过去一年，大模型应用几乎都围绕RAG展开，但一个值得关注的新方向正在出现：Knowledge Compilation（知识编译）。最近开源项目llmwiki尝试把Karpathy提出的LLM Wiki理念真正落地，不再每次提问时临时检索和拼接文档，而是先利用LLM把论文、网页、PDF、会议记录等原始资料编译成带有Concept、Entity、Comparison、Overview等结构化页面，再建立可追溯的知识图谱、引用关系和版本管理，让后续所有Agent都直接消费已经整理好的知识，而不是重复理解相同内容。这意味着推理成本从Query Time转移到了Compile Time，也让知识逐渐积累成为长期资产，而不是一次性的上下文。对于生物医药研发而言，这种模式尤其值得关注，无论是PubMed文献、ClinicalTrials.gov、FDA Label、真实世界数据还是内部实验记录，都可以持续沉淀为可审核、可更新、可引用、可追踪的知识体系，为Target Identification、Biomarker Discovery、Competitive Intelligence、Portfolio Strategy等提供更加稳定的数据基础。未来AI竞争的重点或许不只是模型参数规模，而是谁拥有持续生长、不断演化、能够服务多个Agent的高质量知识库，这可能也是企业AI进入第二阶段的重要标志。@评论罗伯特 @千问 #健闻登顶计划##国际创新药闻##药研智能社##最AI的健康派#