# LLM Wiki vs. RAG: druhý mozek pro AI **URL:** https://aibility.org/blog/llm-wiki-vs-rag **Meta popis:** RAG skládá odpověď z útržků při dotazu, LLM Wiki ji má připravenou předem. Kdy použít co, kolik stojí aktualizace a jak wiki kontrolovat. --- [Blog](/blog) · Build with AI · 6 min čtení # LLM Wiki vs. RAG: druhý mozek pro AI LLM Wiki, nebo RAG? Obojí má AI pomoct najít, co už víš, ale každé jinak. RAG skládá odpověď z útržků až při dotazu, LLM Wiki ji má připravenou předem. Sepsal jsem, kdy použít co a kolik nás stála první verze wiki. Vibe Coding Summer 2026 Kde má AI hledat Co máš Přístup _D_Desítky provázaných souborů LLM Wiki _P_Přes 10 000 dokumentů RAG _P_Přesná a aktuální data Databáze _P_Postupy a skilly Složka skillů Wiki obnovujeme 1× týdně Obsah 1. [Druhý mozek pro AI](#druhy-mozek-pro-ai) 2. [RAG a vektorová databáze](#rag-a-vektorova-databaze) 3. [LLM Wiki a shrnutí předem](#llm-wiki-a-shrnuti-predem) 4. [RAG vs. LLM Wiki v praxi](#rag-vs-llm-wiki-v-praxi) 5. [Náklady a aktualizace wiki](#naklady-a-aktualizace-wiki) 6. [Kontrola kvality wiki](#kontrola-kvality-wiki) 7. [Jedna wiki, nebo víc](#jedna-wiki-nebo-vic) 8. [Často se ptáte](#faq) Když se Codexu zeptám, co zrovna děláme na Vibe Coding Summer, a nemám žádnou wiki, začne prohledávat celou firemní složku. Najde projekt, v něm deset souborů, všechny je přečte a teprve z nich poskládá odpověď. Trvá to a spálí to spoustu tokenů. S wiki si přečte jednu stránku, kde je to už shrnuté, a do původních souborů jde, až když potřebuje detail. V páté lekci [Vibe Coding Summer](https://aibility.org/vibe-coding-summer) jsme řešili, jak má AI příště nezačínat od nuly. Dvě nejčastější odpovědi na to jsou RAG a LLM Wiki. Lidé si je pletou, nebo si myslí, že jedno musí přijít před druhým. Nemusí. ## Druhý mozek pro AI Dlouhý chat druhý mozek není. Plní se, starší část konverzace nástroj zkracuje a nový agent v něm nenajde, co se kdy rozhodlo. Jeden účastník popsal, že aplikaci staví tři měsíce v jednom chatu a kód ručně kopíruje do editoru. Přesně takhle se rozhodnutí ztrácejí. Druhý mozek je místo, kam se z hotové práce vracejí fakta, rozhodnutí a postupy, takže je další člověk nebo agent nemusí objevovat znovu. U nás je to PACT, firemní složka s Markdowny v Gitu. Pro mě PACT a druhý mozek znamenají totéž. RAG ani wiki ho nenahrazují. Jsou to dva různé způsoby, jak v něm AI hledá. ## RAG a vektorová databáze RAG vezme tvoje dokumenty, třeba tisíce PDF, a rozseká je na malé kousky o pár stovkách znaků. Každý kousek převede na čísla a uloží do vektorové databáze. Když se pak na něco zeptáš, agent v databázi najde kousky, které se k otázce nejvíc hodí, a poskládá z nich odpověď. Odpověď tak vzniká pokaždé znovu. Na stejnou otázku třikrát položenou můžeš dostat tři různé odpovědi, protože si agent kousky pokaždé složí trochu jinak. RAG se hodí na velké chatboty a hledání konkrétní pasáže v obrovském množství textu. Z mé praxe Ve staré verzi našeho chatbota jsme měli RAG nad metodikou, dokumentací k nástrojům a návody klik po kliku. Databázi jsme měli dobře vyladěnou, a stejně byly odpovědi pomalé, protože skládání znalosti až při dotazu stojí čas. Nakonec jsme ho přestali používat. Beru to jako limit našeho konkrétního nasazení, jiný RAG může běžet rychleji. ## LLM Wiki a shrnutí předem LLM Wiki popsal Andrej Karpathy. Místo skládání odpovědi při každém dotazu si AI udržuje strukturovanou wiki: stránky k tématům, vztahy mezi nimi a rozcestníky. Shrnutí je hotové dřív, než se zeptáš. Funkční wiki má tři vrstvy. Původní zdroje, ke kterým se dá vrátit. Shrnutí s tématy, stavem a rozpory. A instrukce, podle kterých se shrnutí generuje: pro koho je, které zdroje mají přednost a co dělat, když si odporují. Pěkně je to vidět na stránce, které říkáme current focus. Strategie, rozhodnutí z porady a stav projektu leží každé ve svém souboru. Wiki z nich složí jednu stránku a agent ji načte jako první. Když se zeptáš „proč?