增量编译机制

增量编译机制是[[agentic-personal-knowledge-base]]系统的灵魂。它仅处理新加入的原始数据，并结合现有wiki上下文进行针对性更新，避免全量重算，大幅降低Token消耗。

工作原理

1. 新数据放入raw/目录后，系统检测到变更
2. LLM仅读取变更部分 + 现有wiki上下文（限200K tokens）
3. 基于文件名或embedding粗筛，加载相关的现有wiki内容
4. 进行针对性更新：生成/更新概念文章、结构化摘要、反向链接
5. 通过Git Hook或Cron Job自动化触发

核心优势

• 成本优化：后期增量优化可将Token消耗降至全量编译的10%以下
• 效率提升：避免每次新增数据都重新处理整个知识库
• 一致性保障：结合现有上下文，确保新知识与旧知识无缝融合
• 可回滚：Git确保每一次编译都可回滚

实现要点

• 使用低temperature（如0.3）保证输出稳定
• 分步Prompt（先摘要、再概念、再链接）避免一次性过载
• 增量模式下仅更新受影响的文件

与Token成本管控的关联

增量编译是[[token-cost-management]]的重要实践策略，通过避免全量重算，显著降低LLM调用的Token消耗。