研究型 LLM 维基

要解决的问题

研究型工作里，笔记、论文摘录和零散结论会不断堆积。常见的处理方式是两条路：要么把所有资料塞进向量数据库做 RAG，要么靠模型在单次对话里的"记忆"。前者的问题是检索结果常常碎片化——一篇综述被切成多个 chunk，彼此引用关系被切断；embedding 版本、chunk 策略、召回质量都需要持续维护。后者则没有沉淀，下次提问从零开始。更根本的是，知识之间的关联——哪些结论引用了哪些实验、哪个观点后来被推翻——在向量化过程中几乎必然丢失。

技能如何工作

这个技能的思路是把知识库还给 Markdown 本身，让 LLM 直接读写一个互联的 Markdown 知识库：

• 沉淀：资料、笔记、研究结论以 .md 文件形式组织，彼此用 Markdown 链接互相引用，形成网络而不是孤岛。
• 构建：在整理材料的过程中逐步建立和维护链接结构，而不是一次性导入后不管。
• 查询：提问时由 LLM 直接阅读库中相关文件并组织答案，跳过 embedding 与向量检索环节。
• 定位：它给自己贴了 rag-alternative 标签，意味着在知识管理场景下可作为向量检索方案的替代；标签中还有 research、notes，并关联了 Obsidian 与 arXiv 方向的技能。

适用边界与注意点

• 适合个人或小团队的研究笔记库，规模可控，结构可以靠人工或半自动方式维护。
• 库的质量取决于 .md 文件的组织水平：链接断裂、命名混乱会让查询效果大打折扣。
• 需要大规模、高并发、多租户文档检索时，向量数据库 + RAG 仍是更工程化的选择。
• 查询效果受模型的阅读与归纳能力约束，模型对长上下文越熟悉，这套方案越顺手。