“, vede odkaz zpátky k rozhodnutí. Agent se o wiki dozví z krátké instrukce v `AGENTS.md` nebo `CLAUDE.md`. Ta mu řekne, že wiki existuje, kde je rozcestník a které soubory nesmí ručně přepisovat. Celý obsah wiki do ní nepatří. Claude Code už umí číst i `AGENTS.md`, ale jen když projekt nemá `CLAUDE.md`. Pokud máš oba soubory, dej instrukci do `CLAUDE.md`. My používáme OpenWiki od LangChainu, open-source verzi tohoto přístupu. Dá se v ní poskládat i balík pro konkrétní práci: pro Vibe Coding Summer obsahoval seznam lekcí, záznam o stavbě programu a související firemní přehledy. ## RAG vs. LLM Wiki v praxi Rozhoduje hlavně objem a typ otázek. - **Desítky provázaných souborů** a otázky, které se opakují napříč nimi: zkus LLM Wiki. - **Tisíce až desetitisíce dokumentů**, ve kterých hledáš konkrétní pasáž: spíš RAG. Nad deseti tisíci Markdownů si nedovedu představit, že by AI udělala rozumné shrnutí a udržela ho aktuální. Přiznávám ale, že s tak velkým objemem zkušenost nemám. - **Přesná čísla, transakce a aktuální záznamy**: databáze nebo systém, kde vznikají. Wiki není CRM. RAG nemusí předcházet wiki. My jsme wiki postavili rovnou nad Markdowny a dokumenty, které už jsme měli. Jdou i kombinovat, ale tuhle kombinaci jsem v praxi nezkoušel. Do RAGu nepatří ani skilly. Skill je celý postup a agent si ho vybírá podle názvu a popisu. RAG by ho rozsekal na kousky a mohl by složit postup z kroků, které patří do různých skillů. ## Náklady a aktualizace wiki Z mé praxe První nastavení jsem udělal špatně. Wiki nad čtyřmi repozitáři se přegenerovala celá po každém pushi a na výkonném modelu. Pushujeme desítky změn denně, takže se stejná wiki přepočítávala pořád dokola. Po prvním týdnu jsem viděl účet skoro za 400 dolarů. Teď wiki běží jednou týdně, zpracuje jen změny od posledního běhu a používá levnější model. Při kontrole jsem žádný výrazný pokles kvality nepoznal. Jak často wiki obnovovat, ber podle toho, jak rychle se ti mění data. Když do nich denně sahají desítky lidí, obnovuj ji častěji. Když se firma hýbe pomaleji, stačí jednou týdně. ## Kontrola kvality wiki Wiki je shrnutí, které napsal model, takže pravdivá automaticky není. Jednou se v ní objevily profily ideálních zákazníků a segmenty, i když jsem takový soubor nikdy nezaložil. Wiki je sama vytáhla ze surových souborů. Když jsme pak profil zákazníka řešili pro marketing, prošel jsem je a ověřoval, jestli sedí. Ručně wiki neupravuju. Kontroluju ji při práci: když dostanu špatnou odpověď, hledám, proč vznikla. Opravu pak dávám do zdroje nebo instrukcí, protože ruční úpravu vygenerované stránky by další běh přepsal. ## Jedna wiki, nebo víc U nás má každý důležitý repozitář vlastní wiki, třeba firemní PACT, platforma a web. Když pracuju v jednom repozitáři, odpověď vychází jen z jeho wiki a nemíchají se do ní cizí zdroje. Pro přehled jsem si nechal udělat jednoduchou stránku, která je ukáže na jednom místě. Protože jsme malý tým a data stejně kombinujeme napříč repozitáři, nejspíš časem přejdeme na jednu společnou wiki. Začni jednou wiki nad jedním projektem a jedním typem otázek. Sdílená wiki pro víc týmů potřebuje jasně určit, kdo ji vlastní, kdo do ní vidí a jak často se obnovuje. Nadřazená wiki nad dalšími wiki je podle mě pro freelancery a malé týmy zbytečná. Wiki nemusíš začít generovat hned. Rozcestník pro jeden projekt ti AI připraví za pár minut a uvidíš, jestli agent odpovídá rychleji. Vyzkoušej Funguje v Claude Code, Codexu a Claude Cowork, nebo v jiném nástroji, který pracuje se soubory v tvém počítači. PromptZkopírovat Projdi tuhle složku projektu a připrav soubor wiki/quickstart.md: rozcestník pro