知识自进化到底在聊什么？三层架构与5个判定信号回顾

来看看知识自进化的话题，有点意思。

严格来讲，知识自进化（Knowledge Self-Evolution, KSE）指的是一个系统在不依赖每次人工重建的前提下，将新经验持续转化为结构化、互连、带版本的知识资产，并自动完成结构重组、矛盾消解、记忆反思与外部补充的能力。它是一套“让知识资产随时间增值”的机制总称，并非某个具体框架。这个可以展开聊聊。

一、大家谈的知识自进化都是啥？

之前看过 llm-wiki，里面点出一个矛盾：LLM 的上下文是“阅后即焚”的，而 RAG 每次查询都从原始文档重新检索、重新拼凑，没有任何积累。问一个需要综合 5 份文档的微妙问题，模型每次都得从零再推理一遍。

所以这里的逻辑在于：知识的价值在于复利。人类记忆靠“编码→存储→巩固→提取→再巩固”把经验变成长期资产。AI 系统要“智能”，就必须把一次性推理变成可持久化、可结构化、可互连、可演化的知识资产。

因此，自进化的纵向机制就落在三层架构上，也就是 Karpathy 的 LLMWiki 模式，归纳如下：

原始资料层（Raw，不可变）：PDF/DOCX/PPTX/网页/代码，SHA256 去重，源即真相；

Wiki 生成层（Wiki，LLM 生成、可演化）：Markdown + YAML frontmatter + wikilink + 知识图谱 + 社区检测，知识在这一层“编译一次、持续更新”；

模式/规则层（Schema，约束）：schema.md + purpose.md + JSON Schema 校验，定义“知识长什么样、为什么长这样”。

顺着这个纵向思路，“怎么进化”是机制问题，横向则要回答“谁在进化”。知识自进化会发生在三类主体上：

一类是个人知识管理（PKM）：知识沉淀在个人一侧，人 + 轻量 AI 辅助。代表：llm-wiki（双版）；

一类是知识库的自进化与演化：知识沉淀在组织/系统一侧，图谱 + 增量 + 双时态 + 递归归纳。代表：Graphiti、RAPTOR、LightRAG、GraphRAG（静态基线对照）；

一类是 Agent 中的上下文自进化：知识沉淀在智能体一侧，记忆等于可调度资源。代表：Mem0、Letta、MemOS、EverMemOS、A-MEM、MemU。

但问题又来了——大家都说自己有“自进化”，可真正的自进化总得有个判定依据吧？其实可以归纳出 5 种信号，如下表所示：

基于这个表，可以写个等式：知识自进化 = 把“一次性推理”升级为“可复用的认知资产”，并通过增量、结构、冲突消解、反思、主动学习五条信号，让资产随时间不退化反而增值。它买的不是“更聪明的模型”，而是“更便宜、更可靠、可审计的智能”。

二、关于自进化的3篇文章指引

事实上，云栈社区已经系统整理过一些关于自进化的文章，这里做个索引列表。

1、《技术再总结：知识自进化的3个Demo级项目及9个基本问题》（https://mp.weixin.qq.com/s/_n5dTGG0sXZXWMdj696j2g），介绍了 LLMWiki / Obsidian-Wiki / GBrain 三个项目。

2、《技术总结：本体论4个技术报告及本体自进化、本体驱动Agent自进化的一些分析》（https://mp.weixin.qq.com/s/F0TBKqKwgIJ9iAIQDWKUmg），对本体自进化（Ontology Self-Evolution）和本体驱动的 Agent 自进化（Ontology-driven Agent Self-Evolution）做了总结。

3、《再看本体如何增强Agent自进化？Agent用于时序建模任务技术综述》（https://mp.weixin.qq.com/s/uHo-tw9E-heuxG8FvARp9A），里面提到一篇文章（ref: https://mp.weixin.qq.com/s/Bh6hRpeRMf-zjodKDkSKVQ），同样讲了本体增强的自进化方法。