.

На практике знания имеют несколько уровней:

1. Захват
2. Структура
3. Извлечение
4. Интерпретация
5. Повторное использование
6. Эволюция

Разные системы оптимизируют разные этапы.

Четыре парадигмы

1. PKM

PKM означает personal knowledge management (управление персональными знаниями).

Это практика захвата, организации, связывания и использования знаний для личной работы.

Типичные системы PKM включают:

• Obsidian
• Logseq
• Notion
• обычные папки Markdown
• системы Zettelkasten
• системы второго мозга

PKM управляется человеком.

Цель — не просто хранение. Цель — лучшее мышление. Какой бы инструмент ни использовался, базовые заметки все равно должны перемещаться между устройствами, где происходит это мышление; Syncthing File Sync for Self-Hosted Knowledge Systems охватывает частный слой peer-to-peer, который поддерживает синхронизацию системы PKM на основе Markdown без учетной записи в облаке.

Что хорошо делает PKM

PKM хорошо работает для:

• изучения новой области
• разработки оригинальных идей
• связывания заметок с течением времени
• написания статей или книг
• отслеживания личных исследований
• создания второго мозга

Хорошая система PKM хаотична полезным образом. Она поддерживает незавершенные мысли, частичные идеи, частный контекст и эволюционирующие концепции.

Вот почему PKM не то же самое, что документация.

Документация требует ясности. PKM терпит неоднозначность.

Режимы отказа PKM

PKM часто терпит неудачу, когда становится:

• свалкой
• проектом по таксономии папок
• эстетикой продуктивности
• хобби по оптимизации инструментов
• частым архивом, которым никто не пользуется

Основной риск — сбор без синтеза.

Если вы только сохраняете информацию, у вас нет системы знаний. У вас личная свалка.

Субъективное мнение

PKM должен оптимизироваться для повторного использования, а не для захвата.

Захват всего кажется продуктивным, но создает долг. Реальная ценность проявляется, когда заметки становятся связанными, переписанными, сжатыми и используются в выводах.

2. Вики

Вики — это структурированная база знаний, предназначенная для общего использования.

Типичные системы вики включают:

• DokuWiki
• MediaWiki
• Confluence
• BookStack
• сайты документации на основе Git
• внутренние корпоративные базы знаний

Вики обычно более формальна, чем PKM.

Она должна отвечать на вопрос:

Что мы знаем и где находится текущая версия?

Что хорошо делают вики

Вики хорошо работают для:

• документации команды
• операционных книг операций
• знаний о продукте
• документов политики
• технических справочников
• материалов по онбордингу
• стабильных знаний в области

Вики — это социальный контракт.

Она говорит:

Эта страница — место, где живут эти знания.

Это делает владение и обслуживание критически важными.

Режимы отказа вики

Вики часто терпят неудачу, потому что становятся устаревшими.

Распространенные проблемы:

• отсутствие владельцев страниц
• устаревшие скриншоты
• дублирование страниц
• неясные канонические версии
• слишком много иерархии
• отсутствие ритма обслуживания

Вики с устаревшей информацией хуже, чем отсутствие вики, потому что она создает ложное чувство уверенности.

Субъективное мнение

Вики должна быть скучной.

Это комплимент.

Хорошая вики — это не место, где рождаются идеи. Это место, где сохраняются стабильные знания после того, как они становятся полезными для других.

3. RAG

RAG означает retrieval augmented generation (генерация, дополненная извлечением).

Это архитектура ИИ, в которой система извлекает релевантную внешнюю информацию, прежде чем попросить языковую модель сгенерировать ответ.

Базовый конвейер RAG обычно имеет:

1. Документы
2. Разбиение на фрагменты (Chunking)
3. Векторные представления (Embeddings) или поисковый индекс
4. Извлечение
5. Опциональная повторная ранжировка
6. Сборка промпта
7. Генерация LLM

RAG управляется машиной.

Цель — не создавать знания. Цель — дать модели релевантный контекст во время запроса.

Что хорошо делает RAG

RAG хорошо работает для:

• ответов на вопросы по документам
• внутренних поисковых помощников
• ботов поддержки
• помощников по технической документации
• проверки соответствия
• исследований по большим корпусам документов
• подключения LLM к обновленной информации

RAG особенно полезен, когда модель не может или не должна запоминать информацию.

