LLM Wiki：把文档编译成会自己生长的互连知识库

Skill超级捕获手 技术创作者 2026-09-15 810 阅读

LLM Wiki：把文档”编译”成会自己生长的互连知识库

LLM Wiki（nashsu/llm_wiki）是 2026 年 9 月 GitHub Trending 上的一个爆火桌面应用，截至 2026-09-13 约 19,100 颗星。它用 Karpathy 提出的 LLM Wiki 模式替代传统 RAG：不是每次查询都重新检索文档，而是让 LLM 增量”编译”出一份持续维护的互连 Wiki，知识只构建一次、却能持续更新。简单说，它让 Agent 或人类用户查询知识时，沿着 Wiki 双链和知识图谱导航，而不是每次都从向量相似度开始。

功能与原则

LLM Wiki 定位为”个人知识库自助生长工具”，核心功能覆盖文档导入、知识编译、图谱分析、检索、深度研究、异步审核全链路。它遵循两条设计原则：知识编译一次、持续维护，而非每次查询都重新推导；保留来源可追溯性，每条知识都标注原始文档出处。

认可度

GitHub Star 约 19,100 颗（截至 2026-09-13），最近一个月从 17,100 颗增长至 19,100 颗，日均净增约 650 颗，9 月 12 日登顶 GitHub Trending。Fork 约 2,100 次。项目完全开源（TypeScript，Tauri + React 桌面端），无付费墙。

链接

GitHub：https://github.com/nashsu/llm_wiki

原作者

项目由 nashsu（GitHub username）维护，核心方法论直接来自 Andrej Karpathy 的公开设计文档 llm-wiki.md。项目有中、英、日、韩四个语言版本的 README，全球开发者参与贡献。

介绍

传统 RAG 的痛点已经被说烂了：文档切成碎片后语义检索只能看到局部相似，答案到底来自哪段经常靠运气，且每次查询都重新检索、token 消耗不可控。

LLM Wiki 的思路来自 Karpathy 的一篇公开设计文档，核心一句话：Knowledge is compiled once and kept current, not re-derived on every query。用户导入 PDF、Office 文档、EPUB 或网页后，LLM 会分两步链式思维”先分析再生成”——第一步分析文档内容，第二步生成带来源追溯的结构化 Wiki 页面，并随文档更新增量维护 Wiki 条目。查询时，Wiki 里的条目已经是有结构、有上下文、可跳转的页面，不再是零散的向量片段。

它的知识图谱构建包含四信号相关性模型（直链、来源重叠、Adamic-Adar、类型亲和），加上 Louvain 社区发现算法自动聚类，主动发现知识缺口并支持一键 Deep Research 补全。

特点

  • 两步链式思维导入：先 LLM 分析，再生成带来源标注的 Wiki 页面，增量更新而非全量重建
  • 多模态文档支持：PDF（含嵌入图片，生成图片描述）、Office、EPUB、网页剪藏，保留原始目录结构
  • 四信号知识图谱：直链 + 来源重叠 + Adamic-Adar + 类型亲和，替代扁平的向量相似度检索
  • Louvain 社区发现：自动将知识聚类，发现隐藏联系并提示知识缺口
  • 内置 Deep Research：TAVILY/SearXNG 多源网页搜索，自动将结果摄入 Wiki
  • Chrome 一键剪藏：网页剪藏后自动摄入知识库
  • MCP Server + HTTP API：内置 127.0.0.1:19828 JSON API，支持 MCP 协议，供 Claude Code / Codex 直接调用
  • 向量语义搜索可选：通过 LanceDB 接入任意 OpenAI 兼容端点作为召回增强（recall 从 58.2% 提升至 71.4%）
  • 异步审核系统：LLM 标记需人工判断的内容，预定义操作选项，人机协同保证质量

使用方法

安装（桌面应用）：

下载对应平台的安装包（macOS / Windows / Linux），运行后配置 LLM 端点（支持任意 OpenAI 兼容端点）。

安装为 Claude Code Skill：

npx skills add nashsu/llm_wiki_skill

基本使用流程：

  1. 导入文档（文件夹递归导入或 Chrome 剪藏）
  2. LLM 分析并生成 Wiki 页面（增量摄入，无需全量重建）
  3. 通过搜索、图谱导航或直接提问查询知识库
  4. Deep Research 可自动搜索补充知识缺口
  5. MCP / HTTP API 供 AI Agent 调用

使用场景与人群

适用场景：个人知识管理、研究资料整理、长文档阅读笔记、AI Agent 的持久知识库、RAG 替代方案评估。

目标用户：研究者、知识工作者、学生、写作者、需要管理大量文档且希望知识能”自己长出来”而非每次现查的人。尤 其适合已经用 Obsidian 但受困于手动维护双链的用户——LLM Wiki 可以直接当成 Obsidian vault 使用，但内容由 LLM 自动生成。

输入与输出案例

输入：导入一篇关于 Transformer 架构的 PDF 论文

处理过程：LLM 先分析论文结构（摘要、引言、方法、实验、结论），识别关键概念（注意力机制、位置编码、多头自注意），生成带双链的 Wiki 页面，每个概念页面底部标注来源：”本定义来自 Section 3.1，原始文档：Transformer.pdf”

输出：用户搜索”多头注意力”，Wiki 返回结构化页面，展示该概念的定义、与”自注意”的关联、在原文档中的位置；相关概念自动以双链形式呈现在页面底部，用户可沿双链继续探索其他相关概念——而非 RAG 那样返回几个零散的文本片段。

GitHub：https://github.com/nashsu/llm_wiki

GitHub: https://github.com/nashsu/llm_wiki

评论区

0 条评论

登录后可评论。

Skill超级捕获手 810 阅读