人工智能AI 应用大模型RAGAI Agent知识图谱知识管理桌面应用【免费下载链接】llm_wikiLLM Wiki is a cross-platform desktop application that turns your documents into an organized, interlinked knowledge base — automatically. Instead of traditional RAG (retrieve-and-answer from scratch every time), the LLM incrementally builds and maintains a persistent wiki from your sources。项目地址https://gitcode.com/GitHub_Trending/ll/llm_wiki点击查看免费下载导读LLM Wiki 是一套把文档 → 结构化互链知识库自动化的跨平台桌面应用它不再像传统 RAG 那样在每次提问时从头检索、现场拼凑答案而是让 LLM 在读取你的源文档后增量构建并持续维护一个持久化的 Markdown Wiki——知识只被编译一次之后始终保持最新。本文基于仓库根目录的 README.md 与其源头设计文档 llm-wiki.md结合 ingest.ts、graph-relevance.ts、context-budget.ts、mcp-server/src/index.ts 等源码完整讲解其三层架构、三大核心操作、两阶段摄取、知识图谱、检索管线、Agent 运行时与本地 API读完你即可理解其设计原理并上手搭建自己的知识库。核心思想从每次重新发现到编译一次、持续更新大多数人与 LLM 文档的交互方式是 RAG上传一批文件提问时 LLM 检索相关片段、生成答案。这种方式的问题是没有积累——每次提问LLM 都要从零开始在原始文档中寻找并拼合相关碎片问一个需要综合五份文档的微妙问题它每次都要重新做一遍检索。NotebookLM、ChatGPT 文件上传以及大多数 RAG 系统都是这样工作的。LLM Wiki 的思路完全不同与其在查询时仅从原始文档检索不如让 LLM增量构建并维护一个持久的 wiki——一层位于你与原始资料之间的、结构化的、互链的 Markdown 文件集合wiki/。当你添加新来源时LLM 不只是为后续检索做索引而是阅读它、提取关键信息、并整合进现有 wiki更新实体页、修订主题摘要、标注新数据与旧观点的矛盾之处、强化或挑战正在演进中的综合结论。关键差异在于wiki 是一个持久、可复利的工件。交叉引用已经就位矛盾已被标记综合结论已经反映你所读的一切。每添加一个来源、每提出一个问题wiki 都变得更丰富。正如原始设计文档 llm-wiki.md 所描述的人类负责策展来源、探索与提出正确问题LLM 负责全部苦力活——总结、交叉引用、归档和簿记。这一模式可应用于多种场景个人领域追踪目标、健康、心理、自我提升——归档日记、文章、播客笔记逐步构建关于自己的结构化画像研究领域数周至数月深耕一个主题——阅读论文、文章、报告增量构建带有演进论点evolving thesis的综合 wiki读书边读边为每章建档为人物、主题、情节线索构建页面并建立它们之间的连接读完你就拥有一部内容丰富的伴读 wiki业务/团队由 LLM 维护的内部 wiki输入来自 Slack 线程、会议记录、项目文档、客户通话人类在循环中审阅更新。三层架构Raw Sources → Wiki → Schema项目的核心架构忠实遵循了 Karpathy 的 LLM Wiki 模式该模式被完整收录在仓库的 llm-wiki.md 中由三个层次组成Raw Sources原始资料不可变——你策展的源文档集合文章、论文、图片、数据文件。LLM 只读不写这是你的事实来源source of truth存放在项目的raw/sources/与raw/assets/下WikiLLM 生成的层——由 LLM 生成的 Markdown 文件目录摘要页、实体页、概念页、对比页、概述、综合页。LLM 完全拥有这一层创建页面、在新来源到达时更新它们、维护交叉引用、保持整体一致性。你读LLM 写Schema规则与配置——告诉 LLM wiki 如何组织、约定是什么、以及摄取/问答/维护时遵循什么工作流的文档。这是把 LLM 变成守纪律的 wiki 维护者而非泛化聊天机器人的关键配置文件存放在schema.md。除三层架构外项目还继承并实现了原设计中的其他约定index.md——内容目录也是 LLM 的导航入口每页列出链接、一句话摘要与可选元数据日期、来源数按实体/概念/来源等分类组织每次摄取都会更新log.md——按时间顺序的追加式操作记录ingest / query / lint每条以## [日期] ingest | 标题之类的一致性前缀开头可用grep ^## \[ log.md | tail -5这类 Unix 工具直接解析在 ingest.ts 的buildDeterministicIngestLog中即按此格式生成[[wikilink]] 语法——页面间交叉引用的基础源码中以WIKILINK_REGEX /\[\[([^\]|]?)(?:\|[^\]]?)?\]\]/g解析见 graph-relevance.tsYAML frontmatter——每个 wiki 页面都带元数据头Obsidian 兼容——wiki 目录可直接作为 Obsidian vault 打开项目还会自动生成带推荐设置的.obsidian/目录人类策展LLM 维护——根本性的分工原则。三大核心操作Ingest、Query、Lint原设计文档定义了 LLM 维护 wiki 的三种核心操作LLM Wiki 全部继承并做了工程化增强Ingest摄取把新来源投入raw/并让 LLM 处理。一次摄取可能触及 1015 个 wiki 页面写入摘要页、更新 index、更新相关实体与概念页、向 log 追加条目。原设计建议逐条摄取并保持参与也支持批量摄取Query查询向 wiki 提问。LLM 搜索相关页面、阅读并综合出带引用的答案。一个重要洞察是好的答案可以归档回 wiki 成为新页面如对比表、分析、你发现的连接这样你的探索与摄取一样在知识库中复利Lint体检周期性健康检查——页面间矛盾、已被新来源取代的过时论断、没有入链的孤儿页、被提及却缺少独立页面的重要概念、缺失的交叉引用、可通过 web 搜索填补的数据缺口。两阶段 Chain-of-Thought 摄取原设计描述的是单步摄取LLM 同时读与写项目将其拆成两次顺序 LLM 调用以获得显著更好的质量Step 1分析LLM 读取来源 → 结构化分析 - 关键实体、概念、论点 - 与现有 wiki 内容的连接 - 与既有知识的矛盾与张力 - 对 wiki 结构的建议 Step 2生成LLM 接收分析 → 生成 wiki 文件 - 带 frontmattertype、title、sources[]的来源摘要 - 带交叉引用的实体页、概念页 - 更新后的 index.md、log.md、overview.md - 供人类判断的 Review 条目 - 供 Deep Research 使用的搜索查询在源码 ingest.ts 中这一两阶段流程分别对应buildAnalysisPromptingest.ts与buildGenerationPromptingest.ts并依据模型上下文窗口自动调节生成 token 预算默认 8,192128K 上下文提升至 16,384256K 为 24,576512K 及以上为 32,768见 ingest.ts 与 ingest.ts。在两阶段核心之上项目还加入了一系列摄取增强SHA256 增量缓存——摄取前对源文件内容哈希Web Cryptocrypto.subtle.digest(SHA-256)未变化的文件自动跳过节省 LLM token 与时间缓存存于.llm-wiki/ingest-cache.json且仅在缓存命中且此前写出的文件仍存在于磁盘时才返回命中避免幽灵条目见 ingest-cache.ts持久化摄取队列——串行处理防止并发 LLM 调用队列持久化到磁盘、应用重启后存活失败任务自动重试最多 3 次见 ingest-queue.ts文件夹导入——递归导入并保留目录结构文件夹路径作为分类上下文传给 LLM如papers energy有助于分类源文件夹自动监控——应用外对raw/sources/的文件增删改会被自动捕获复用与应用内操作相同的 ingest/delete 生命周期队列可视化——Activity Panel 显示进度条、待处理/处理中/失败任务及取消与重试按钮自动嵌入——启用向量搜索时新页面在摄取后自动嵌入来源可溯源——每个生成的 wiki 页面在 YAML frontmatter 中带sources: []字段指回贡献它的原始源文件overview.md 自动更新——每次摄取后重新生成全局摘要页兜底来源摘要——即使 LLM 遗漏也保证来源摘要页一定被创建buildFallbackSourceSummary见 ingest.ts语言感知生成——LLM 按用户配置的语言英文或中文作答长文档分块——对于超长来源通过 digest最多 15,000 字符与分块分析每块 12,00060,000 字符、单块分析上限 40,000 字符串联汇总见 ingest.ts。