# RAG vs wiki Markdown > Knowledge base yang sama dibangun dua kali: dengan indeks RAG, dan sebagai LLM Wiki Markdown yang ditautkan manual. Tidak ada yang menang telak. - Situs: isnan lab (https://lab.falah-isnan.com/experiments/rag-vs-markdown-wiki) - Penulis: Falah Isnan (https://falah-isnan.com/) - Terbit: 2026-09-23 - Diperbarui: 2026-09-23 - Stack: Obsidian / Markdown / Vector search - Akses: Catatan riset - Hasil sementara: RAG unggul dalam efisiensi token dan kecepatan, dan keunggulan itu makin lebar seiring knowledge base membesar. LLM Wiki Markdown unggul dalam kemudahan perawatan dan keterprediksian. Untuk knowledge base kecil sampai menengah yang kamu tulis sendiri, pendekatan Markdown lebih efektif di antara keduanya: hubungannya eksplisit, jadi kamu bisa memperkirakan apa yang akan dibaca model. ## Pertanyaannya Metode mana yang lebih cocok untuk knowledge base: sistem RAG, atau ide LLM Wiki Markdown yang dipakai lewat Obsidian? Kedua metode berakhir dengan cara yang sama: model membaca sebagian teks lalu menjawab. Bedanya ada pada siapa yang menentukan teks mana yang dibaca. RAG menentukannya lewat kemiripan saat pertanyaan diajukan. Wiki Markdown menentukannya lewat hubungan yang sudah ditulis seseorang sebelumnya. Jadi perbandingannya bukan soal penyimpanan. Pertanyaannya: apakah knowledge base lebih terbantu oleh pencarian yang tidak bisa dilihatnya, atau oleh tautan yang bisa dilihatnya. ## Jalannya eksperimen 1. **Tulis pengetahuannya sekali.** Catatan yang sama, ditulis manual, dalam Markdown biasa. Tidak ada yang di-generate, jadi kedua jalur berangkat dari materi yang identik dan perbedaan apa pun berasal dari metodenya, bukan isinya. 2. **Jalur A — pecah dan buat embedding.** Pecah catatan menjadi chunk, buat embedding untuk masing-masing, lalu simpan vektornya di indeks. Pencarian dilakukan berdasarkan kemiripan: pertanyaan menentukan apa yang diambil, dan tidak ada yang perlu ditautkan manual. 3. **Jalur B — tautkan dan buat indeks.** Biarkan file-nya apa adanya dan tulis hubungan antarcatatan secara manual, dengan file indeks di setiap level. Pencarian berupa penelusuran: baca indeks, ikuti tautan, sampai di catatan. 4. **Ajukan pertanyaan yang sama ke keduanya.** Pertanyaan sama, model sama, di kedua jalur. Yang diamati adalah context yang sampai ke model, seberapa banyak, dan berapa lama waktu untuk sampai ke sana. ## Pendekatan yang dibandingkan ### RAG dengan vector search Catatan dipecah, dibuat embedding-nya, dan disimpan sebagai vektor. Setiap pertanyaan mengambil beberapa chunk terdekatnya sendiri, jadi model hanya melihat bagian knowledge base yang tampak relevan. - Context disusun per pertanyaan, tidak dibaca utuh. - Relevansi ditentukan oleh kemiripan, bukan oleh penulis. - Skalanya mengikuti indeks, bukan jumlah bacaan. - Chunking, embedding, dan pencarian semantik masing-masing perlu disetel dengan benar. ### LLM Wiki Markdown, lewat Obsidian File Markdown biasa dengan hubungan antarfile yang ditulis manual, diakses lewat file indeks. Jalan ke setiap catatan dipilih oleh manusia, jadi bisa dibaca, diperiksa, dan diperbaiki langsung. - Setiap hubungan tertulis jelas dan bisa dibaca manusia. - Rute ke jawaban bisa ditebak sebelum kamu bertanya. - Mengubah pengetahuan berarti mengedit file — tanpa perlu indeks ulang. - Setiap level indeks harus dibaca sebelum sampai ke catatan di