Режимы отказа RAG

RAG часто терпит неудачу, когда команды рассматривают его как волшебный поиск.

Распространенные проблемы:

• плохое разбиение на фрагменты
• слабое извлечение
• шумный контекст
• отсутствие метаданных
• отсутствие источника истины
• устаревшие документы
• слабая оценка
• отсутствие цикла обратной связи человека

RAG не исправляет плохое управление знаниями.

Если базовый контент фрагментирован, устарел или противоречив, система RAG продемонстрирует этот беспорядок с уверенностью.

Субъективное мнение

RAG — это не стратегия знаний.

RAG — это стратегия доступа.

Он помогает машинам получать доступ к знаниям, но не решает, какие знания являются действительными, поддерживаемыми, каноническими или полезными.

4. Системы памяти ИИ

Системы памяти ИИ дают агентам постоянный контекст за пределами одного промпта или разговора.

Они могут хранить:

• предпочтения пользователя
• прошлые решения
• долгосрочные факты
• историю задач
• резюме
• рефлексию
• извлеченные сущности
• эпизодическую память
• семантическую память

Примеры и связанные идеи включают:

• уровни памяти в стиле MemGPT
• долгосрочная память агента
• эпизодическая память
• семантическая память
• векторная память
• память профиля
• память состояния инструмента
• рефлексирующие агенты

Память ИИ управляется агентом.

Цель — непрерывность.

Что хорошо делает память ИИ

Системы памяти ИИ хорошо работают для:

• персональных помощников
• долгосрочных агентов для кодирования
• агентов для исследований
• агентов для поддержки клиентов
• систем репетиторства
• автоматизации рабочих процессов
• постоянных компаньонов
• выполнения задач в нескольких сессиях

Память имеет значение, когда система должна вести себя так, как будто она помнит.

Режимы отказа памяти ИИ

Системы памяти опасны при отсутствии управления.

Распространенные проблемы:

• запоминание неверных фактов
• хранение слишком многого
• риск конфиденциальности
• устаревшие предпочтения
• плохая ранжировка памяти
• отравление памяти
• отсутствие механизма забывания
• путаница между памятью и истиной

Системе памяти нужно управление.

Она должна отвечать на вопросы:

• Что должно быть запомнено?
• Кто это одобрил?
• Как долго оно должно жить?
• Когда оно должно быть забыто?
• Как оно исправляется?

Субъективное мнение

Память ИИ — это не просто длинный контекст.

Длинный контекст позволяет модели видеть больше сразу. Память решает, что выживает во времени.

На уровне инженерии — рабочая память, структурированное состояние, память извлечения и политика консолидации в OpenClaw, Hermes и SDK провайдеров — это разделение раскрывается в Memory Systems in AI Assistants.

Это разные проблемы.

Таблица основных различий

Измерение	PKM	Вики	RAG	Память ИИ
Основной пользователь	Отдельный человек	Команда или публичная группа	Система ИИ	Агент ИИ
Основная функция	Мышление	Общий справочник	Извлечение во время запроса	Постоянный контекст
Состояние знаний	Эволюционирующее	Стабилизированное	Извлекаемое	Адаптивное
Структура	Гибкая	Явная	На основе индекса	Изученная или извлеченная
Стиль извлечения	Человеческий поиск и связывание	Навигация и поиск	Семантическое или гибридное извлечение	Релевантность плюс значимость
Владение	Личное	Владельцы страниц или команды	Администраторы системы	Контролируемый агентом или пользователем
Горизонт времени	Долгосрочный личный	Долгосрочный общий	Во время запроса	Многосессионный
Лучший вывод	Инсайт	Надежный справочник	Обоснованный ответ	Непрерывность
Основной риск	Накопительство	Устаревание	Плохое извлечение	Плохая память
Хорошая метрика	Повторное использование в мышлении	Доверие и свежесть	Качество ответа	Полезная непрерывность

Структура против извлечения против эволюции

Самый простой способ понять эти системы — сравнить, что они оптимизируют. Архитектурные последствия этого различия подробно исследуются в Retrieval vs Representation in Knowledge Systems.

PKM оптимизирует личную эволюцию

PKM — это о том, как меняется ваше понимание.

Вы собираете материал, переписываете его, связываете и превращаете во что-то полезное.