索引与日志index.md 与 log.md原设计文档强调两个特殊文件帮助 LLM和你在 wiki 增长时导航二者用途不同index.md 面向内容它是 wiki 中一切内容的目录——每页列出链接、一句话摘要与可选元数据日期、来源数按类别实体、概念、来源等组织。LLM 在每次摄取时更新它。回答查询时LLM 先读 index 找到相关页面再深入阅读。在中等规模约 100 个来源、数百页下效果出奇地好避免引入基于 embedding 的 RAG 基础设施log.md 面向时间追加式记录发生的事件与时间摄取、查询、lint。每条以一致性前缀开头如## [2026-04-02] ingest | Article Titlelog 就能用简单 Unix 工具解析——grep ^## \[ log.md | tail -5得到最近 5 条记录。log 提供了 wiki 演化的时间线帮助 LLM 了解最近做了什么。知识图谱4-Signal 相关度模型与社区发现原设计只提到用[[wikilinks]]做交叉引用没有任何图分析。LLM Wiki 构建了完整的知识图谱可视化与相关度引擎4-Signal 相关度模型权重常量定义于 graph-relevance.ts信号权重描述Direct link直接链接×3.0通过[[wikilinks]]链接的页面Source overlap来源重叠×4.0共享同一原始来源的页面经 frontmattersources[]Adamic-Adar×1.5共享共同邻居的页面按邻居度加权Type affinity类型亲和×1.0同页面类型的加成实体↔实体、概念↔概念图谱可视化sigma.js graphology ForceAtlas2依赖见 package.json节点按页面类型或社区着色大小按链接数缩放√ 缩放边按相关度权重决定粗细与颜色绿色强灰色弱悬停交互邻居保持可见、非邻居变暗、边高亮并显示相关度分数标签缩放控制放大、缩小、适应屏幕位置缓存避免数据更新时布局跳动图例按着色模式在类型计数与社区信息间切换。Louvain 社区发现graphology-communities-louvain自动聚类——基于链接拓扑发现页面自然归组与预定义页面类型无关类型/社区切换——按页面类型entity、concept、source…或发现的社区着色凝聚度评分——每个社区按内部边密度实际边/可能边打分凝聚度低于 0.15 的社区标记警告12 色调色板——集群间视觉区分清晰社区图例——显示每个集群的顶部节点标签、成员数与凝聚度。Graph Insights图洞察意外连接检测跨社区边、跨类型链接、外围↔枢纽耦合用综合意外度分数排序最值得注意的连接可标记为已审阅以免重复出现知识缺口孤立页度 ≤ 1、稀疏社区凝聚度 0.15 且 ≥ 3 页、桥接节点连接 3 个集群的关键枢纽页交互点击洞察卡片可高亮图中对应节点与边知识缺口与桥接节点带Deep Research 按钮——LLM 读取 overview.md purpose.md 生成领域感知的研究主题并在可编辑的确认对话框中展示供你微调。检索管线多阶段检索 可选向量搜索 预算控制原设计是简单的LLM 读相关页面。项目实现了一条多阶段检索管线Phase 1分词检索 - 英文词拆分 停用词移除 - 中文CJK bigram 分词每个 → [每个, 个…] - 标题匹配加分10 分 - 同时搜索 wiki/ 与 raw/sources/ Phase 1.5向量语义搜索可选 - 通过任意 OpenAI 兼容 /v1/embeddings 端点嵌入 - 存储于 LanceDBRust 后端以支持快速 ANN 检索 - 余弦相似度发现无关键词重叠的语义相关页面 - 结果合并进搜索提升既有匹配 新增发现 Phase 2图扩展 - 顶部搜索结果作为种子节点 - 4-signal 相关度模型寻找相关页面 - 2 跳遍历 衰减以探索更深连接 Phase 3预算控制 - 可配置上下文窗口4K → 1M tokens - 比例分配60% wiki 页面、20% 聊天历史、5% index、15% 系统 - 页面按搜索 图相关度综合得分排序 Phase 4上下文组装 - 编号页面并附完整内容而非仅摘要 - 系统提示包含purpose.md、语言规则、引用格式、index.md - LLM 被指示按编号引用页面[1]、[2] 等向量搜索完全可选——默认关闭可在设置中独立配置 endpoint、API key 与模型关闭时管线回退到分词检索 图扩展。按项目 README 自述基准启用向量搜索后整体召回率从 58.2% 提升到 71.4%此为项目方提供的测试基准实际效果依语料而定。在源码 context-budget.ts 中可以看到预算分配的真实实现maxCtx按比例切分为responseReserve15% 响应预留、indexBudget5%、pageBudget50% 页面内容单页上限按pageBudget的 30% 线性缩放且有 5,000 字符下限——保证小窗口模型也能装下一页完整内容同时为长上下文模型释放此前被硬编码 30K 上限浪费的预算。多会话聊天与持久化原设计只有一个查询接口。项目提供完整的多会话支持独立聊天会话——创建、重命名、删除会话侧边栏——快速切换主题每会话持久化——存于.llm-wiki/chats/{id}.json可配置历史深度——限制作为上下文发送的消息数默认 10引用参考面板——每条回复的可折叠区展示使用了哪些 wiki 页面按类型分组并带图标引用持久化——引用的页面直接存于消息数据重启后稳定重新生成——一键重新生成最后一条回复移除最后一条 assistant user 消息对后重发保存到 Wiki——将有价值的回答归档到wiki/queries/随后自动摄取以把实体/概念提取进知识网络。Rust 后端 Chat Agent 与 Skills原设计没有 Agent 运行时。聊天现在运行在 Rust 后端 Agent runtime见 src-tauri/src/agent/而非浏览器内纯 TypeScript 循环工具使用型 Agent——可选择 wiki 搜索、来源搜索、图搜索、web 搜索、AnyTXT、工作区文件工具、经批准的 shell 命令与技能文件读取技能管理——扫描项目与用户技能文件夹、启用或禁用技能、在会话中用/skill补全挑选技能生成输出预览——Agent 工具产出的文件保存在agent-workspace/下作为生成输出展示可从聊天中预览或打开用户交互表单——技能可请求结构化用户输入单选、多选、自由文本无需为每个技能硬编码 UI更安全的执行模型——项目工作区命令可顺畅继续外部 shell 命令仍需显式批准。Thinking / Reasoning 展示对输出think块的模型DeepSeek、QwQ 等支持流式思考滚动 5 行 透明度淡入、默认折叠完成后隐藏、点击展开、与主回复的视觉分离。Deep Research从知识缺口到新页面当 LLM 识别出知识缺口时触发深度研究Web 搜索经 Tavily、SerpApi 或 SearXNG 寻找相关来源并做全文内容提取不截断提供商特定配置——Tavily 与 SerpApi 使用独立 API keySerpApi 支持可选择的引擎Google Web、Google News、Google Scholar、Bing、DuckDuckGo 等见 web-search.tsSearXNG 使用配置的实例 URL 与搜索类别general、news、science、it、images 等见 web-search.ts每主题多查询——摄取时由 LLM 生成、针对搜索引擎优化LLM 优化研究主题——从 Graph Insights 触发时LLM 读取 overview.md purpose.md 生成领域特定主题与查询用户确认对话框——研究开始前展示可编辑的主题与搜索查询LLM 综合——将发现综合为带交叉引用的 wiki 研究页Thinking 展示——综合期间think块以可折叠区展示自动滚动到最新内容自动摄取——研究结果自动处理以提取实体/概念进 wiki任务队列——支持 3 个并发任务研究面板——专用侧边栏面板动态高度、实时流式进度。