AI界隈で注目を集めている「LLMWIKI」について、その基本概念からRAGとの違い、知識情報の保存場所や対応プラットフォーム、導入のハードルまでをわかりやすく解説します。
LLMWIKIとは何か？
LLMWIKIは特定のアプリやサービスではなく、「AIと一緒に育てる自分専用のナレッジベース」を構築するための運用手法です。手元の環境の中で、以下の3つの層に分けて知識を管理します。
- Raw（生の資料）： メモ、Pythonのスクリプト、Web記事などをそのまま放り込むデータ置き場。
- Wiki（整理された知識）： AIがRawを読み込み、Markdownファイルとして綺麗に構造化・リンク付けしたページ群。
- Schema（ルール）： AIに対して「どのような基準でページを作り、どうリンクを張るか」を指示するルールブック。
人間がRawに雑多なデータを渡すだけで、AIが自動でMarkdown群を生成し、整理されたWikiを作り上げてくれます。
RAGとの決定的な違い
手元の資料をAIに読ませる技術「RAG」とは、アプローチが根本的に異なります。
| 比較項目 | RAG（インタプリタ型） | LLMWIKI（コンパイラ型） |
| 動作イメージ | Pythonのように、毎回資料を検索してその場で回答を生成する | Rustのように、事前に資料をバイナリ（Markdown）へコンパイルしておく |
| 知識の扱い | 関連資料を探すだけで、知識そのものは整理・蓄積されない | AIが知識を構造化し、相互リンクされた資産として成長し続ける |
| コスト発生 | 質問を投げる「毎回」発生する | 資料を追加してWikiを更新する「最初の一回」に大きく発生する |
| 得意な用途 | 未整理の大量のドキュメントをとりあえず横断検索したい時 | Linuxコマンドや技術ノウハウを体系的に残して何度も使い回す時 |
知識情報の保存場所、対応プラットフォーム、LLM
LLMWIKIでは、AIが生成・整理したすべての知識が「プレーンなMarkdownファイル」としてローカルのディレクトリに保存されます。
- 保存形式： プレーンテキスト（Markdownファイル）
- 対応プラットフォーム：
- Windows 11 / 10
- Linux（Ubuntuなど）
- macOS
- 対応・連携できるLLM（AIモデルの例）：
- Claudeシリーズ（コード生成や構造化に優れた
CLAUDE.mdなどの仕組みと相性が良い） - GPTシリーズ（高い推論能力で複雑な資料を整理）
- ローカルLLM / その他の主要な高性能AI（CLI経由でファイルを操作できるエージェントやAIエディタから呼び出せるモデル）
- Claudeシリーズ（コード生成や構造化に優れた
特定のクラウドサービスに依存せず、Obsidianなどのエディタを使ってOS問わず手元の環境でそのまま管理・閲覧できるのが特徴です。
導入のハードルと注意点
非常に魅力的な手法ですが、実際に運用するには以下のハードルがあります。
- 初期コストが大きい： 生の資料をすべてWiki化するため、初回構築時や資料追加時にAIの処理時間とAPIのトークン消費が大きくかかります。
- ルールの設計力が必要： AIに自由に作らせると粒度がバラバラになります。「どのような知識ベースにしたいか」をSchemaで厳格に定義しなければなりません。
- ローカル環境の運用スキル： CLI対応のAIエージェントを走らせて、ローカルのMarkdownファイルを管理する運用知識が求められます。
参考ページ
2026年4月にAI研究者のAndrej Karpathy氏が公開したGitHub Gistが原典となっています。
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
まとめ
LLMWIKIは、その場限りのAIとのチャットとは異なり、自分自身の知識を体系的な資産として育てていく新しいアプローチです。RAGのように毎回検索するのではなく、事前に知識をコンパイルしておくことで、より高度に整理された情報を引き出せます。WindowsやLinuxなどの手元環境で、好みのLLMやMarkdownエディタを組み合わせて知識を蓄積できる点も大きな魅力です。初期設定の手間やルールの設計といったハードルはあるものの、一度仕組みを作ってしまえば強力な味方になります。次回は、このLLMWIKIを手元の環境へ構築する具体的な手順について解説します。
コメント