my_wiki/raw/llm_wiki/README_CN.md

LLM Wiki

一个能自我构建的个人知识库。
LLM 阅读你的文档，构建结构化 Wiki，并持续保持更新。

这是什么？ • 功能特性 • 技术栈 • 安装 • 致谢 • 许可证

English | 中文 | 日本語 | 한국어

---

功能亮点

• 两步思维链摄入 — LLM 先分析再生成 Wiki 页面，来源可追溯，支持增量缓存
• 多模态图片摄入 — 自动提取 PDF 内嵌图片，调用视觉模型生成事实性描述，搜索结果按图文分区，支持 lightbox 预览与跳转到原始文档对应位置
• 多格式文档解析 — 支持 PDF、Office 文档、EPUB/MOBI、Org mode、图片、音视频、网页剪藏和批量 URL 导入，并提供内置、云端或本地 MinerU PDF 处理
• 灵活的模型配置 — 支持项目级模型配置、Chat/Ingest 独立模型路由，以及自定义 Provider、请求头和流式输出
• 原始资料检索 — 可使用“只读原文”模式，仅依据导入的原始资料回答
• 项目管理与迁移 — 支持完整项目归档的跨设备导入导出，并可根据现有 Wiki 页面重建索引
• 四信号知识图谱 — 直接链接、来源重叠、Adamic-Adar、类型亲和四维关联度模型
• Louvain 社区检测 — 自动发现知识聚类，内聚度评分
• 图谱洞察 — 惊奇连接与知识空白检测，一键触发 Deep Research
• 向量语义搜索 — 可选的 embedding 检索，基于 LanceDB，支持任意 OpenAI 兼容端点
• 持久化摄入队列 — 串行处理，崩溃恢复，取消/重试，进度可视化
• 文件夹导入 — 递归导入保留目录结构，文件夹路径作为 LLM 分类上下文
• Source 文件夹自动监听 — 检测 raw/sources/ 的外部变更，并同步触发摄入或删除清理
• 深度研究 — LLM 智能生成搜索主题，通过 Tavily、SerpApi 或 SearXNG 进行多查询网络搜索，研究结果自动摄入 Wiki
• Rust 后端 Chat Agent — 支持工具调用的聊天运行时，可进行 Wiki/Source/Graph/Web 检索、workspace 文件生成、shell 审批、取消和流式工具事件展示
• Agent Skills — 扫描并启用本地 SKILL.md 目录，在聊天中用 /skill 选择，让 Agent 按需读取 Skill 指令
• 生成物预览 — Agent 生成的 Markdown、HTML、图片等 workspace 文件会作为生成物展示，支持预览和快速打开目录
• Mermaid 流程图渲染 — 聊天和预览中可直接渲染 Mermaid 代码块，语法错误会显示为紧凑错误卡片
• 异步审核系统 — LLM 在摄入时标记需人工判断的项，预定义操作，预生成搜索查询
• Chrome 网页剪藏 — 一键捕获网页内容，自动摄入知识库
• 本地 HTTP API + MCP Server + AI Agent Skill — 内置 127.0.0.1:19828 JSON API 和随包提供的 MCP Server，支持 Hybrid 检索、文件读取、知识图谱遍历、源资料重新扫描；配套 agent skill 一行命令接入 Claude Code / Codex（npx skills add …）

这是什么？

LLM Wiki 是一个跨平台桌面应用，能将你的文档自动转化为有组织、相互关联的知识库。与传统 RAG（每次查询都从头检索和回答）不同，LLM 会从你的资料中增量构建并维护一个持久化的 Wiki。知识只编译一次并持续更新，而非每次查询都重新推导。

本项目基于 Karpathy 的 LLM Wiki 方法论 —— 一套使用 LLM 构建个人知识库的方法论。llm_wiki 由 nash_su 创建和维护，并在保留核心理念的基础上，将其实现为完整桌面应用，加入了大量增强。