多格式文档解析原设计聚焦文本/Markdown。项目支持保留文档语义的结构化提取格式方法PDF内置 pdf-extractRust 文件缓存复杂版式可选 MinerU Cloud、Local API 或 Pipeline 解析DOCXdocx-rs——标题、粗/斜体、列表、表格 → 结构化 MarkdownPPTXZIP XML——按幻灯片提取保留标题/列表结构XLSX/XLS/ODScalamine——正确的单元格类型、多工作表支持、Markdown 表格EPUB/MOBI电子书元数据、章节与正文 → 可直接摄取的内容Images原生预览png、jpg、gif、webp、svg 等Video/Audio内置播放器Web clipsReadability.js Turndown.js → 干净 MarkdownMinerU 是可选项使用 MinerU Cloud、官方 Local API endpoint 或 Local Pipeline 模式处理复杂 PDF。本地模式将处理留在本机提取的图片存于项目管理的wiki/media目录。若 MinerU 失败LLM Wiki 回退到内置解析器。多模态图像摄取从 PDF 提取内嵌图片、用视觉 LLM 生成事实性字幕captionImage每次调用发送一张图 固定事实提示按图片 SHA-256 缓存以跨语料库去重见 vision-caption.ts并在图像感知的搜索结果中提供灯箱预览与跳转到来源。这解决了图表类 PDF 页面仅有空 alt 的图片引用导致无语义信号、嵌入排名远低于应有位置的问题。文件删除与级联清理原设计没有任何删除机制。项目实现了智能级联删除删除源文件会移除其 wiki 摘要页3 方法匹配定位相关 wiki 页面frontmattersources[]字段、来源摘要页名、frontmatter 章节引用共享实体保留——链接到多个来源的实体/概念页只从sources[]数组移除被删来源而非整页删除索引清理——被删页面从 index.md 清除Wikilink 清理——其余 wiki 页面中指向被删页面的死[[wikilinks]]被移除。本地 HTTP API MCP Server AI Agent SkillLLM Wiki 内置本地 HTTP APIhttp://127.0.0.1:19828token 保护、仅127.0.0.1让外部工具——包括 Claude Code、Codex 等 AI Agent 或任意支持 HTTP 的脚本——都能查询你的 wiki。主要端点GET /api/v1/health—— 服务器状态无需鉴权GET /api/v1/projects—— 列出项目GET /api/v1/projects/{id}/files/files/content—— 读取文件与内容GET /api/v1/projects/{id}/reviews?statusunresolved—— 导出 Review 项用于 wiki 维护statusunresolved、resolved或all可选type与limitPATCH /api/v1/projects/{id}/reviews/{reviewId}—— 更新单个 Review 项JSON body{ resolved: true, action: label }resolved默认 true传 false 可重新打开POST /api/v1/projects/{id}/reviews/resolve—— 批量解决 Review 项JSON body{ ids: [...], action: label }返回{ resolved, notFound, count }POST /api/v1/projects/{id}/search——混合检索关键词 向量返回mode、tokenHits、vectorHits及每条结果的vectorScorePOST /api/v1/projects/{id}/chat—— 后端 Agent 聊天端点wiki/来源/web/AnyTXT 检索。JSON 请求默认非流式传stream: true或Accept: text/event-stream则返回 SSE 事件meta、增量agent然后done、cancelled或error。结尾的done帧包含完整聚合响应客户端不应把消息增量和最终消息当作两个独立答案分别渲染。mode: deep扩大证据收集范围GET /api/v1/projects/{id}/graph—— wikilinks 图支持q、nodeType、limit最大 1000、offset与edgeScopepage|filtered对大项目返回totalCount/hasMorePOST /api/v1/projects/{id}/sources/rescan—— 触发后端重新扫描POST /api/v1/projects/{id}/pages/embed—— 为一条外部创建或更新的wiki/*.md页面建立索引无需重建整个向量库在Settings → API MCP中可启用 API、生成 token并选择是否允许本地未鉴权访问。仓库同时附带本地 MCP 服务器mcp-server/。构建后用npm run mcp:buildSettings → API MCP会显示可复制的 MCP 客户端配置含你机器的正确本地路径。MCP 工具调用同一 API 面见 mcp-server/src/index.ts 注册的llm_wiki_status、llm_wiki_projects、llm_wiki_set_project、llm_wiki_files等工具Agent 客户端无需自定义 HTTP 胶水代码即可列出项目、读取文件、导出未解决的 Review 项、运行混合搜索、检查图谱、触发来源重扫并调用同一 Rust 后端 Agent 聊天端点。项目还维护一个开箱即用的agent skill一条命令即可安装进 Claude Code / Codex / 任何支持 skills 的运行时npx skills add https://github.com/nashsu/llm_wiki_skill.git --skill llm-wiki安装后Agent 可以通过与你本机运行的应用对话回答诸如我的 LLM Wiki 里关于 X 说了什么、搜索知识库里的 Y这类问题——默认只读并引用 wiki 页面路径供你在应用内核实。该 skill 有意不会在泛化的搜索我的笔记类提示上触发只在你明确提到 LLM Wiki /my wiki/知识库时激活。Chrome Web Clipper 扩展针对原设计提到的 Obsidian Web Clipper项目构建了专用 Chrome 扩展Manifest V3源码见 extension/Mozilla Readability.js精确提取文章正文剥离广告、导航、侧边栏Turndown.js做 HTML → Markdown 转换支持表格项目选择器——选择剪辑进哪个 wiki支持多项目本地 HTTP API端口 19827tiny_http——扩展与应用通信自动摄取——剪辑内容自动触发两阶段摄取管线剪辑监控器——每 3 秒轮询新剪辑并自动处理离线预览——应用未运行时也能展示提取的内容。加载方式打开chrome://extensions→ 开启开发者模式 → 点击加载已解压的扩展程序 → 选择extension/目录 → 用AltShiftLmacOS 为CommandShiftL剪辑当前页面可在chrome://extensions/shortcuts自定义快捷键。配置与跨平台细节可配置上下文窗口——滑块从 4K 到 1M tokens适配不同 LLM 能力更大的窗口按比例获得更多 wiki 内容60/20/5/15 分配wiki 页面/聊天历史/index/系统提示多提供商 LLM 支持——OpenAI、Anthropic、Google、Ollama、Custom各带提供商特定流式与 headers可配置 LLM 超时以适配慢速本地模型与长时操作设置提供商、API key、模型、上下文大小、语言经 Tauri Store 持久化配置 Firecrawl——可选 API key 与自定义 Base URL托管或自托管服务目的文件 purpose.md——原设计有 Schemawiki 如何工作但没有wiki 为什么存在的正式位置。