RAG 已死？我開發了一個 100% 落地板＋可自我進化的企業級知識管理系統！
Karpathy 一週爆紅 1400⭐ 的知識庫概念，我花 3 天讓它落地成會自己長大的活系統
上週，AI 大神 Andrej Karpathy 丟出一個炸彈：只要一段 Prompt，Claude Code 就能把你的文件自動整理成互相關聯的 Wiki 知識庫。
GitHub 一週內湧出十幾個 fork，隨便一個都幾百顆星星，總計超過 1400⭐。AI 圈集體高潮。
我也跟著做了。做完之後只有一個感覺：就這樣？
Karpathy 的版本需要裝 Obsidian 才能看圖譜、知識是靜態的 .md 檔案、沒有對話功能、沒有搜尋、團隊成員還要各自安裝軟體才能用。
這不叫落地。這叫 Demo。
所以我花了 3 天，把它重做成一個真正能用的系統。
🔥 和 Karpathy 版本的差距在哪？
Karpathy 版： 一張靜態關聯圖，要裝 Obsidian 看。
我們的版本： 打開瀏覽器就能用，手機也能連。6 種視角看同一份知識——關聯圖、心智圖、熱力方塊圖、時間軸、關鍵字群聚、因果迴路圖（CLD）。
特別說一下 CLD。系統會自動從文件中歸納出變數之間的因果關係，畫成有方向、有極性的弧線箭頭。「規模 → 成本（反向）」「品牌力 → 顧客依賴（正向）」——這在策略分析和系統思考的場景下，威力巨大。
點擊任何一個變數，相關的來源文件會展開在外側。每一個因果結論都能追溯到原始資料。
💬 不只是看，還能對話
右側有一個 LLM 對話窗。你可以直接問：「產品差異化和什麼因素相關？」
但這不是普通的 ChatGPT。系統會把知識庫內容 + 因果網絡的結構化資料一起送給 LLM，所以它的回答跟圖上畫的因果關係完全對得起來。
支援多輪追問。支援 Claude、Gemini、Ollama 本地模型。
還有一個 🌐 聯網搜尋開關——打開後，用 Gemini 的 Google Search Grounding 即時搜最新資料，結合你的知識庫一起回答。本地知識 + 全網最新資訊，一次到位。
🧬 最狠的功能：它會自己進化
這是真正讓它「活起來」的關鍵。
當你在對話中發現問題——比如 LLM 說「產品差異化 → 競爭優勢 這條連結應該存在但圖上沒有」——你不用手動改任何檔案。
每則回覆下方有一個**「🔧 採納修正」**按鈕。按下去，LLM 自動分析對話，產生結構化修正建議：新增哪條因果連結、移除哪個變數、修改哪個極性。
預覽 → 勾選 → 套用 → 圖譜即時更新。
不用重整頁面。不用重啟。還有一鍵還原，不怕改壞。
這代表什麼？
你的每一次提問，都可能讓知識庫變得更完整。 它不是靜態文件倉庫，是一個跟你一起思考、一起成長的系統。
🏢 為什麼說是「企業級」？
零安裝：
python3 km-server.py一行跑起來，團隊任何人打開瀏覽器就能用零上傳：100% 本地運行，機密文件不會離開你的電腦
零框架：不需要 npm、Docker、向量資料庫，一個 Python 檔 + 一個 HTML
多人協作：區網內任何裝置都能連線，手機平板都支援
專案切換：工具列一鍵切換不同知識庫，不用重啟
☠️ 所以 RAG 真的死了嗎？
傳統 RAG 要架向量資料庫、跑 Embedding、設計檢索管線。成本高、維護煩、而且模型本身不累積知識——每次都是從碎片拼湊答案。
LLM Wiki 的做法是讓 AI 先把知識消化整理好，查詢時讀結構化的 Wiki，不做即時向量檢索。更快、更準、成本趨近於零。
RAG 沒有完全死。文件上千份時可能還需要混合策略。但對 80% 的團隊和場景來說，這個方案已經夠用了，而且好用十倍。
最後
Karpathy 給了一個漂亮的概念。GitHub 社群在一週內把它 fork 了上千次。
但概念和落地之間，永遠有一道鴻溝。
我們做的事情很簡單：把這道鴻溝填起來，然後讓它自己往前走。
如果你的團隊有「100%落地板＋自動進化」的企業級知識管理需求，歡迎與我們聯繫 :