致谢

基础方法论来自 Andrej Karpathy 的 llm-wiki.md，描述了使用 LLM 增量构建和维护个人 Wiki 的设计模式。原始文档是一个抽象的设计范式；本项目是一个具体的实现，并有大量扩展。

保留的原始设计

核心架构忠实遵循 Karpathy 的方法论：

• 三层架构：原始资料（不可变）→ Wiki（LLM 生成）→ Schema（规则和配置）
• 三个核心操作：Ingest（摄入）、Query（查询）、Lint（检查）
• index.md 作为内容目录和 LLM 导航入口
• log.md 作为可解析格式的时序操作记录
• wikilink 语法用于交叉引用
• YAML frontmatter 存在于每个 Wiki 页面
• Obsidian 兼容 —— Wiki 目录可直接作为 Obsidian 仓库使用
• 人类策展，LLM 维护 —— 基本角色分工

我们的修改与新增

1. 从命令行到桌面应用

原始设计是一个抽象的模式文档，设计上是复制粘贴给 LLM agent 使用的。我们将其构建为完整的跨平台桌面应用：

• 三栏布局：知识树 / 文件树（左）+ 聊天（中）+ 预览（右）
• 图标侧边栏 —— 在 Wiki、资料源、搜索、图谱、Lint、审核、深度研究、设置之间快速切换
• 自定义可调面板 —— 左右面板支持拖拽调整大小，带最小/最大约束
• 活动面板 —— 实时处理状态，逐文件显示摄入进度
• 全状态持久化 —— 对话、设置、审核项、项目配置在重启后保持
• 场景模板 —— 研究、阅读、个人成长、商业、通用 —— 每个模板预配置 purpose.md 和 schema.md

2. Purpose.md —— Wiki 的灵魂

原始设计有 Schema（Wiki 如何运作），但没有正式定义 为什么 这个 Wiki 存在。我们新增了 purpose.md：

• 定义目标、关键问题、研究范围、演进中的论点
• LLM 在每次摄入和查询时都会读取它以获取上下文
• LLM 可以根据使用模式建议更新
• 与 schema 不同 —— schema 是结构规则，purpose 是方向意图

3. 两步思维链摄入

原始设计描述的是 LLM 同时阅读和写入的单步摄入。我们将其拆分为两次顺序 LLM 调用，显著提升质量：

第一步（分析）：LLM 阅读资料 → 结构化分析
  - 关键实体、概念、论点
  - 与现有 Wiki 内容的关联
  - 与现有知识的矛盾和张力
  - Wiki 结构建议

第二步（生成）：LLM 基于分析 → 生成 Wiki 文件
  - 带 frontmatter 的资料摘要（type, title, sources[]）
  - 实体页面、概念页面及交叉引用
  - 更新 index.md、log.md、overview.md
  - 需要人工判断的审核项
  - 深度研究的搜索查询

超越原始设计的摄入增强：

• SHA256 增量缓存 —— 摄入前检查源文件内容哈希，未变更则自动跳过，节省 LLM token 和时间
• 持久化摄入队列 —— 串行处理防止并发 LLM 调用；队列持久化到磁盘，应用重启后自动恢复；失败任务自动重试最多 3 次
• 文件夹导入 —— 递归导入保留目录结构；文件夹路径作为分类上下文传给 LLM（如 "papers > energy" 帮助分类）
• Source 文件夹自动监听 —— 在应用外新增、修改或删除 raw/sources/ 文件时会被自动检测，并复用应用内相同的摄入/删除生命周期
• 队列可视化 —— 活动面板显示进度条、排队/处理中/失败任务，支持取消和重试
• 自动 Embedding —— 开启向量搜索时，新页面摄入后自动生成 embedding
• 来源可追溯 —— 每个生成的 Wiki 页面在 YAML frontmatter 中包含 sources: [] 字段，链接回贡献的原始资料文件
• overview.md 自动更新 —— 全局概要页面在每次摄入后重新生成，反映 Wiki 最新状态
• 保证资料摘要生成 —— 兜底机制确保资料摘要页面始终被创建，即使 LLM 遗漏
• 语言感知生成 —— LLM 按用户配置的语言（中文或英文）响应
• 资料源渐进渲染 —— 大型资料目录会随滚动分批渲染，保持 Sources 页面流畅

