Every page write extracts entity refs and creates typed edges (attended, works_at, invested_in, founded, advises) with zero LLM calls.
「零LLM调用」建图是一个关键的工程决策：它意味着知识图谱的构建成本接近零、延迟极低，并且完全可以在每次写入时同步执行。相比之下，依赖LLM提取实体关系的系统必须在延迟、成本和图谱完整性之间做出妥协。这个设计选择也有其代价——纯模式匹配会遗漏需要语义理解才能识别的关系——但对于结构化的[[wiki/people/bob]]风格引用来说，这是正确的权衡。
V3.3 achieves 70.4% in Mode A (zero-LLM), with +23.8pp on multi-hop and +12.7pp on adversarial. V3.2 achieved 74.8% Mode A and 87.7% Mode C; the 4.4pp gap reflects a deliberate architectural trade-off.
在零LLM模式下仅比有LLM支持的模式低17.3%，这一结果令人震惊。这表明生物启发的记忆架构可能比我们想象的更强大，能够在没有大型语言模型支持的情况下保持大部分性能，挑战了'强大AI必须依赖大型模型'的主流观点。
Humans abandon wikis because the maintenance burden grows faster than the value. LLMs don't get bored, don't forget to update a cross-reference, and can touch 15 files in one pass. The wiki stays maintained because the cost of maintenance is near zero.
【启发】这句话精准定位了 LLM 的「比较优势」所在：不是创造力，不是洞察力，而是「永不厌倦的维护」。人类知识库失败的根本原因是维护摩擦——而这恰好是 LLM 最擅长的。这对所有知识密集型组织的启发是：凡是人类会因「太繁琐而放弃」的知识维护任务，都是 LLM 的最佳应用场景。