Результатом часто является:

• лучшая ментальная модель
• написанная статья
• решение
• направление исследований
• инсайт для повторного использования

PKM — это не в первую очередь быстрый поиск. Это долгосрочное осмысление.

Вики оптимизируют общую структуру

Вики — это о стабильных знаниях.

Они задают вопросы:

• Какой текущий ответ?
• Кто им владеет?
• Куда должны идти люди?
• Что должно быть обновлено?

Вики работает, когда людям ей доверяют.

RAG оптимизирует машинное извлечение

RAG — это о извлечении правильного контекста в правильное время.

Он задает вопросы:

• Какие документы релевантны?
• Какие фрагменты следует использовать?
• Сколько контекста помещается?
• Что должна цитировать модель?

RAG работает, когда качество извлечения высокое, а источник корпуса заслуживает доверия.

Память ИИ оптимизирует непрерывность

Системы памяти — это о сохранении между сессиями.

Они задают вопросы:

• Что должен помнить агент?
• Что должно быть забыто?
• Какая память важна сейчас?
• Как память должна изменять поведение?

Память работает, когда она улучшает будущее поведение, не загрязняя агента устаревшим или неверным контекстом.

Когда использовать PKM

Используйте PKM, когда знания являются личными, незавершенными или исследовательскими.

Хорошие сценарии:

• изучение распределенных систем
• планирование статей
• исследование архитектуры LLM
• сбор заметок из книг
• создание второго мозга
• отслеживание личных экспериментов

Используйте PKM, когда вы все еще думаете.

Пример

Вы изучаете оценку RAG.

Вы собираете:

• статьи
• заметки о бенчмарках
• диаграммы
• идеи реализации
• неудачи из собственных экспериментов

Это сначала должно быть в PKM.

Позже, когда знания стабилизируются, вы можете опубликовать статью или превратить их в документацию.

Когда использовать вики

Используйте вики, когда знания должны быть общими и поддерживаемыми.

Хорошие сценарии:

• онбординг команды
• документация API
• операционные книги операций
• записи о решениях по архитектуре
• знания о продукте
• инструкции по развертыванию
• процедуры поддержки

Используйте вики, когда другим нужен надежный ответ.

Пример

Ваша команда имеет один правильный способ развертывания сайта Hugo в S3 и CloudFront.

Это не должно быть только в личных заметках кого-то.

Это должно быть в вики или системе документации с четким владением.

Когда использовать RAG

Используйте RAG, когда системе ИИ нужен доступ к внешним знаниям во время запроса.

Хорошие сценарии:

• чат-бот по документации
• поисковый помощник по внутренним документам
• помощник поддержки по статьям помощи
• помощник по юридическим вопросам или соответствию
• исследование по большим наборам документов
• помощник разработчика по документации кода

Используйте RAG, когда проблема:

Модели нужна информация, которая живет вне ее весов.

Пример

У вас сотни технических статей, и вы хотите, чтобы помощник отвечал на вопросы, используя их.

RAG — хороший вариант.

Но только если документы достаточно чисты для извлечения.

Когда использовать память ИИ

Используйте память ИИ, когда агенту нужна непрерывность.

Хорошие сценарии:

• агенты для кодирования, которые помнят конвенции проекта
• персональные помощники, которые помнят предпочтения
• агенты для исследований, которые продолжают длительные расследования
• агенты для репетиторства, которые помнят прогресс студента
• агенты поддержки, которые помнят предыдущие взаимодействия
• автономные агенты, которые отслеживают цели

Используйте память, когда система должна улучшаться с течением времени.

Пример

Агент для кодирования должен помнить:

• проект использует Go
• тесты запускаются с определенной командой
• пользователь предпочитает минимальные зависимости
• миграции базы данных следуют конвенции

Это не просто извлечение. Это постоянный операционный контекст — различие, которое эта статья проводит между RAG и памятью агента, с деталями реализации в Memory Systems in AI Assistants.

Как эти системы комбинируются

Самые полезные системы — гибриды.

Зрелая архитектура знаний может выглядеть так:

1. PKM для личного исследования
2. Вики для стабильных общих знаний
3. RAG для машинного доступа
4. Память ИИ для долгосрочной непрерывности агента

У каждого слоя есть задача.

Паттерн 1. PKM в вики

Это человеческий конвейер знаний.