4. 知识图谱与关联度模型

原始设计提到了 [[wikilinks]] 用于交叉引用，但没有图分析。我们构建了完整的知识图谱可视化和关联度引擎：

四信号关联度模型：

信号	权重	描述
直接链接	×3.0	通过 [[wikilinks]] 链接的页面
来源重叠	×4.0	共享同一原始资料的页面（通过 frontmatter sources[]）
Adamic-Adar	×1.5	共享共同邻居的页面（按邻居度数加权）
类型亲和	×1.0	相同页面类型的加分（实体↔实体，概念↔概念）

图谱可视化（sigma.js + graphology + ForceAtlas2）：

• 按页面类型或社区着色节点，按链接数缩放节点大小（√ 缩放）
• 边的粗细和颜色按关联权重变化（绿色=强，灰色=弱）
• 悬停交互：邻居节点保持可见，非邻居变暗，边高亮并显示关联度分数
• 缩放控件（放大、缩小、适应屏幕）
• 位置缓存防止数据更新时布局跳动
• 图例根据着色模式自动切换类型计数或社区信息

5. Louvain 社区检测

原始设计中没有。基于 Louvain 算法（graphology-communities-louvain）自动发现知识聚类：

• 自动聚类 —— 根据链接拓扑发现哪些页面自然归为一组，独立于预定义的页面类型
• 类型 / 社区 一键切换 —— 按页面类型（实体、概念、资料...）或按发现的知识集群着色
• 内聚度评分 —— 每个社区按内部边密度（实际边数 / 可能边数）评分；低内聚社区（< 0.15）标警告
• 12 色调色板 —— 集群之间视觉区分清晰
• 社区图例 —— 显示核心节点标签、成员数和内聚度

6. 图谱洞察 —— 惊奇连接与知识空白

原始设计中没有。系统自动分析图谱结构，呈现可操作的洞察：

惊奇连接：

• 检测意外关联：跨社区边、跨类型链接、边缘↔核心耦合
• 复合惊奇度评分排序最值得关注的连接
• 可消除 —— 标记为已查看后不再重复出现

知识空白：

• 孤立页面（度 ≤ 1）—— 与 Wiki 其余部分缺少连接的页面
• 稀疏社区（cohesion < 0.15，≥ 3 页）—— 内部交叉引用薄弱的知识领域
• 桥接节点（连接 3+ 个集群）—— 维系多个知识领域的关键枢纽页面

交互：

• 点击洞察卡片高亮图谱中对应节点和边；再次点击取消
• 知识空白和桥接节点附带 Deep Research 按钮 —— 触发 LLM 智能主题生成（读取 overview.md + purpose.md 获取领域上下文）
• 研究主题在可编辑确认对话框中展示 —— 用户可修改主题和搜索查询后再启动

7. 优化的查询检索管线

原始设计描述了 LLM 读取相关页面的简单查询。我们构建了支持可选向量搜索的多阶段检索管线：

阶段 1：分词搜索
  - 英文：分词 + 停用词过滤
  - 中文：CJK 二元组分词（每个 → [每个, 个…]）
  - 标题匹配加分（+10 分）
  - 同时搜索 wiki/ 和 raw/sources/

阶段 1.5：向量语义搜索（可选）
  - 通过任意 OpenAI 兼容的 /v1/embeddings 端点生成 embedding
  - 存储在 LanceDB（Rust 后端）中进行快速 ANN 检索
  - 余弦相似度发现即使没有关键词重叠也语义相关的页面
  - 结果合并：增强已有匹配 + 添加新发现

