---
title: "RAG vs LLM Knowledge Base"
type: "concept"
tags: [AI, architektura, RAG, knowledge]
created: 2026-05-14
updated: 2026-05-14
sources: ["[[summaries/karpathy-llm-knowledge-breakdown]]"]
confidence: high
---

# RAG vs LLM Knowledge Base

## Definition
Porównanie dwóch paradygmatów wykorzystania LLM do pracy z dokumentami: Retrieval-Augmented Generation (RAG) oraz persistent LLM Knowledge Base.

## How It Works
- **RAG**: Działa w trybie "bezstanowym". Na każde pytanie wyszukuje fragmenty w surowych plikach i składa z nich odpowiedź "ad hoc".
- **Knowledge Base**: Działa w trybie "stanowym". Wiedza jest wstępnie przetworzona (skompilowana) do struktury Knowledge Base, a odpowiedzi są generowane na podstawie tej syntezy.

## Comparison Table

| Cecha | RAG | LLM Knowledge Base |
| :--- | :--- | :--- |
| **Dane** | Surowe dokumenty | Skompilowane strony knowledge |
| **Stanowość** | Bezstanowy (każde zapytanie od zera) | Stanowy (wiedza kumuluje się) |
| **Skala** | Miliony dokumentów | 100-500 wybranych źródeł |
| **Koszt** | Tani ingest, drogie zapytania (tokeny) | Drogi ingest, tanie zapytania |
| **Cel** | Wyszukiwanie faktów (Lookup) | Synteza i zrozumienie (Synthesis) |

## When To Use
- **Wybierz RAG**: Gdy masz ogromne, dynamicznie zmieniające się zbiory danych (np. dokumentacja techniczna firmy, akta prawne).
- **Wybierz Knowledge Base**: Gdy pracujesz nad konkretnym tematem badawczym, piszesz książkę lub budujesz osobistą bazę wiedzy (Second Brain).

## Related Concepts
- [[concepts/knowledge-compilation]]
- [[concepts/compounding-knowledge]]

## Sources
- [[summaries/karpathy-llm-knowledge-breakdown]]