来源：赋范AI说 · 📺 原视频
26:15 把 Naive RAG、GraphRAG、LLM Wiki 摆上同一张桌子：RAG 切块找片段、链路直接、适合验证；GraphRAG 提实体关系建图加分组摘要，撑”跨对象找关联、全局归纳”，但实体认错/关系抽错/更新重做的维护投入不小，且不自动保证结论正确；LLM Wiki 把同主题信息汇总成带链接带出处的页面、持续积累，但页面≠可靠，要人审要核源。路线可组合；验收统一回到真实业务问题四连：关键条件漏没漏、引用撑不撑结论、更新后答案跟不跟、岗位权限分不分。
值不值得深读：值得——本库正在走的就是第三、四条腿（卡片层＝Wiki 的编译产物，双链出处＝溯源问答），“先分清查原文还是攒经验”这把尺子可直接用来检查自家架构是不是过度/不足。同作者 10-16 的 104 分钟施工课（库内已有速览厚卡）是”Wiki 路线怎么建”的下半集，两条对读最省时间，本条回源性价比一般。
提醒：转写尾部混入其他课件 OCR（RAG 讲义、DB-GPT 字样的乱行），中段部分句子有重叠串扰——引用措辞前回源；头尾各挂一次【知识库】领课件引流钩子；三路线维护成本无量化对比，“值不值”还得自家算账。
📺 赋范AI说《Naive RAG、GraphRAG、LLM Wiki到底什么关系？三类知识库的工作原理、适用场景与验收方法，一期讲清企业怎么选》，抖音，2026-10-18 · 原视频 · 库内 2026-10-18-NaiveRAG、GraphRAG、LLMWiki到底什 · 卡片 卡片/方法/10-18-知识库三条路-先分清查原文找关联攒经验