bawahnya. ## Hasilnya Empat aspek, dinilai secara kualitatif di kedua versi. Belum ada angka benchmark yang boleh dipublikasikan. - **Efisiensi token** — Unggul di: RAG dengan vector search (clear). RAG mendapat context yang lebih tepat sasaran dengan anggaran yang sama. Wiki harus membaca indeks Markdown yang besar sebelum sampai ke catatan yang benar-benar menjawab pertanyaan, dan indeks itu ikut memakan context. - **Kemudahan perawatan** — Unggul di: LLM Wiki Markdown, lewat Obsidian (clear). File-nya tetap bisa dibaca manusia, dan hubungan yang ditulis manual lebih mudah ditebak daripada skor kemiripan. Mengubah pengetahuan cukup dengan mengedit file, bukan membangun ulang indeks. - **Kecepatan** — Unggul di: RAG dengan vector search (clear). Vector search lebih cepat untuk knowledge base yang besar. Di wiki, file indeksnya membengkak, dan setiap level indeks harus dibaca dulu sebelum ada yang berguna. - **Efektivitas untuk skala kecil sampai menengah** — Unggul di: LLM Wiki Markdown, lewat Obsidian (clear). Lebih mudah ditebak di ukuran itu, terutama kalau pengetahuannya ditulis sendiri. RAG terasa berlebihan di sana, dan pencarian semantik ditambah vektor membuatnya lebih rumit tanpa manfaat yang jelas. ## Untung-rugi - Keuntungan: Vector search menjaga context tetap kecil dan pencarian tetap cepat, dan terus bekerja saat knowledge base bertambah besar. Harga yang dibayar: Pencarian menjadi sistem kedua yang harus dibuat benar. Chunking, embedding, dan pencarian semantik punya cara gagalnya masing-masing, dan tidak ada yang terlihat dari jawabannya. - Keuntungan: Hubungan yang ditulis manual membuat rute ke jawaban bisa ditebak, dan rute yang salah bisa dilihat lalu diperbaiki. Harga yang dibayar: Setiap level indeks harus dibaca sebelum catatan di bawahnya, dan file indeks itu terus tumbuh bersama pengetahuannya sampai menjadi bagian yang paling mahal. - Keuntungan: Markdown biasa tetap mudah dibaca dan diedit oleh penulisnya, tanpa langkah build di antara suntingan dan jawaban berikutnya. Harga yang dibayar: Keterbacaan itu dijaga secara manual. Tidak ada yang menjaga hubungannya tetap benar begitu knowledge base melewati ukuran yang bisa dipegang satu orang. ## Yang belum terpecahkan 1. Perbandingannya dinilai secara kualitatif. Belum ada angka benchmark yang boleh dipublikasikan. 2. Baru diuji sampai knowledge base kecil-menengah yang ditulis sendiri. Titik ketika pendekatan Markdown tidak lagi menjadi pilihan yang lebih baik belum diukur. 3. Versi hibrida — hubungan yang ditulis manual dengan vector search di bawahnya — belum dibuat, jadi opsi ketiga yang paling jelas ini belum diuji. ## Kesimpulan sementara RAG unggul dalam efisiensi token dan kecepatan, dan keunggulan itu makin lebar seiring knowledge base membesar. LLM Wiki Markdown unggul dalam kemudahan perawatan dan keterprediksian. Untuk knowledge base kecil sampai menengah yang kamu tulis sendiri, pendekatan Markdown lebih efektif di antara keduanya: hubungannya eksplisit, jadi kamu bisa memperkirakan apa yang akan dibaca model. ## Catatan proses - RAG unggul dalam efisiensi token dan kecepatan; wiki Markdown unggul dalam kemudahan perawatan dan keterprediksian. - Untuk knowledge base kecil sampai menengah yang ditulis sendiri, wiki lebih efektif di antara keduanya. - Belum ada angka benchmark yang boleh dipublikasikan, jadi perbandingannya dijelaskan secara kualitatif.