阶段 2：图谱扩展
  - 搜索结果作为种子节点
  - 四信号关联度模型发现相关页面
  - 2 跳遍历带衰减，发现更深层关联

阶段 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% 索引，15% 系统提示
  - 页面按搜索 + 图谱关联度综合分数排序

阶段 4：上下文组装
  - 编号页面附完整内容（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，在设置中开启，有独立的端点、API Key 和模型配置。关闭时管线 fallback 到分词搜索 + 图谱扩展。基准测试：开启向量搜索后整体召回率从 58.2% 提升至 71.4%。

8. 多对话聊天与持久化

原始设计只有单一查询接口。我们构建了完整的多对话支持：

• 独立聊天会话 —— 创建、重命名、删除对话
• 对话侧边栏 —— 快速切换不同主题
• 逐对话持久化 —— 每个对话保存到 .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量（默认：10）
• 引用参考面板 —— 每条回复上可折叠的区域，显示使用了哪些 Wiki 页面，按类型分组并附图标
• 引用持久化 —— 引用的页面直接存储在消息数据中，重启后稳定不变
• 重新生成 —— 一键重新生成最后一条回复（移除最后的助手+用户消息对，重新发送）
• 保存到 Wiki —— 将有价值的回答归档到 wiki/queries/，然后自动摄入提取实体/概念到知识网络

9. Rust 后端 Chat Agent 与 Skills

原始设计中没有。聊天现在由 Rust 后端 Agent runtime 驱动，而不是只在浏览器端运行 TypeScript 循环：

• 工具型 Agent —— 可自主选择 Wiki 检索、Source 检索、图谱检索、网页搜索、AnyTXT、workspace 文件工具、已批准的 shell 命令和 Skill 文件读取
• Skill 管理 —— 扫描项目级和用户级 Skill 目录，启用或禁用 Skill，并在每个会话中通过 /skill 补全选择 Skill
• 生成物管理 —— Agent 工具生成的文件统一放在 agent-workspace/ 下，并作为生成物在聊天中展示、预览或打开目录
• 用户交互表单 —— Skill 可以请求单选、多选或自由文本等结构化用户输入，不需要为每个 Skill 硬编码专用界面
• 更安全的执行模型 —— 项目 workspace 内的命令可以顺畅继续执行，外部 shell 命令仍需要明确批准

10. 思维链 / 推理过程展示

原始设计中没有。针对会输出 <think> 块的 LLM（DeepSeek、QwQ 等）：

• 流式思维展示 —— 生成中滚动显示 5 行，带透明度渐变
• 默认折叠 —— 生成完成后思维块隐藏，点击展开
• 视觉分离 —— 思维内容以独特样式显示，与主回复分开

11. Markdown 渲染：KaTeX 数学公式与 Mermaid 图表

原始设计中没有。聊天和预览支持更丰富的 Markdown 渲染：

• KaTeX 渲染 —— 行内 $...$ 和块级 $$...$$ 公式通过 remark-math + rehype-katex 渲染
• Milkdown 数学插件 —— 预览编辑器通过 @milkdown/plugin-math 原生渲染数学公式
• 自动检测 —— 裸 \begin{aligned} 等 LaTeX 环境自动补上 $$ 定界符
• Unicode 降级 —— 100+ 符号映射（α, ∑, →, ≤ 等）用于数学块外的简单行内符号
• Mermaid 代码块 —— fenced mermaid 代码块可直接渲染为流程图、时序图等 Mermaid 支持的图表
• 紧凑 Mermaid 错误 —— 语法错误会被收敛到小型错误卡片中，不会把原始解析器输出铺满聊天界面