项目新增purpose.md定义目标、关键问题、研究范围与演进论点LLM 在每次摄取与查询时都读取它作为上下文并能基于使用模式建议更新它与 schema 不同——schema 是结构规则purpose 是方向性意图i18n——英文 中文界面react-i18next翻译文件见 src/i18n/Markdown 渲染——GFM 表格边框、规范代码块、聊天与预览中的 wikilink 处理KaTeX 数学行内$...$与块级$$...$$经 remark-math rehype-katex、Milkdown 数学插件、裸\begin{aligned}自动包裹$$、100 Unicode 符号映射、Mermaid 代码块渲染与紧凑错误卡片跨平台兼容——路径规范化normalizePath()统一反斜杠 → 正斜杠、Unicode 安全字符串处理按字符而非字节切片防止 CJK 文件名崩溃、macOS 关闭即隐藏CmdQ 退出、Windows/Linux 退出确认对话框、Tauri v2 原生桌面项目维护——ZIP 导出/导入用于迁移确定性重建wiki/index.mddataVersion信号使图谱与 UI 在 wiki 内容变化时自动刷新可折叠文件侧边栏——折叠知识/文件导航并保留状态。安装与快速开始预编译二进制从项目的 Releases 页面下载macOS.dmgApple SiliconWindows.msiLinux.deb/.AppImage从源码构建# 前置要求Node.js 20、Rust 1.88、protoc # macOS: brew install protobuf # Linux: sudo apt install protobuf-compiler # Windows: choco install protoc git clone https://github.com/nashsu/llm_wiki.git cd llm_wiki npm install npm --prefix mcp-server ci npm run mcp:build # mcp-server/dist 作为 Tauri 资源打包 npm run tauri dev # 开发模式 npm run tauri build # 生产构建快速开始启动应用 → 创建新项目选择模板——Research、Reading、Personal Growth、Business、General 等场景模板会预配置 purpose.md 与 schema.md进入Settings→ 配置 LLM 提供商API key 模型可选在 Settings 中配置Web Search提供商与源文件夹自动监控进入Sources→ 导入文档PDF、DOCX、MD 等观察Activity Panel——LLM 自动构建 wiki 页面使用Chat查询知识库浏览Knowledge Graph查看连接查看Review中需要你关注的项目周期性运行Lint维护 wiki 健康。项目目录结构my-wiki/ ├── purpose.md # 目标、关键问题、研究范围 ├── schema.md # Wiki 结构规则、页面类型 ├── raw/ │ ├── sources/ # 上传的文档不可变 │ └── assets/ # 本地图片 ├── wiki/ │ ├── index.md # 内容目录 │ ├── log.md # 操作历史 │ ├── overview.md # 全局摘要自动更新 │ ├── entities/ # 人物、组织、产品 │ ├── concepts/ # 理论、方法、技术 │ ├── sources/ # 来源摘要 │ ├── queries/ # 保存的聊天回答 研究 │ ├── synthesis/ # 跨来源分析 │ └── comparisons/ # 并排对比 ├── .obsidian/ # Obsidian vault 配置自动生成 └── .llm-wiki/ # 应用配置、聊天历史、review 项技术栈一览层技术桌面Tauri v2Rust 后端前端React 19 TypeScript ViteUIshadcn/ui Tailwind CSS v4编辑器Milkdown基于 ProseMirror 的 WYSIWYG图谱sigma.js graphology ForceAtlas2搜索分词检索 图相关度 可选向量LanceDB向量库LanceDBRust、嵌入式、可选文档pdf-extract MinerU Cloud/Local docx-rs calamine EPUB/MOBI 提取i18nreact-i18next状态ZustandLLM流式 fetchOpenAI、Anthropic、Google、Ollama、CustomWeb 搜索Tavily、SerpApi、SearXNG JSON APIReview 系统异步人工在环原设计建议在摄取期间保持参与。项目增加了异步 review 队列LLM 在摄取期间标记需要人类判断的项目预定义动作类型Create Page、Deep Research、Skip——约束动作集合防止 LLM 幻觉出任意动作摄取时生成搜索查询——LLM 为每个 review 项预生成优化的 web 搜索查询用户在方便时处理 review——不阻塞摄取。结语LLM Wiki 把 Karpathy 的抽象设计模式见 llm-wiki.md落成了一个可实际运行的桌面应用并在保留三层架构 三大操作 index/log wikilink Obsidian 兼容 人类策展/LLM 维护这些核心骨架的同时围绕知识图谱、检索管线、Agent 运行时、Deep Research、多格式解析与本地 API 做了系统性扩展。如果你厌倦了每次提问都从零检索的 RAG 体验希望在文档之上积累一个持续进化的知识网络这个项目提供了一个开箱即用、可被 Claude Code / Codex 等 Agent 直接调用的完整方案。项目采用GNU General Public License v3.0开源详见 LICENSE。更详细的工程测试摄取、图谱、检索、扫描等模块均配有单元与场景测试见 src/lib/tests/ 与各模块相邻的*.test.ts可在克隆仓库后自行运行验证。赞分享人工智能AI 应用大模型RAGAI Agent知识图谱知识管理桌面应用【免费下载链接】llm_wikiLLM Wiki is a cross-platform desktop application that turns your documents into an organized, interlinked knowledge base — automatically. Instead of traditional RAG (retrieve-and-answer from scratch every time), the LLM incrementally builds and maintains a persistent wiki from your sources。项目地址https://gitcode.com/GitHub_Trending/ll/llm_wiki点击查看免费下载相关推荐datawhalechina/self-llm知识库构建实战指南datawhalechina/self llm知识库构建实战指南 痛点为什么需要专业的知识库助手 在人工智能快速发展的今天大语言模型LLM虽然具备了大模型人工智能教程本地部署微调OpenViking LLM Wiki 编译实战用 ov compile 把异构知识源铸造成证据可溯、人人可检索的持久知识库OpenViking LLM Wiki 编译实战用 ov compile 把异构知识源铸造成证据可溯、人人可检索的持久知识库 本文是一份以 examples/人工智能AI AgentAgent 记忆RAG后端数据库ROCm PyTorch Windows 部署实战RX 7900 XTX 上 10 分钟跑通 GPU 训练ROCm PyTorch Windows 部署实战RX 7900 XTX 上 10 分钟跑通 GPU 训练 ROCm 是 AMD 官方的 GPU 计算平台作开发工具高性能计算文档上一篇Micromodal 项目常见问题解决方案下一篇大麦自动抢票工具实战从环境搭建到开售下单的完整配置指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/1 9:34:05 · 阅读 1.2k LLM Wiki 实战指南：用 LLM 自动构建、维护并持续进化的个人知识库
