查询沉淀-为什么LLM Wiki比RAG更适合投研
- 更新时间: 2026-04-22
- 来源问题: 为什么这套方法不只是“用 AI 做笔记”，而是更适合投研？
问题
为什么 LLM Wiki 比“把文档丢给 AI 现查现答”的 RAG 更适合投研？
结论
因为投研的难点不在于临时找到资料，而在于把分散的资料、判断、反证、交易经验持续累积成可追踪的认知资产。
RAG 更像“每次重新翻资料”；
LLM Wiki 更像“持续维护一张会更新的私人研究地图”。
对投研来说，后者更重要，因为：
- 同一份新资料会影响多个对象：公司、主题、策略、持仓
- 高质量问答可以沉淀回知识库，而不是一次性消费
- 可以显式保存旧判断、反证、失效条件
- 有利于做复盘，而不是只做输入
证据
- 2026-04-04_Andrej-Karpathy_llm-wiki 强调三层结构：raw sources / wiki / schema
- 2026-04-04_Andrej-Karpathy_llm-wiki 强调三类操作：Ingest / Query / Lint
- 2026-04-22_微信文章_LLM-Wiki方法论 从投研语境补充说明：知识复利来自“连接和更新”，不是“存量多少”
不确定点
- 对短线纯事件驱动研究，维护成本是否显著高于收益，还需结合实际工作流评估