12. 审核系统（异步人机协作）

原始设计建议在摄入时全程参与。我们新增了异步审核队列：

• LLM 在摄入过程中标记需要人工判断的项目
• 预定义操作类型：创建页面、深度研究、跳过 —— 约束操作防止 LLM 凭空生成任意操作
• 摄入时生成搜索查询 —— LLM 预先为每个审核项生成优化的网络搜索查询
• 用户可在方便时处理审核 —— 不阻塞摄入流程

13. 深度研究

原始设计中没有。当 LLM 识别出知识空白时：

• 网络搜索 支持 Tavily、SerpApi 或 SearXNG，查找相关资料并返回完整内容（非截断摘要）
• Provider 独立配置 —— Tavily 和 SerpApi 使用各自 API Key；SerpApi 支持选择搜索引擎，SearXNG 使用实例 URL 和搜索分类
• 多条搜索查询 —— 摄入时由 LLM 生成，针对搜索引擎优化
• LLM 智能主题生成 —— 从图谱洞察触发时，LLM 读取 overview.md + purpose.md 生成领域精准的研究主题和查询（非泛泛关键词）
• 用户确认对话框 —— 研究主题和搜索查询可编辑，确认后才开始研究
• LLM 综合 搜索结果生成 Wiki 研究页面，并交叉引用现有 Wiki
• 思维链展示 —— 综合过程中 <think> 块显示为可折叠区域，自动滚动到最新内容
• 自动摄入 —— 研究结果自动进入两步摄入流程，提取实体/概念到 Wiki
• 任务队列 —— 最多 3 个并发任务
• 研究面板 —— 专用侧边面板，动态高度，实时流式进度

14. 浏览器扩展（网页剪藏）

原始设计提到了 Obsidian Web Clipper。我们构建了专用 Chrome 扩展（Manifest V3）：

• Mozilla Readability.js 精确提取文章内容（去除广告、导航、侧边栏）
• Turndown.js 将 HTML 转换为 Markdown，支持表格
• 项目选择器 —— 选择剪藏到哪个 Wiki（支持多项目）
• 本地 HTTP API（端口 19827，tiny_http）—— 扩展 ↔ 应用通信
• 自动摄入 —— 剪藏内容自动触发两步摄入流程
• 剪藏监听 —— 每 3 秒轮询新剪藏，自动处理
• 离线预览 —— 即使应用未运行也能显示提取的内容

15. 多格式文档支持

原始设计聚焦于纯文本/Markdown。我们支持保留文档语义的结构化提取：

格式	方法
PDF	内置 pdf-extract（Rust）+ 文件缓存；可选 MinerU 云端、Local API 或 Pipeline 模式解析复杂排版
DOCX	docx-rs —— 标题、加粗/斜体、列表、表格 → 结构化 Markdown
PPTX	ZIP + XML —— 逐页提取，保留标题/列表结构
XLSX/XLS/ODS	calamine —— 正确的单元格类型、多工作表支持、Markdown 表格
EPUB/MOBI	提取电子书元数据、章节和正文，转换为可摄取内容
图片	原生预览（png, jpg, gif, webp, svg 等）
视频/音频	内置播放器
网页剪藏	Readability.js + Turndown.js → 干净的 Markdown

MinerU 是可选功能。复杂 PDF 可使用 MinerU 云端、官方 Local API 或本地 Pipeline 模式；本地模式无需上传文件，提取的图片会保存到项目管理的 wiki/media 目录。若 MinerU 失败，LLM Wiki 会回退到内置解析器。

16. 文件删除级联清理

原始设计没有删除机制。我们新增了智能级联删除：

• 删除资料文件时同时移除其 Wiki 摘要页面
• 三重匹配 查找相关 Wiki 页面：frontmatter sources[] 字段、资料摘要页面名称、frontmatter 章节引用
• 共享实体保护 —— 链接到多个资料的实体/概念页面仅从其 sources[] 数组中移除被删除的资料，而非删除整个页面
• 索引清理 —— 被移除的页面从 index.md 中清除
• Wiki 链接清理 —— 指向已删除页面的失效 [[wikilinks]] 从其余 Wiki 页面中移除