人工智能AI 应用大模型RAGAI Agent知识图谱知识管理桌面应用【免费下载链接】llm_wikiLLM Wiki is a cross-platform desktop application that turns your documents into an organized, interlinked knowledge base — automatically. Instead of traditional RAG (retrieve-and-answer from scratch every time), the LLM incrementally builds and maintains a persistent wiki from your sources。项目地址https://gitcode.com/GitHub_Trending/ll/llm_wiki点击查看免费下载导读LLM Wiki 是一套把文档 → 结构化互链知识库自动化的跨平台桌面应用它不再像传统 RAG 那样在每次提问时从头检索、现场拼凑答案而是让 LLM 在读取你的源文档后增量构建并持续维护一个持久化的 Markdown Wiki——知识只被编译一次之后始终保持最新。本文基于仓库根目录的 README.md 与其源头设计文档 llm-wiki.md结合 ingest.ts、graph-relevance.ts、context-budget.ts、mcp-server/src/index.ts 等源码完整讲解其三层架构、三大核心操作、两阶段摄取、知识图谱、检索管线、Agent 运行时与本地 API读完你即可理解其设计原理并上手搭建自己的知识库。核心思想从每次重新发现到编译一次、持续更新大多数人与 LLM 文档的交互方式是 RAG上传一批文件提问时 LLM 检索相关片段、生成答案。这种方式的问题是没有积累——每次提问LLM 都要从零开始在原始文档中寻找并拼合相关碎片问一个需要综合五份文档的微妙问题它每次都要重新做一遍检索。NotebookLM、ChatGPT 文件上传以及大多数 RAG 系统都是这样工作的。LLM Wiki 的思路完全不同与其在查询时仅从原始文档检索不如让 LLM增量构建并维护一个持久的 wiki——一层位于你与原始资料之间的、结构化的、互链的 Markdown 文件集合wiki/。当你添加新来源时LLM 不只是为后续检索做索引而是阅读它、提取关键信息、并整合进现有 wiki更新实体页、修订主题摘要、标注新数据与旧观点的矛盾之处、强化或挑战正在演进中的综合结论。关键差异在于wiki 是一个持久、可复利的工件。交叉引用已经就位矛盾已被标记综合结论已经反映你所读的一切。每添加一个来源、每提出一个问题wiki 都变得更丰富。正如原始设计文档 llm-wiki.md 所描述的人类负责策展来源、探索与提出正确问题LLM 负责全部苦力活——总结、交叉引用、归档和簿记。这一模式可应用于多种场景个人领域追踪目标、健康、心理、自我提升——归档日记、文章、播客笔记逐步构建关于自己的结构化画像研究领域数周至数月深耕一个主题——阅读论文、文章、报告增量构建带有演进论点evolving thesis的综合 wiki读书边读边为每章建档为人物、主题、情节线索构建页面并建立它们之间的连接读完你就拥有一部内容丰富的伴读 wiki业务/团队由 LLM 维护的内部 wiki输入来自 Slack 线程、会议记录、项目文档、客户通话人类在循环中审阅更新。三层架构Raw Sources → Wiki → Schema项目的核心架构忠实遵循了 Karpathy 的 LLM Wiki 模式该模式被完整收录在仓库的 llm-wiki.md 中由三个层次组成Raw Sources原始资料不可变——你策展的源文档集合文章、论文、图片、数据文件。LLM 只读不写这是你的事实来源source of truth存放在项目的raw/sources/与raw/assets/下WikiLLM 生成的层——由 LLM 生成的 Markdown 文件目录摘要页、实体页、概念页、对比页、概述、综合页。LLM 完全拥有这一层创建页面、在新来源到达时更新它们、维护交叉引用、保持整体一致性。你读LLM 写Schema规则与配置——告诉 LLM wiki 如何组织、约定是什么、以及摄取/问答/维护时遵循什么工作流的文档。这是把 LLM 变成守纪律的 wiki 维护者而非泛化聊天机器人的关键配置文件存放在schema.md。除三层架构外项目还继承并实现了原设计中的其他约定index.md——内容目录也是 LLM 的导航入口每页列出链接、一句话摘要与可选元数据日期、来源数按实体/概念/来源等分类组织每次摄取都会更新log.md——按时间顺序的追加式操作记录ingest / query / lint每条以## [日期] ingest | 标题之类的一致性前缀开头可用grep ^## \[ log.md | tail -5这类 Unix 工具直接解析在 ingest.ts 的buildDeterministicIngestLog中即按此格式生成[[wikilink]] 语法——页面间交叉引用的基础源码中以WIKILINK_REGEX /\[\[([^\]|]?)(?:\|[^\]]?)?\]\]/g解析见 graph-relevance.tsYAML frontmatter——每个 wiki 页面都带元数据头Obsidian 兼容——wiki 目录可直接作为 Obsidian vault 打开项目还会自动生成带推荐设置的.obsidian/目录人类策展LLM 维护——根本性的分工原则。三大核心操作Ingest、Query、Lint原设计文档定义了 LLM 维护 wiki 的三种核心操作LLM Wiki 全部继承并做了工程化增强Ingest摄取把新来源投入raw/并让 LLM 处理。一次摄取可能触及 1015 个 wiki 页面写入摘要页、更新 index、更新相关实体与概念页、向 log 追加条目。原设计建议逐条摄取并保持参与也支持批量摄取Query查询向 wiki 提问。LLM 搜索相关页面、阅读并综合出带引用的答案。一个重要洞察是好的答案可以归档回 wiki 成为新页面如对比表、分析、你发现的连接这样你的探索与摄取一样在知识库中复利Lint体检周期性健康检查——页面间矛盾、已被新来源取代的过时论断、没有入链的孤儿页、被提及却缺少独立页面的重要概念、缺失的交叉引用、可通过 web 搜索填补的数据缺口。两阶段 Chain-of-Thought 摄取原设计描述的是单步摄取LLM 同时读与写项目将其拆成两次顺序 LLM 调用以获得显著更好的质量Step 1分析LLM 读取来源 → 结构化分析 - 关键实体、概念、论点 - 与现有 wiki 内容的连接 - 与既有知识的矛盾与张力 - 对 wiki 结构的建议 Step 2生成LLM 接收分析 → 生成 wiki 文件 - 带 frontmattertype、title、sources[]的来源摘要 - 带交叉引用的实体页、概念页 - 更新后的 index.md、log.md、overview.md - 供人类判断的 Review 条目 - 供 Deep Research 使用的搜索查询在源码 ingest.ts 中这一两阶段流程分别对应buildAnalysisPromptingest.ts与buildGenerationPromptingest.ts并依据模型上下文窗口自动调节生成 token 预算默认 8,192128K 上下文提升至 16,384256K 为 24,576512K 及以上为 32,768见 ingest.ts 与 ingest.ts。在两阶段核心之上项目还加入了一系列摄取增强SHA256 增量缓存——摄取前对源文件内容哈希Web Cryptocrypto.subtle.digest(SHA-256)未变化的文件自动跳过节省 LLM token 与时间缓存存于.llm-wiki/ingest-cache.json且仅在缓存命中且此前写出的文件仍存在于磁盘时才返回命中避免幽灵条目见 ingest-cache.ts持久化摄取队列——串行处理防止并发 LLM 调用队列持久化到磁盘、应用重启后存活失败任务自动重试最多 3 次见 ingest-queue.ts文件夹导入——递归导入并保留目录结构文件夹路径作为分类上下文传给 LLM如papers energy有助于分类源文件夹自动监控——应用外对raw/sources/的文件增删改会被自动捕获复用与应用内操作相同的 ingest/delete 生命周期队列可视化——Activity Panel 显示进度条、待处理/处理中/失败任务及取消与重试按钮自动嵌入——启用向量搜索时新页面在摄取后自动嵌入来源可溯源——每个生成的 wiki 页面在 YAML frontmatter 中带sources: []字段指回贡献它的原始源文件overview.md 自动更新——每次摄取后重新生成全局摘要页兜底来源摘要——即使 LLM 遗漏也保证来源摘要页一定被创建buildFallbackSourceSummary见 ingest.ts语言感知生成——LLM 按用户配置的语言英文或中文作答长文档分块——对于超长来源通过 digest最多 15,000 字符与分块分析每块 12,00060,000 字符、单块分析上限 40,000 字符串联汇总见 ingest.ts。