AI・テクノロジー

LLM Wikiとは？Karpathyが提唱するRAGを超える知識管理アプローチ

open claw

• 6 min read
Share

はじめに

AI時代の知識管理に悩みはありませんか？

論文、記事、ドキュメント、ノート…情報を集め続けているのに、実際に活用できているでしょうか？溜め込んだ情報が「ただのデータの山」になってしまい、重要な知識が埋もれてしまう現象は多くの人が経験しているはずです。

そんな問題に対して、OpenAIの共同創業者であり、TeslaのAIディレクターを務めたAndrej Karpathy氏が2026年4月に新しいアプローチを提案しました。それが「LLM Wiki」です。

従来のRAG（Retrieval-Augmented Generation）にはない「知識の蓄積と成長」を可能にするこのパラダイムシフトについて、詳しく解説していきます。

RAGの限界 — なぜ毎回ゼロからやり直すのか

まず、従来のRAGの仕組みを理解しておきましょう。

RAGは、ユーザーの質問に対して、あらかじめ用意した知識ベースから関連するドキュメントを検索し、それをLLMのコンテキストとして提供することで、より正確で根拠のある回答を得る手法です。

しかしこのアプローチには、根本的な問題があります。

「毎回ゼロから知識を再発見する」問題

RAGの大きな限界は、クエリ間で知識が蓄積されないことです。

  • 新しいドキュメントを追加しても、その知識を他のドキュメントと結びつける作業は毎回ゼロからやり直す必要があります
  • NotebookLMやChatGPTのファイルアップロード機能でも、同じ課題は解決されていません
  • 回答はその場限りで消え、知識ベースとして残りません

つまり、RAGは「知識を検索する」機能は提供しますが、「知識を成長させる」機能を持っていないのです。

LLM Wikiとは — 知識をコンパイルする新しいパラダイム

LLM Wikiは、この限界を解消するためにKarpathy氏が提唱したアプローチです。

RAGとの根本的な違い

特徴 RAG LLM Wiki
知識の処理 クエリ時（オンザフライ） 取り込み時（オフライン）
回答の保存 されない Wikiページとして保存
クエリ間の蓄積 なし あり
メンテナンス 手動 半自動（Lintワークフロー）
探索プロセス 毎回ゼロから 継続的に蓄積
用途 質問応答 知識ベースの構築と成長

LLM Wikiの最大の特徴は、知識を「コンパイル」し、永続的なWiki構造を構築することです。

3層構造

LLM Wikiは以下の3層で構成されています。

Ingest（取り込み）

新しいソースをWikiに取り込むプロセスです。

sequenceDiagram
    participant User as ユーザー
    participant LLM as LLMエージェント
    participant Wiki as Wiki
    
    User->>LLM: 新しいソースを追加
    LLM->>Wiki: ソースを読み込み
    LLM->>Wiki: 要約・抽出
    LLM->>Wiki: クロスリファレンス作成
    LLM->>Wiki: 矛盾・重複検出
    LLM->>User: 10-15ページのWiki生成完了

Ingestの特徴：

  • 1つのソースが通常10〜15ページのWikiページを生成します
  • 要約、要点、引用、クロスリファレンスが自動的に作成されます
  • 既存のWikiと照らし合わせて、矛盾や重複が検出されます
  • LLMエージェント（Claude CodeやOpenAI Codex）が自動的に実行します

Query（検索・質問）

Wikiに対して質問をするプロセスです。

Queryの特徴：

  • Wikiのコンテンツに対して質問します
  • 回答自体も新しいWikiページとして保存されます
  • 探索プロセスが知識ベースに蓄積されていきます
  • 質問と回答の履歴が知識の一部になります

Lint（メンテナンス）

Wikiの健全性を維持するためのプロセスです。

Lintの特徴：

  • 定期的にWiki全体をスキャンします
  • 矛盾、古い記述、孤立ページを検出します
  • LLMが修正提案を自動的に行います
  • 知識ベースの品質が自律的に維持されます

必要なツールスタック

LLM Wikiを構築・運用するには、以下のツールが必要です。

ツール 役割 代替案
Obsidian WikiのIDE、ナビゲーション Logseq、Roam Research
Claude Code / OpenAI Codex LLMエージェント、自動化 他のAPI対応LLM
Git バージョン管理、履歴 なし（必須）
Markdown Wikiのフォーマット なし（標準）
スクリプト ワークフローの自動化 Python、Node.jsなど

Obsidian — WikiのIDEとしての選択

Obsidianは以下の理由でLLM Wikiに最適です。

  • Markdown形式にネイティブ対応
  • グラフビューで知識のつながりを可視化
  • プラグインによる機能拡張
  • ローカルファイルベース（プライバシーを守れる）

Claude Code / OpenAI Codex — LLMエージェントとしての選択

LLMエージェントには、プログラム理解とMarkdown操作に優れたモデルが適しています。

  • Claude Code：コードの理解と生成が得意
  • OpenAI Codex：自然言語からのコード生成が得意
  • 他のAPI対応LLMも利用可能

実践ガイド — 5分で始めるLLM Wiki

それでは、実際にLLM Wikiを構築する手順を見ていきましょう。

Step 1: ディレクトリ構造の作成

まずは基本的なディレクトリ構造を作成します。

mkdir llm_wiki
cd llm_wiki
mkdir raw    # 生のソースを保存
mkdir wiki   # LLM生成のWikiファイル
mkdir schema # 設定・テンプレート

Step 2: Schemaファイルの作成

Wikiの構造とルールを定義します。

schema/template.md:

tags: wiki
type: note
created: {{date}}
updated: {{date}}
source: {{source}}

{{title}}

要約

{{summary}}

要点

  • {{point_1}}
  • {{point_2}}

クロスリファレンス

  • [[関連ページ1]]
  • [[関連ページ2]]

schema/config.md:

LLM Wikiの構造ルール

命名規則

  • Wikiページ: YYYY-MM-DD-{slug}.md
  • タグ: {{category}}/{{subtopic}}

ページタイプ

  • note: 標準的なノート
  • summary: 要約ページ
  • query: クエリの回答
  • lint: メンテナンス記録

Step 3: 最初のソースを取り込む

最初のソースを取り込んでみましょう。

# 例：記事をrawディレクトリに追加
cp ~/Downloads/interesting-article.pdf raw/

次に、LLMエージェントにIngestを実行させます。


プロンプト例（Claude Codeなどに渡す）:

以下のソースをLLM Wikiに取り込んでください：

ソース: raw/interesting-article.pdf

要件：

  1. 記事を要約する
  2. 重要なポイントを3〜5個抽出する
  3. 既存のwikiディレクトリと照らし合わせて、関連ページを特定する
  4. クロスリファレンスを作成する
  5. schema/template.mdの形式に従って、wiki/ディレクトリにMarkdownファイルを作成する
  6. 必要に応じて複数のページを作成する（要約、要点、個別のトピックなど）

Step 4: Wikiの確認と育成

作成されたWikiページを確認します。

ls wiki/
# 2026-04-17-llm-wiki-intro.md
# 2026-04-17-karpathy-rag-limitations.md
# ...

Obsidianで`wiki`ディレクトリを開き、グラフビューで知識のつながりを確認しましょう。

活用ユースケース

LLM Wikiは、以下のような様々なシーンで活用できます。

個人研究（論文・記事の蓄積）

  • 関連論文を自動的に結びつける
  • 新しい研究が既存の知識にどう影響するかを自動検出
  • 研究テーマの時系列変化を追跡

読書Wiki（キャラクター・テーマ・伏線の整理）

  • 小説のキャラクター関係を自動で整理
  • テーマや伏線の言及箇所を抽出
  • 作品間の比較を容易に

ビジネスチーム（ミーティング記録・プロジェクト文書）

  • ミーティングの議事録を自動要約
  • プロジェクトの進捗を時系列で追跡
  • 複数のプロジェクト間の関連性を可視化

競合分析・デューデリジェンス

  • 複数の競合情報を統合
  • 重要な傾向や変化を自動検出
  • 分析プロセスを知識として蓄積

旅行計画・コースノート

  • 観光地情報を統合
  • ルートの最適化と記録
  • 旅行体験の蓄積と共有

LLM Wikiの課題と今後の展望

LLM Wikiは革新的なアプローチですが、いくつかの課題もあります。

初期設定の難しさ

  • Schemaの設計には試行錯誤が必要
  • 効果的なプロンプトの構築に時間がかかる
  • ツールチェーンのセットアップが必要

トークンコスト

  • IngestとLintには多くのトークンが必要
  • 大規模なWikiになるとコストが増大
  • 定期的なメンテナンスもコストに影響

品質管理の自動化

  • LLMが生成するコンテンツの品質にばらつき
  • 矛盾の検出精度に限界
  • 人間による最終確認は依然として必要

今後の展望

  • ファインチューニングデータへの応用（Wikiから高品質の学習データを生成）
  • マルチモーダル対応（画像、音声、動画の統合）
  • より高度な自動化（Lintの完全自動化、矛盾の自動解決）
  • チーム向けのツールの進化

よくある質問（FAQ）

Q: RAGとどう違うの？

A: RAGはクエリごとに知識を検索しますが、LLM Wikiは知識を「コンパイル」して永続的なWiki構造を構築します。クエリの回答もWikiページとして保存され、知識が蓄積・成長していきます。

Q: どのLLMを使えばいい？

A: Claude CodeやOpenAI Codexが推奨されていますが、API対応のLLMであれば利用可能です。プログラム理解とMarkdown操作に優れたモデルが適しています。

Q: Obsidian以外でも使える？

A: 基本的な要件はMarkdown形式とローカルファイルベースなので、Logseq、Roam Research、VS Codeなどでも利用可能です。Obsidianのグラフビューなどの機能は便利ですが、必須ではありません。

Q: チームでの運用は可能？

A: 可能です。Gitによるバージョン管理とGitサーバー（GitHub、GitLabなど）を活用することで、チームでの共有とコラボレーションができます。

Q: 日本語のドキュメントでも使える？

A: はい、使用可能です。ただし、LLMの言語能力によって要約や抽出の品質が変わるため、日本語に強いモデル（Claude、GPT-4など）を推奨します。

Q: 初期コストはどれくらい？

A: トークンコストはソースのサイズとWikiの複雑さに依存します。小規模なWikiであれば数ドル/月程度から始められます。詳細なコスト計算には、実際の使用量をテストする必要があります。

まとめ

LLM Wikiは、知識管理のパラダイムシフトを提案する革新的なアプローチです。
従来のRAGが「知識を検索する」ことに焦点を当てていたのに対し、LLM Wikiは「知識を成長させる」ことを可能にします。

LLM Wikiの核心:

  • 知識を「コンパイル」し、永続的なWiki構造を構築する
  • 3層構造（Raw sources、Wiki、Schema）で知識を整理する
  • 3つのコアワークフロー（Ingest、Query、Lint）で知識を維持・成長させる
  • Obsidian + LLMエージェント + Gitのシンプルなツールスタック

「蓄積する知識」から「複利的に成長する知識」へ。このシフトは、個人の知識管理から組織のナレッジベースまで、幅広い領域で変化をもたらすでしょう。

まずは小さく始めてみてはいかがでしょうか。一つの記事から始めたLLM Wikiは、徐々にあなたの知識の「第二の脳」へと成長していくはずです。

関連記事