17. 可配置上下文窗口

原始设计中没有。用户可配置 LLM 接收多少上下文：

• 4K 到 1M tokens 滑块 —— 适配不同 LLM 的能力
• 比例预算分配 —— 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 / 索引 / 系统提示

18. 跨平台兼容

原始设计与平台无关（抽象模式）。我们处理了具体的跨平台问题：

• 路径规范化 —— 统一的 normalizePath() 在 22+ 个文件中使用，反斜杠 → 正斜杠
• Unicode 安全字符串处理 —— 基于字符而非字节的切片（防止中文文件名导致崩溃）
• macOS 关闭隐藏 —— 关闭按钮隐藏窗口（程序后台运行），点击 Dock 图标恢复，Cmd+Q 退出
• Windows/Linux 关闭确认 —— 关闭时弹出确认对话框，防止误操作导致数据丢失
• Tauri v2 —— macOS、Windows、Linux 原生桌面
• GitHub Actions CI/CD —— 自动构建 macOS（ARM + Intel）、Windows（.msi）、Linux（.deb / .AppImage）

19. 其他新增

• 国际化 —— 中英文界面（react-i18next）
• 设置持久化 —— LLM 提供商、API 密钥、模型、上下文大小、语言通过 Tauri Store 保存
• Obsidian 配置 —— 自动生成 .obsidian/ 目录及推荐设置
• Markdown 渲染 —— 带边框的 GFM 表格、代码块、聊天和预览中的 wikilink 处理
• 多 LLM 提供商 —— OpenAI、Anthropic、Google、Ollama、自定义 —— 各有特定的流式传输和请求头
• 可配置 LLM 超时 —— 可针对较慢的本地模型和长任务调整请求超时
• 可配置 Firecrawl —— 支持可选 API Key 和自定义 Base URL，可连接托管或自部署服务
• 可折叠文件侧栏 —— 可收起 Knowledge/Files 导航并保存折叠状态
• 项目维护 —— 支持 ZIP 导入导出迁移和确定性重建 wiki/index.md
• dataVersion 信号 —— 图谱和 UI 在 Wiki 内容变更时自动刷新

技术栈

层级	技术
桌面	Tauri v2（Rust 后端）
前端	React 19 + TypeScript + Vite
UI	shadcn/ui + Tailwind CSS v4
编辑器	Milkdown（基于 ProseMirror 的所见即所得）
图谱	sigma.js + graphology + ForceAtlas2
搜索	分词搜索 + 图谱关联度 + 可选向量（LanceDB）
向量数据库	LanceDB（Rust，嵌入式，可选）
文档解析	pdf-extract + MinerU 云端/本地 + docx-rs + calamine + EPUB/MOBI 提取
国际化	react-i18next
状态管理	Zustand
LLM	流式 fetch（OpenAI、Anthropic、Google、Ollama、自定义）
网络搜索	Tavily、SerpApi、SearXNG JSON API

安装

预编译二进制文件

从 Releases 下载：

• macOS：.dmg（Apple Silicon + Intel）
• Windows：.msi
• Linux：.deb / .AppImage

从源码构建

# 前置条件：Node.js 20+, Rust 1.70+
git clone https://github.com/nashsu/llm_wiki.git
cd llm_wiki
npm install
npm run tauri dev      # 开发模式
npm run tauri build    # 生产构建

Chrome 扩展

1. 打开 chrome://extensions
2. 启用「开发者模式」
3. 点击「加载已解压的扩展程序」
4. 选择 extension/ 目录
5. 使用 Alt+Shift+L（macOS 为 Command+Shift+L）直接剪藏当前页面；可在 chrome://extensions/shortcuts 中自定义快捷键