索引与日志index.md 与 log.md原设计文档强调两个特殊文件帮助 LLM和你在 wiki 增长时导航二者用途不同index.md 面向内容它是 wiki 中一切内容的目录——每页列出链接、一句话摘要与可选元数据日期、来源数按类别实体、概念、来源等组织。LLM 在每次摄取时更新它。回答查询时LLM 先读 index 找到相关页面再深入阅读。在中等规模约 100 个来源、数百页下效果出奇地好避免引入基于 embedding 的 RAG 基础设施log.md 面向时间追加式记录发生的事件与时间摄取、查询、lint。每条以一致性前缀开头如## [2026-04-02] ingest | Article Titlelog 就能用简单 Unix 工具解析——grep ^## \[ log.md | tail -5得到最近 5 条记录。log 提供了 wiki 演化的时间线帮助 LLM 了解最近做了什么。知识图谱4-Signal 相关度模型与社区发现原设计只提到用[[wikilinks]]做交叉引用没有任何图分析。LLM Wiki 构建了完整的知识图谱可视化与相关度引擎4-Signal 相关度模型权重常量定义于 graph-relevance.ts信号权重描述Direct link直接链接×3.0通过[[wikilinks]]链接的页面Source overlap来源重叠×4.0共享同一原始来源的页面经 frontmattersources[]Adamic-Adar×1.5共享共同邻居的页面按邻居度加权Type affinity类型亲和×1.0同页面类型的加成实体↔实体、概念↔概念图谱可视化sigma.js graphology ForceAtlas2依赖见 package.json节点按页面类型或社区着色大小按链接数缩放√ 缩放边按相关度权重决定粗细与颜色绿色强灰色弱悬停交互邻居保持可见、非邻居变暗、边高亮并显示相关度分数标签缩放控制放大、缩小、适应屏幕位置缓存避免数据更新时布局跳动图例按着色模式在类型计数与社区信息间切换。Louvain 社区发现graphology-communities-louvain自动聚类——基于链接拓扑发现页面自然归组与预定义页面类型无关类型/社区切换——按页面类型entity、concept、source…或发现的社区着色凝聚度评分——每个社区按内部边密度实际边/可能边打分凝聚度低于 0.15 的社区标记警告12 色调色板——集群间视觉区分清晰社区图例——显示每个集群的顶部节点标签、成员数与凝聚度。Graph Insights图洞察意外连接检测跨社区边、跨类型链接、外围↔枢纽耦合用综合意外度分数排序最值得注意的连接可标记为已审阅以免重复出现知识缺口孤立页度 ≤ 1、稀疏社区凝聚度 0.15 且 ≥ 3 页、桥接节点连接 3 个集群的关键枢纽页交互点击洞察卡片可高亮图中对应节点与边知识缺口与桥接节点带Deep Research 按钮——LLM 读取 overview.md purpose.md 生成领域感知的研究主题并在可编辑的确认对话框中展示供你微调。检索管线多阶段检索 可选向量搜索 预算控制原设计是简单的LLM 读相关页面。项目实现了一条多阶段检索管线Phase 1分词检索 - 英文词拆分 停用词移除 - 中文CJK bigram 分词每个 → [每个, 个…] - 标题匹配加分10 分 - 同时搜索 wiki/ 与 raw/sources/ Phase 1.5向量语义搜索可选 - 通过任意 OpenAI 兼容 /v1/embeddings 端点嵌入 - 存储于 LanceDBRust 后端以支持快速 ANN 检索 - 余弦相似度发现无关键词重叠的语义相关页面 - 结果合并进搜索提升既有匹配 新增发现 Phase 2图扩展 - 顶部搜索结果作为种子节点 - 4-signal 相关度模型寻找相关页面 - 2 跳遍历 衰减以探索更深连接 Phase 3预算控制 - 可配置上下文窗口4K → 1M tokens - 比例分配60% wiki 页面、20% 聊天历史、5% index、15% 系统 - 页面按搜索 图相关度综合得分排序 Phase 4上下文组装 - 编号页面并附完整内容而非仅摘要 - 系统提示包含purpose.md、语言规则、引用格式、index.md - LLM 被指示按编号引用页面[1]、[2] 等向量搜索完全可选——默认关闭可在设置中独立配置 endpoint、API key 与模型关闭时管线回退到分词检索 图扩展。按项目 README 自述基准启用向量搜索后整体召回率从 58.2% 提升到 71.4%此为项目方提供的测试基准实际效果依语料而定。在源码 context-budget.ts 中可以看到预算分配的真实实现maxCtx按比例切分为responseReserve15% 响应预留、indexBudget5%、pageBudget50% 页面内容单页上限按pageBudget的 30% 线性缩放且有 5,000 字符下限——保证小窗口模型也能装下一页完整内容同时为长上下文模型释放此前被硬编码 30K 上限浪费的预算。多会话聊天与持久化原设计只有一个查询接口。项目提供完整的多会话支持独立聊天会话——创建、重命名、删除会话侧边栏——快速切换主题每会话持久化——存于.llm-wiki/chats/{id}.json可配置历史深度——限制作为上下文发送的消息数默认 10引用参考面板——每条回复的可折叠区展示使用了哪些 wiki 页面按类型分组并带图标引用持久化——引用的页面直接存于消息数据重启后稳定重新生成——一键重新生成最后一条回复移除最后一条 assistant user 消息对后重发保存到 Wiki——将有价值的回答归档到wiki/queries/随后自动摄取以把实体/概念提取进知识网络。Rust 后端 Chat Agent 与 Skills原设计没有 Agent 运行时。聊天现在运行在 Rust 后端 Agent runtime见 src-tauri/src/agent/而非浏览器内纯 TypeScript 循环工具使用型 Agent——可选择 wiki 搜索、来源搜索、图搜索、web 搜索、AnyTXT、工作区文件工具、经批准的 shell 命令与技能文件读取技能管理——扫描项目与用户技能文件夹、启用或禁用技能、在会话中用/skill补全挑选技能生成输出预览——Agent 工具产出的文件保存在agent-workspace/下作为生成输出展示可从聊天中预览或打开用户交互表单——技能可请求结构化用户输入单选、多选、自由文本无需为每个技能硬编码 UI更安全的执行模型——项目工作区命令可顺畅继续外部 shell 命令仍需显式批准。Thinking / Reasoning 展示对输出think块的模型DeepSeek、QwQ 等支持流式思考滚动 5 行 透明度淡入、默认折叠完成后隐藏、点击展开、与主回复的视觉分离。Deep Research从知识缺口到新页面当 LLM 识别出知识缺口时触发深度研究Web 搜索经 Tavily、SerpApi 或 SearXNG 寻找相关来源并做全文内容提取不截断提供商特定配置——Tavily 与 SerpApi 使用独立 API keySerpApi 支持可选择的引擎Google Web、Google News、Google Scholar、Bing、DuckDuckGo 等见 web-search.tsSearXNG 使用配置的实例 URL 与搜索类别general、news、science、it、images 等见 web-search.ts每主题多查询——摄取时由 LLM 生成、针对搜索引擎优化LLM 优化研究主题——从 Graph Insights 触发时LLM 读取 overview.md purpose.md 生成领域特定主题与查询用户确认对话框——研究开始前展示可编辑的主题与搜索查询LLM 综合——将发现综合为带交叉引用的 wiki 研究页Thinking 展示——综合期间think块以可折叠区展示自动滚动到最新内容自动摄取——研究结果自动处理以提取实体/概念进 wiki任务队列——支持 3 个并发任务研究面板——专用侧边栏面板动态高度、实时流式进度。