核心区别 普通 RAG 是“提问时临时检索并拼答案”；LLM Wiki 是“入库时先把资料整理成持续维护的知识体系”。 可以把它们类比为： 普通 RAG：搜索引擎 + 临时研究员 LLM Wiki：由 AI 持续维护的百科全书 企业级混合方案：百科全书负责理解，搜索引擎负责原文取证 Karpathy 描述的 LLM Wiki 会保留不可修改的原始资料，同时让 LLM 持续生成和维护结构化 Wiki 页面，包括主题页、实体页、摘要、交叉链接和矛盾记录；它不是每次提问都从原始文档重新开始分析。

说明：本文讨论的是亚马逊运营 Skill 在真实业务场景里的工具选择：什么时候用 MCP 探索，什么时候用 CLI + Python 数据管道交付。它不是在比较 MCP 和 CLI 的协议设计、通信机制或底层实现原理。 最近我翻了一下自己写过的亚马逊运营 Skill。 市场调研，用 Sorftime CLI。 竞品监控，用 Sorftime CLI。 VOC 报告，也还是用 Sorftime CL...

最近招聘运营，发现不少候选人不是没做过事，而是简历写得像岗位说明书，面试也讲不清自己的真实贡献。STAR 方法不用讲复杂，说白了就是四个问题：当时什么情况、你负责什么、你做了什么、最后结果怎样。