Поток:

1. Захватывать заметки в частном порядке
2. Связывать идеи
3. Отделять инсайты
4. Публиковать стабильные знания
5. Поддерживать как общий справочник

Так личное исследование становится организационными знаниями.

Пример

Вы исследуете инструменты для самостоятельного хостинга знаний в Obsidian.

После тестирования DokuWiki, Nextcloud и статических систем Markdown вы пишете стабильное руководство на своем сайте или в вики команды.

PKM создал инсайт. Вики сохраняет результат.

Паттерн 2. Вики в RAG

Это конвейер машинного доступа.

Поток:

1. Поддерживать канонические страницы вики
2. Индексировать их
3. Извлекать релевантные разделы
4. Генерировать обоснованные ответы
5. Ссылаться обратно на источники

Это один из самых чистых паттернов RAG.

Вики остается источником истины. RAG становится слоем доступа.

Пример

Бот поддержки отвечает на вопросы, используя вики продукта.

Бот не должен заменять вики. Он должен цитировать и направлять пользователей обратно к каноническим страницам.

Паттерн 3. RAG плюс память

Это конвейер непрерывности агента.

Поток:

1. RAG извлекает внешние факты
2. Память хранит контекст пользователя или задачи
3. Агент комбинирует оба
4. Будущее поведение улучшается

RAG отвечает:

Что говорит база знаний?

Память отвечает:

Что важно об этом пользователе, проекте или задаче?

Пример

Агент для кодирования использует RAG для извлечения документации фреймворка.

Он использует память, чтобы помнить, что ваш проект избегает ORM, предпочитает sqlc и использует структурированное логирование.

Это разные типы знаний.

Паттерн 4. PKM плюс помощник ИИ

Это гибридный конвейер мышления.

Поток:

1. Человек захватывает заметки
2. ИИ суммирует и предлагает ссылки
3. Человек редактирует и валидирует
4. Знания становятся более структурированными
5. Некоторые страницы переходят в вики или публикацию

ИИ дополняет систему PKM, но не должен владеть истиной.

Пример

Помощник ИИ может предлагать связи между заметками о RAG, системах памяти и LLM Wiki.

Но человек решает, какие связи значимы.

Общие архитектурные ошибки

Ошибка 1. Рассматривание RAG как вики

RAG — это не база знаний.

Он не автоматически создает каноническую структуру. Он извлекает из того, что существует.

Если исходные документы плохие, RAG становится уверенным интерфейсом к плохим знаниям.

Ошибка 2. Рассматривание памяти как базы данных

Память ИИ — это избирательный контекст, а не общее хранилище.

База данных хранит записи. Память меняет поведение.

Если вам нужны точные факты, используйте базу данных или базу знаний. Если вам нужна непрерывность, используйте память.

Ошибка 3. Рассматривание PKM как документации

PKM может быть хаотичным.

Документация не должна быть.

Личные заметки могут содержать полуобразованные идеи. Общая документация должна содержать стабильные, поддерживаемые знания.

Ошибка 4. Рассматривание вики как инструмента для мышления

Вики может поддерживать мышление, но она не идеальна для раннего исследования.

Если каждая ранняя мысль должна стать отполированной страницей, люди перестают писать.

Используйте PKM для грубого мышления. Используйте вики для долговечных знаний.

Ошибка 5. Рассматривание длинного контекста как памяти

Длинный контекст — это не память.

Он помогает только пока контекст присутствует.

Память сохраняется, выбирает, обновляется и иногда забывает.

Руководство по принятию решений

Используйте эту простую модель принятия решений.

Если знания частные и эволюционируют

Используйте PKM.

Если знания общие и стабильны

Используйте вики.

Если ИИ нужно отвечать на основе внешних документов

Используйте RAG.

Если агенту нужна непрерывность во времени

Используйте память.

Если вам нужны все четыре

Постройте многослойную систему.

Не заставляйте один инструмент выполнять каждую задачу.

Спектр систем знаний

Эти системы образуют спектр от человеческого мышления до непрерывности ИИ.

Слой	Система	Роль
Человеческая мысль	PKM	Исследовать и синтезировать
Общая структура	Вики	Сохранять и поддерживать
Машинный доступ	RAG	Извлекать и генерировать
Непрерывность агента	Память	Сохранять и адаптировать

Направление имеет значение.