多格式文档解析原设计聚焦文本/Markdown。项目支持保留文档语义的结构化提取格式方法PDF内置 pdf-extractRust 文件缓存复杂版式可选 MinerU Cloud、Local API 或 Pipeline 解析DOCXdocx-rs——标题、粗/斜体、列表、表格 → 结构化 MarkdownPPTXZIP XML——按幻灯片提取保留标题/列表结构XLSX/XLS/ODScalamine——正确的单元格类型、多工作表支持、Markdown 表格EPUB/MOBI电子书元数据、章节与正文 → 可直接摄取的内容Images原生预览png、jpg、gif、webp、svg 等Video/Audio内置播放器Web clipsReadability.js Turndown.js → 干净 MarkdownMinerU 是可选项使用 MinerU Cloud、官方 Local API endpoint 或 Local Pipeline 模式处理复杂 PDF。本地模式将处理留在本机提取的图片存于项目管理的wiki/media目录。若 MinerU 失败LLM Wiki 回退到内置解析器。多模态图像摄取从 PDF 提取内嵌图片、用视觉 LLM 生成事实性字幕captionImage每次调用发送一张图 固定事实提示按图片 SHA-256 缓存以跨语料库去重见 vision-caption.ts并在图像感知的搜索结果中提供灯箱预览与跳转到来源。这解决了图表类 PDF 页面仅有空 alt 的图片引用导致无语义信号、嵌入排名远低于应有位置的问题。文件删除与级联清理原设计没有任何删除机制。项目实现了智能级联删除删除源文件会移除其 wiki 摘要页3 方法匹配定位相关 wiki 页面frontmattersources[]字段、来源摘要页名、frontmatter 章节引用共享实体保留——链接到多个来源的实体/概念页只从sources[]数组移除被删来源而非整页删除索引清理——被删页面从 index.md 清除Wikilink 清理——其余 wiki 页面中指向被删页面的死[[wikilinks]]被移除。本地 HTTP API MCP Server AI Agent SkillLLM Wiki 内置本地 HTTP APIhttp://127.0.0.1:19828token 保护、仅127.0.0.1让外部工具——包括 Claude Code、Codex 等 AI Agent 或任意支持 HTTP 的脚本——都能查询你的 wiki。主要端点GET /api/v1/health—— 服务器状态无需鉴权GET /api/v1/projects—— 列出项目GET /api/v1/projects/{id}/files/files/content—— 读取文件与内容GET /api/v1/projects/{id}/reviews?statusunresolved—— 导出 Review 项用于 wiki 维护statusunresolved、resolved或all可选type与limitPATCH /api/v1/projects/{id}/reviews/{reviewId}—— 更新单个 Review 项JSON body{ resolved: true, action: label }resolved默认 true传 false 可重新打开POST /api/v1/projects/{id}/reviews/resolve—— 批量解决 Review 项JSON body{ ids: [...], action: label }返回{ resolved, notFound, count }POST /api/v1/projects/{id}/search——混合检索关键词 向量返回mode、tokenHits、vectorHits及每条结果的vectorScorePOST /api/v1/projects/{id}/chat—— 后端 Agent 聊天端点wiki/来源/web/AnyTXT 检索。JSON 请求默认非流式传stream: true或Accept: text/event-stream则返回 SSE 事件meta、增量agent然后done、cancelled或error。结尾的done帧包含完整聚合响应客户端不应把消息增量和最终消息当作两个独立答案分别渲染。mode: deep扩大证据收集范围GET /api/v1/projects/{id}/graph—— wikilinks 图支持q、nodeType、limit最大 1000、offset与edgeScopepage|filtered对大项目返回totalCount/hasMorePOST /api/v1/projects/{id}/sources/rescan—— 触发后端重新扫描POST /api/v1/projects/{id}/pages/embed—— 为一条外部创建或更新的wiki/*.md页面建立索引无需重建整个向量库在Settings → API MCP中可启用 API、生成 token并选择是否允许本地未鉴权访问。仓库同时附带本地 MCP 服务器mcp-server/。构建后用npm run mcp:buildSettings → API MCP会显示可复制的 MCP 客户端配置含你机器的正确本地路径。MCP 工具调用同一 API 面见 mcp-server/src/index.ts 注册的llm_wiki_status、llm_wiki_projects、llm_wiki_set_project、llm_wiki_files等工具Agent 客户端无需自定义 HTTP 胶水代码即可列出项目、读取文件、导出未解决的 Review 项、运行混合搜索、检查图谱、触发来源重扫并调用同一 Rust 后端 Agent 聊天端点。项目还维护一个开箱即用的agent skill一条命令即可安装进 Claude Code / Codex / 任何支持 skills 的运行时npx skills add https://github.com/nashsu/llm_wiki_skill.git --skill llm-wiki安装后Agent 可以通过与你本机运行的应用对话回答诸如我的 LLM Wiki 里关于 X 说了什么、搜索知识库里的 Y这类问题——默认只读并引用 wiki 页面路径供你在应用内核实。该 skill 有意不会在泛化的搜索我的笔记类提示上触发只在你明确提到 LLM Wiki /my wiki/知识库时激活。Chrome Web Clipper 扩展针对原设计提到的 Obsidian Web Clipper项目构建了专用 Chrome 扩展Manifest V3源码见 extension/Mozilla Readability.js精确提取文章正文剥离广告、导航、侧边栏Turndown.js做 HTML → Markdown 转换支持表格项目选择器——选择剪辑进哪个 wiki支持多项目本地 HTTP API端口 19827tiny_http——扩展与应用通信自动摄取——剪辑内容自动触发两阶段摄取管线剪辑监控器——每 3 秒轮询新剪辑并自动处理离线预览——应用未运行时也能展示提取的内容。加载方式打开chrome://extensions→ 开启开发者模式 → 点击加载已解压的扩展程序 → 选择extension/目录 → 用AltShiftLmacOS 为CommandShiftL剪辑当前页面可在chrome://extensions/shortcuts自定义快捷键。配置与跨平台细节可配置上下文窗口——滑块从 4K 到 1M tokens适配不同 LLM 能力更大的窗口按比例获得更多 wiki 内容60/20/5/15 分配wiki 页面/聊天历史/index/系统提示多提供商 LLM 支持——OpenAI、Anthropic、Google、Ollama、Custom各带提供商特定流式与 headers可配置 LLM 超时以适配慢速本地模型与长时操作设置提供商、API key、模型、上下文大小、语言经 Tauri Store 持久化配置 Firecrawl——可选 API key 与自定义 Base URL托管或自托管服务目的文件 purpose.md——原设计有 Schemawiki 如何工作但没有wiki 为什么存在的正式位置。