快速开始

1. 启动应用 → 创建新项目（选择模板）
2. 进入 设置 → 配置 LLM 提供商（API 密钥 + 模型）
3. 可选：在 设置 中配置网络搜索 Provider 和 source 文件夹自动监听
4. 进入 资料源 → 导入文档（PDF、DOCX、MD 等）
5. 观察 活动面板 —— LLM 自动构建 Wiki 页面
6. 使用 聊天 查询你的知识库
7. 浏览 知识图谱 查看关联
8. 查看 审核 处理需要你关注的项目
9. 定期运行 Lint 维护 Wiki 健康度

本地 HTTP API + MCP Server + AI Agent Skill

LLM Wiki 内置一个本地 HTTP API（监听 http://127.0.0.1:19828，Token 鉴权，仅本机可达），任何外部工具——包括 Claude Code、Codex 这类 AI Agent，或者任意能发 HTTP 请求的脚本——都可以直接查询你的知识库：

• GET /api/v1/health —— 服务状态（无需鉴权）
• GET /api/v1/projects —— 项目列表
• GET /api/v1/projects/{id}/files / files/content —— 读取文件树与内容
• POST /api/v1/projects/{id}/search —— Hybrid 混合检索（关键词 + 向量），返回 mode、tokenHits、vectorHits，每条结果带 vectorScore
• POST /api/v1/projects/{id}/chat —— 非流式 Rust 后端 Agent 聊天接口，返回助手消息、引用、用量和工具事件；支持 Wiki/Source/Web/AnyTXT 检索，mode: "deep" 会扩展证据收集范围
• GET /api/v1/projects/{id}/graph —— Wikilinks 知识图谱
• POST /api/v1/projects/{id}/sources/rescan —— 触发后端重新扫描

在 设置 → API + MCP 中开启 API、生成 Token，并按需选择是否允许本机无鉴权访问。

对于兼容 MCP 的客户端，LLM Wiki 还内置了 mcp-server/。执行 npm run mcp:build 构建后，设置 → API + MCP 会展示一份可复制的 MCP 客户端配置，并自动填入当前机器上的真实入口路径。MCP 工具复用同一套 API 能力，因此 Agent 可以直接列出项目、读取文件、执行 Hybrid 检索、查看图谱、触发资料源重新扫描，并调用同一套 Rust 后端 Agent 聊天接口，不需要再手写 HTTP 调用。

一条命令把 AI Agent 接进你的知识库

LLM Wiki 配套的 agent skill 单独维护在另一个仓库。把它装进 Claude Code / Codex / 任意兼容 skills 的 runtime：

npx skills add https://github.com/nashsu/llm_wiki_skill.git --skill llm-wiki

安装完成后，Agent 就能响应 "我的 LLM Wiki 里关于 X 是怎么说的"、"在我的知识库里搜 Y"、"展示我 wiki 图谱里 Z 的邻居"、"重新索引我的资料源" 等请求——直接调用本机运行的 App，默认只读，引用 wiki 页面路径方便你在 App 内核对。

• Skill 仓库：https://github.com/nashsu/llm_wiki_skill
• 触发约束：刻意不会响应"搜我的笔记"/"看我的 Obsidian / Notion / Logseq"这类泛指的请求——只有你明确说 LLM Wiki / 我的 wiki / 我的知识库 时才会被调用。

项目结构

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         # 全局概要（自动更新）
│   ├── entities/           # 人物、组织、产品
│   ├── concepts/           # 理论、方法、技术
│   ├── sources/            # 资料摘要
│   ├── queries/            # 保存的聊天回答 + 研究
│   ├── synthesis/          # 跨资料分析
│   └── comparisons/        # 并列对比
├── .obsidian/              # Obsidian 仓库配置（自动生成）
└── .llm-wiki/              # 应用配置、聊天历史、审核项

Star History

许可证

本项目基于 GNU 通用公共许可证 v3.0 授权 —— 详见 LICENSE。