给 AI 建知识库的三种路子：检索式、路由式、标签式
给 AI 建知识库的三条路：检索式、路由式、标签式，以及 LLM wiki 属于哪一路。
配套正文：免9b《建知识库必须用 Obsidian 吗》· 概念科普（无时效压力）· 深入实操见付费层"给 AI 建你的资料库"
这篇学什么：给 AI 建知识库的三种主流方法——各自什么原理、优缺点、适合谁；以及博主们热推的"LLM wiki"到底属于哪一路。
三句话讲明白
- 检索式（RAG）：库是仓库，AI 用前先搜——把你的资料切片存好，问什么搜什么。
- 路由式：库是地图，AI 按图索骥——靠目录、索引页、链接网导航到对的地方。
- 标签式：库是卡片盒，靠标签聚合——一条笔记挂多个标签，从任何维度都能捞出来。
讲清楚
检索式（RAG）。原理：把资料切成小段、做向量化索引；你提问时，系统先搜出最相关的几段塞给 AI，AI 基于这几段回答。优点：海量资料不用整理也能用，几百篇文献直接丢进去。缺点：回答质量被检索质量卡死——搜偏了答偏；切片还容易丢失上下文（只看到段落，看不到全篇结构）。适合：原始资料堆积如山、还来不及整理的阶段。
路由式。原理：库被组织成一张地图——目录结构、索引页（"什么问题去哪个文件找"）、笔记之间的链接；AI（或你）先读地图，再顺着走到对的位置取材。优点：结构清晰、取用可控，库本身人也能读、能维护，长出的每个文件都是资产。缺点：结构要人维护——资料一多，索引跟不上，这是传统路由式最痛的地方。适合：长期积累的结构化资产。我们这门课的知识体系就是路由式建的（每层都有索引页导航）。
标签式。原理：不靠文件夹分层，每条笔记挂元数据标签；用的时候按标签筛选聚合。优点：一条笔记可以同时属于多个主题，不受"一个文件只能放一处"限制。缺点：标签体系没有治理会失控（同义标签满天飞），AI 用标签前需要和你约定好标签语言。适合：跨主题复用多的场景。
那 LLM wiki 是哪一路？ 现在你可以自己判断了：wiki 由一页页互相链接的笔记组成，AI 沿着链接导航取用——取用方式上是路由式的变体：链接网就是一张路由表。但它有个关键新意：这张路由表不是人写的，是 AI 自己生长维护的。卡帕西示范的方法正是让 Agent 读你的资料、自动整理生长出一座 wiki——传统路由式"人工维护跟不上"的痛，被自动构建解了。顺带说一句：它和检索式不冲突——wiki 页面照样可以被向量化，形成"路由导航 + 检索兜底"的组合。我们科研工作台里导师替你维护的记忆档案，走的就是这一路。
实战建议：三种路子不是三选一。常见的健壮组合是：路由做入口（清晰的目录和索引）+ 检索做兜底（海量原文交给 RAG）+ 标签做辅助（跨主题聚合）。选路子的顺序取决于你的现状：资料没整理→先检索式用起来；要长期沉淀→逐步长出路由结构；多主题交叉多→加标签。
进阶挑战
情境：课题组要建文献与笔记库，两种声音吵起来：年轻老师主张"全部丢进 RAG，省事"；资深教授主张"按课题精心建分类目录，一步到位"。让你拿方案。
先自己写下你的建议，再看参考思路。
参考思路（先做再看）
- 不二选一：原始文献全文进检索式（立刻可用）；课题级的综合笔记与结论按路由式组织（长期资产）。
- 分工说清楚：检索库管"原料"，路由库管"成品"——教授要的"精心"用在成品层，年轻老师要的"省事"留在原料层。
- 落一条规矩：凡是从原料里提炼过的结论，进路由库时要带来源链接回原料——两头不脱钩。
去哪深入
路由式内部怎么划分类别（PARA/CODE/卡片盒/内容地图），见姊妹篇《知识库怎么分类》；工具怎么选看《知识库工具怎么选》（撰写中）；动手建库见付费层《给 AI 建你的资料库》。