项目新增purpose.md定义目标、关键问题、研究范围与演进论点LLM 在每次摄取与查询时都读取它作为上下文并能基于使用模式建议更新它与 schema 不同——schema 是结构规则purpose 是方向性意图i18n——英文 中文界面react-i18next翻译文件见 src/i18n/Markdown 渲染——GFM 表格边框、规范代码块、聊天与预览中的 wikilink 处理KaTeX 数学行内$...$与块级$$...$$经 remark-math rehype-katex、Milkdown 数学插件、裸\begin{aligned}自动包裹$$、100 Unicode 符号映射、Mermaid 代码块渲染与紧凑错误卡片跨平台兼容——路径规范化normalizePath()统一反斜杠 → 正斜杠、Unicode 安全字符串处理按字符而非字节切片防止 CJK 文件名崩溃、macOS 关闭即隐藏CmdQ 退出、Windows/Linux 退出确认对话框、Tauri v2 原生桌面项目维护——ZIP 导出/导入用于迁移确定性重建wiki/index.mddataVersion信号使图谱与 UI 在 wiki 内容变化时自动刷新可折叠文件侧边栏——折叠知识/文件导航并保留状态。安装与快速开始预编译二进制从项目的 Releases 页面下载macOS.dmgApple SiliconWindows.msiLinux.deb/.AppImage从源码构建# 前置要求Node.js 20、Rust 1.88、protoc # macOS: brew install protobuf # Linux: sudo apt install protobuf-compiler # Windows: choco install protoc git clone https://github.com/nashsu/llm_wiki.git cd llm_wiki npm install npm --prefix mcp-server ci npm run mcp:build # mcp-server/dist 作为 Tauri 资源打包 npm run tauri dev # 开发模式 npm run tauri build # 生产构建快速开始启动应用 → 创建新项目选择模板——Research、Reading、Personal Growth、Business、General 等场景模板会预配置 purpose.md 与 schema.md进入Settings→ 配置 LLM 提供商API key 模型可选在 Settings 中配置Web Search提供商与源文件夹自动监控进入Sources→ 导入文档PDF、DOCX、MD 等观察Activity Panel——LLM 自动构建 wiki 页面使用Chat查询知识库浏览Knowledge Graph查看连接查看Review中需要你关注的项目周期性运行Lint维护 wiki 健康。项目目录结构my-wiki/ ├── purpose.md # 目标、关键问题、研究范围 ├── schema.md # Wiki 结构规则、页面类型 ├── raw/ │ ├── sources/ # 上传的文档不可变 │ └── assets/ # 本地图片 ├── wiki/ │ ├── index.md # 内容目录 │ ├── log.md # 操作历史 │ ├── overview.md # 全局摘要自动更新 │ ├── entities/ # 人物、组织、产品 │ ├── concepts/ # 理论、方法、技术 │ ├── sources/ # 来源摘要 │ ├── queries/ # 保存的聊天回答 研究 │ ├── synthesis/ # 跨来源分析 │ └── comparisons/ # 并排对比 ├── .obsidian/ # Obsidian vault 配置自动生成 └── .llm-wiki/ # 应用配置、聊天历史、review 项技术栈一览层技术桌面Tauri v2Rust 后端前端React 19 TypeScript ViteUIshadcn/ui Tailwind CSS v4编辑器Milkdown基于 ProseMirror 的 WYSIWYG图谱sigma.js graphology ForceAtlas2搜索分词检索 图相关度 可选向量LanceDB向量库LanceDBRust、嵌入式、可选文档pdf-extract MinerU Cloud/Local docx-rs calamine EPUB/MOBI 提取i18nreact-i18next状态ZustandLLM流式 fetchOpenAI、Anthropic、Google、Ollama、CustomWeb 搜索Tavily、SerpApi、SearXNG JSON APIReview 系统异步人工在环原设计建议在摄取期间保持参与。项目增加了异步 review 队列LLM 在摄取期间标记需要人类判断的项目预定义动作类型Create Page、Deep Research、Skip——约束动作集合防止 LLM 幻觉出任意动作摄取时生成搜索查询——LLM 为每个 review 项预生成优化的 web 搜索查询用户在方便时处理 review——不阻塞摄取。结语LLM Wiki 把 Karpathy 的抽象设计模式见 llm-wiki.md落成了一个可实际运行的桌面应用并在保留三层架构 三大操作 index/log wikilink Obsidian 兼容 人类策展/LLM 维护这些核心骨架的同时围绕知识图谱、检索管线、Agent 运行时、Deep Research、多格式解析与本地 API 做了系统性扩展。如果你厌倦了每次提问都从零检索的 RAG 体验希望在文档之上积累一个持续进化的知识网络这个项目提供了一个开箱即用、可被 Claude Code / Codex 等 Agent 直接调用的完整方案。项目采用GNU General Public License v3.0开源详见 LICENSE。更详细的工程测试摄取、图谱、检索、扫描等模块均配有单元与场景测试见 src/lib/tests/ 与各模块相邻的*.test.ts可在克隆仓库后自行运行验证。赞分享人工智能AI 应用大模型RAGAI Agent知识图谱知识管理桌面应用【免费下载链接】llm_wikiLLM Wiki is a cross-platform desktop application that turns your documents into an organized, interlinked knowledge base — automatically. Instead of traditional RAG (retrieve-and-answer from scratch every time), the LLM incrementally builds and maintains a persistent wiki from your sources。项目地址https://gitcode.com/GitHub_Trending/ll/llm_wiki点击查看免费下载相关推荐datawhalechina/self-llm知识库构建实战指南datawhalechina/self llm知识库构建实战指南 痛点为什么需要专业的知识库助手 在人工智能快速发展的今天大语言模型LLM虽然具备了大模型人工智能教程本地部署微调OpenViking LLM Wiki 编译实战用 ov compile 把异构知识源铸造成证据可溯、人人可检索的持久知识库OpenViking LLM Wiki 编译实战用 ov compile 把异构知识源铸造成证据可溯、人人可检索的持久知识库 本文是一份以 examples/人工智能AI AgentAgent 记忆RAG后端数据库ROCm PyTorch Windows 部署实战RX 7900 XTX 上 10 分钟跑通 GPU 训练ROCm PyTorch Windows 部署实战RX 7900 XTX 上 10 分钟跑通 GPU 训练 ROCm 是 AMD 官方的 GPU 计算平台作开发工具高性能计算文档上一篇Micromodal 项目常见问题解决方案下一篇大麦自动抢票工具实战从环境搭建到开售下单的完整配置指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考