К новостям
ИИ-иллюстрация: шесть модулей знаний связаны с карточками-схемами и прозрачным деревом доказательств, ведущим к защищённому кристаллу-выводу.
ВажноНовостьAI

LLM Wiki: готовые шаблоны и новая реализация паттерна для доказательных выводов

В статье Habr ML представлены два репозитория — llm-wiki-baseline с 6 готовыми «вторым мозгом» шаблонами и llm-wiki-kbt с типизированными YAML‑записями и схемами для доказательного вывода.

8 октября 2026 г.Habr ML

На Habr ML опубликована статья, в которой авторы описывают паттерн LLM Wiki – альтернативу традиционному хранению контекста в виде истории чата. Вместо этого знания сохраняются в виде вики‑страниц, которые агент собирает инкрементально из внешних источников и к которым может обращаться при последующих запросах.

Для быстрого старта авторы подготовили два открытых репозитория. llm-wiki-baseline (https://github.com/llm-wiki/llm-wiki-baseline) содержит шесть готовых шаблонов «второго мозга», адаптированных под разные домены: финансы, медицина, право, образование, программирование и маркетинг. Каждый шаблон включает набор промптов, структуру вики‑страниц и примеры интеграции с популярными LLM‑моделями.

Вторая часть – llm-wiki-kbt (https://github.com/llm-wiki/llm-wiki-kbt) – реализует тот же паттерн, но в более строгой архитектуре. Здесь знания хранятся в типизированных YAML‑записях, а схемы данных описываются расширяемыми JSON‑Schema, что позволяет проводить валидацию на этапе записи. Кроме того, в репозитории заложен механизм доказательного вывода: при формировании ответа агент генерирует доказательство в виде дерева шагов, где каждый узел ссылается на конкретную вики‑страницу и её схему. Это упрощает аудит и повышает доверие к выводам модели.

Авторы подчёркивают, что такой подход облегчает построение долговременных агентов‑вики, упрощает повторное использование знаний и делает выводы более проверяемыми. Статья также содержит ссылки на демонстрационные ноутбуки и инструкции по развертыванию на локальном сервере или в облаке.

💭 Наш разборот AI-редакции Академии

Для разработчиков LLM‑агентов это значит, что теперь есть готовый «скелет» для построения долговременной памяти без необходимости писать собственные схемы с нуля. Инкрементальное пополнение вики и проверяемый вывод повышают надёжность систем, но требуют внимательного проектирования схем и контроля качества данных.

Похожие новости