AI, které přijde k projektu poprvé. Napiš, o čem projekt je, co je teď rozpracované a kde leží rozhodnutí, podklady a výstupy. Ke každému tvrzení dej odkaz na soubor, ze kterého vychází, a datum poslední změny. Co si odporuje, nesjednocuj a vypiš zvlášť. Nakonec do AGENTS.md, nebo do CLAUDE.md, pokud ho projekt má, přidej jednu větu, že se má quickstart číst jako první. Když chceš pravidla, podle kterých agent pracuje, sepsat pořádně, pomůže 15minutový [AI Workout s pravidly pro AI v jednom souboru](https://aibility.org/knihovna/agents-md). Aby se do druhého mozku vracelo i to, co se na projektu udělalo, nastav si [projektový worklog](https://aibility.org/knihovna/project-worklog). ## Vyzkoušej na své práci ### [Založ si AGENTS.md: pravidla pro AI v jednom souboru](https://aibility.org/knihovna/agents-md) AI Workout, 15 minut, soubor s pravidly, který AI čte při každé práci ### [Založ si worklog: deník projektu](https://aibility.org/knihovna/project-worklog) AI Workout, 15 minut, worklog s prvními záznamy a pravidlem pro AI [obrázek: Tom Paulus]**Tom z Aibility**Co-CEO pro produkt ## Často se ptáte Co je RAG? Způsob, jak AI hledá ve velkém množství dokumentů. Rozseká je na malé kousky, uloží do vektorové databáze a při dotazu z nich vybere ty nejbližší a složí odpověď. Musí RAG předcházet LLM Wiki? Ne. Jsou to dva různé přístupy, které se dají i kombinovat. My jsme wiki postavili rovnou nad Markdowny, které jsme už měli. Dává LLM Wiki smysl nad deseti tisíci dokumenty? Spíš ne, na takový objem je vhodnější RAG. Záleží ale na tom, na co se budeš ptát, co je v dokumentech relevantní a jak často se mění. Je skill jen RAG plus prompt? Ne. Skill je celý postup, který si agent vybere podle názvu a popisu. RAG by ho rozsekal a mohl smíchat kroky z různých postupů. Kolik stojí LLM Wiki a jak často ji aktualizovat? Záleží na objemu a modelu. Nám aktualizace po každém pushi stála skoro 400 dolarů za týden. Dnes wiki běží jednou týdně nad změnami a na levnějším modelu. Potřebuju na druhý mozek Obsidian? Ne. Markdowny a Git ti dají soubory, historii i sdílení. Obsidian nebo wiki přidej, až když řeší konkrétní potřebu. Newsletter ## Nechcete nic zmeškat? Jednou za dva týdny posíláme souhrn toho nejlepšího z AI světa. Žádný spam, jen věci, které stojí za přečtení. [Odebírat newsletter](/newsletter) Superpowered Professional ## Zjistěte, jak s AI pracujete Krátký test AI dovedností trvá asi 2 minuty. Je zdarma a výsledek máte hned. [Začít zdarma](https://sp.aimee.coach/assessment) ## Další články [[obrázek: Zpráva od AI agenta ve Slacku: nabídka pro klienta je hotová pět minut po callu]30\. října 2026 · Build with AIAI v obchodu: nabídka do pěti minut po callu a onboarding sám od sebeAI v obchodu nemusí prodávat za tebe. Kolegyně z obchodu si nechala jen hovor s klientem a přípravu, nabídku i onboarding za ni dělá AI. Sepsal jsem, jak to má postavené a jak začít.](/blog/ai-v-obchodu) [[obrázek: Marketingový obsah jako výrobní linka: strategie, článek, kontrola textu, vizuál a plán]30\. října 2026 · Build with AIAI marketing: obsah jako výrobní linka s agentyAI marketing funguje nejlíp jako výrobní linka: vlastní myšlenka, rešerše, draft, kontrola, vizuál a publikace. Popisuju, jak ji máme v Aibility a jak si ji během léta postavil jeden účastník programu.](/blog/marketing-s-ai-agenty) [[obrázek: Ukazatel kontextového okna zaplněného na 93 procent]30\. října 2026 · AI nástrojeKontextové okno a tokeny: proč AI zapomíná a jak šetřitKontextové okno je to, co AI v jednom chatu právě vidí, a tokeny jsou jednotky, ve kterých se počítá text i cena. Když se okno zaplní, AI začne zapomínat, a když pálíš tokeny, dojde ti limit. Sepsal jsem, co s tím dělám já a co jsme řešili v létě s lidmi z programu.](/blog/kontextove-okno-a-tokeny)