Знания часто начинаются как личная мысль, становятся общей структурой, индексируются для машинного извлечения, а затем становятся частью постоянного поведения агента.

Это современный стек знаний.

Где вписывается LLM Wiki

Системы стиля LLM Wiki находятся между вики и архитектурой ИИ.

Они не являются классическим RAG.

Вместо извлечения фрагментов только во время запроса они пытаются предварительно структурировать знания в страницы, резюме, сущности и ссылки.

Это делает их ближе к системам скомпилированных знаний.

Полезное размещение:

Система	Позиция
Вики	Человеческая поддерживаемая структурированная база знаний
RAG	Машинное извлечение во время запроса
LLM Wiki	Машинная структурированная база знаний во время приема
Память	Постоянный контекст агента

Вот почему LLM Wiki относится к архитектуре систем знаний, а не к обычному RAG.

Практические примеры

Пример 1. Личный технический блог

Технический блоггер может использовать:

• PKM для заметок исследований
• сайт Hugo как опубликованные знания
• внутреннее связывание как структуру, похожую на вики
• RAG позже для поиска по сайту
• память ИИ для предпочтений помощника по написанию

Это сильная архитектура.

Она сохраняет человеческое суждение в центре, одновременно позволяя поддержке ИИ.

Пример 2. Инженерная команда

Инженерная команда может использовать:

• PKM для индивидуального обучения
• вики для стандартов и книг операций
• помощника RAG для внутренних документов
• память для агентов кодирования, работающих внутри репозиториев

Вики должна оставаться канонической.

Помощник RAG не должен изобретать процессы. Слой памяти должен помнить предпочтения проекта, а не заменять архитектурные решения.

Пример 3. Рабочий процесс исследований ИИ

Исследователь может использовать:

• PKM для заметок по статьям
• вики для стабильных резюме
• RAG для поиска литературы
• память для долгосрочных агентов исследований

Это работает, потому что каждый слой обрабатывает разные временные масштабы.

Безопасность и управление

Системы знаний становятся рискованными, когда хранят конфиденциальную или устаревшую информацию.

Управление PKM

Вопросы:

• Что должно оставаться частным?
• Что должно быть опубликовано?
• Что должно быть удалено?

Управление вики

Вопросы:

• Кто владеет каждой страницей?
• Когда она была последний раз проверена?
• Что является каноническим?

Управление RAG

Вопросы:

• Какие источники индексируются?
• Цитируются ли ответы?
• Как оценивается извлечение?
• Какой контент исключен?

Управление памятью

Вопросы:

• Что запоминается?
• Могут ли пользователи проверять память?
• Могут ли пользователи удалять память?
• Как исправляются неверные воспоминания?

Памяти нужно самое строгое управление, потому что она может незаметно влиять на будущее поведение.

Примечание по SEO и контентной стратегии

Если вы ведете технический сайт, это различие не только архитектурное. Оно также редакционное.

Вы можете маппить контент так:

• Страницы PKM объясняют человеческие практики управления знаниями.
• Страницы вики объясняют структурированные системы знаний.
• Страницы RAG объясняют инженерию извлечения.
• Страницы памяти объясняют постоянное поведение ИИ.
• Архитектурные страницы сравнивают и связывают парадигмы.

Это дает вашему сайту чистую сетку авторитетов вместо кучы слабо связанных статей об ИИ.

Финальный вывод

PKM, RAG, вики и системы памяти ИИ — не конкуренты.

Это разные ответы на разные вопросы.

PKM спрашивает:

Как мне думать лучше с течением времени?

Вики спрашивает:

Что мы знаем и где находится доверенная версия?

RAG спрашивает:

Какой внешний контекст должна использовать модель прямо сейчас?

Память ИИ спрашивает:

Что должен помнить этот агент для будущего?

Как только вы разделите эти вопросы, архитектура становится очевидной.

Используйте PKM для мышления. Используйте вики для общей истины. Используйте RAG для извлечения. Используйте память для непрерывности.

Будущее — не одна система знаний, которая заменяет все остальные.

Будущее — многослойная архитектура знаний. Для инструментов, методов и платформ самостоятельного хостинга во всем спектре knowledge management кластерная колонка отображает территорию.

Источники и дальнейшее чтение

• 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/