使用 LLM 生成高质量中文 Wiki 知识库

1. Skill 概述

本 Skill 旨在利用大模型（LLM）将原始文档和图像（raw/）增量“编译”为 结构化、交叉链接、高质量的中文 Wiki 知识库（wiki/） 的完整思路和方法。

核心逻辑：人工不直接编写 Wiki，仅负责投放素材和发起查询；LLM 负责理解、重写、链接与维护。
适配工具：Obsidian（IDE 前端），通过插件支持更多格式：
- Markdown（文本内容）
- Matplotlib（数据可视化）
- Marp（幻灯片渲染）
- Mermaid（架构图）

2. 标准文件系统架构

严格遵循 I/O 分离原则，确保知识库的纯净度与可迁移性：

📁 wikillm
├── 📁 raw/               # 【输入层】原始素材（只读）
└── 📁 wiki/              # 【输出层】编译器生成的知识产物
    ├── 📁 concepts/      # 核心概念、原理分析
    ├── 📁 practices/     # 部署指南、最佳实践
    ├── 📁 visual/        # Marp 幻灯片、Matplotlib 趋势图
    ├── 📁 queries/       # 高价值 Q&A 的沉淀归档
    ├── INDEX.md          # 动态索引与学习路径
    └── Glossary.md       # 统一术语表与双链枢纽

3. 核心工作流 (The "Compilation" Loop)

阶段 1：多模态解构 (Ingest & Analyze)

任务：解析 raw/ 目录下的新增内容。
视觉解析：对图片进行深度 OCR 与逻辑识别。将架构图转化为文字描述及 Mermaid 代码块，存入对应 Wiki 页面。
元数据提取：为每篇文档生成 YAML Frontmatter（包含：tags, source, confidence_score, last_updated）。

阶段 2：增量编译 (Incremental Writing)

非线性重构：不进行 1:1 翻译，而是基于源文档的“核心贡献”进行重写。
中文化增强：
- 消除翻译腔：使用行业专业术语（如将 "Agent" 译为 "智能体"）。
- 添加上下文：为中文读者补充必要的背景知识或行业对比。
可视化输出：若涉及多步流程或对比，自动生成 Marp 格式的幻灯片文件（.md），以便在 Obsidian 中演示。

阶段 3：网络化链接 (Wikilinks & Indexing)

双链注入：全文检索 Glossary.md 中的术语，使用 [[术语名]] 自动包裹。
Wikilink 格式规范：
- 文件名使用 kebab-case（连字符分隔），例如：Harness-Engineering.md
- Wikilink 格式为 [[文件名|显示文本]]，其中文件名部分必须与实际文件名完全匹配（不带 .md 扩展名）
- 正确示例：[[Harness-Engineering|Harness 工程]]（对应文件 Harness-Engineering.md）
- 错误示例：[[Harness Engineering|Harness 工程]]（文件名带空格，不匹配实际文件）
- 文章列表格式：
  - 错误写法（表格无法正确解析双链）：
```
| 文章 | 描述 |
|------|------|
| [[Mitchellh-Adoption-Journey|Mitchellh AI 采用之旅]] | HashiCorp 创始人从怀疑论者到深度用户的六个阶段 |
| [[Building-Your-First-Harness|构建你的第一个 Harness]] | 从个人开发者到工程组织的三级实用框架 |
```
  - 正确写法（使用无序列表）：
```
- [[Mitchellh-Adoption-Journey|Mitchellh AI 采用之旅]] - HashiCorp 创始人从怀疑论者到深度用户的六个阶段
- [[Building-Your-First-Harness|构建你的第一个 Harness]] - 从个人开发者到工程组织的三级实用框架
```
反向链接：在文末生成 ## 相关研究 模块，强制链接到 Wiki 内部至少 2 篇关联文档。
动态索引：根据新增内容，自动更新 INDEX.md 中的”最新研究”与”学习路径”部分。

阶段 4：健康检查与维护 (Linting)

一致性检查：扫描 wiki/，发现术语冲突（如 A 文档叫“智能体”，B 文档叫“代理”）时，自动统一。
孤岛扫描：识别没有任何链接指向的页面，强制将其挂载到导航树中。
补丁发布：当 raw/ 有新版本（如论文更新）时，在对应 Wiki 页面顶部发布 [Update Patch] 摘要。

4. 输出质量标准 (The Gold Standard)

表达标准

原则：读起来像是由该领域的资深专家直接用中文撰写的。

禁止词汇：产生、输出（作为动词）、这个、那个（指代不明）。
提倡词汇：负责构建、驱动、沉淀、权衡（Trade-off）。

技术标准

维度	要求
术语表	必须包含 40+ 核心概念，中英对照并带有 Wikilink
链接密度	每 500 字需包含至少 3-5 个内部链接
视觉呈现	复杂架构必须有 Mermaid 图，数据趋势必须有 Markdown 表格
Marp 适配	综述类文章必须同步生成一份 `visual/` 下的 Slide 文档

5. Q&A 与知识沉淀 (Filing Back)

当用户针对 Wiki 发起复杂查询时：

Agent 模式：LLM 检索全库文档，进行跨文档推理。
回答格式：回答不仅要解决当前问题，还需提供“参考文档清单”。
自动归档 (Filing)：若该次 Q&A 具有通用研究价值，LLM 需自动将其整理为一篇新的文章，存入 wiki/queries/，并在 INDEX.md 中创建入口。

6. 执行清单 (Checklist)

Raw Check: raw/ 目录中是否包含待处理的新素材（图片/文档）？
Glossary Lock: 是否已锁定全局术语表，确保翻译不漂移？
Multimodal Sync: 图片是否已转化为可编辑的文字解析/Mermaid？
文件名规范: 所有 wiki 页面文件是否使用 kebab-case（连字符分隔）命名？
Wikilink 格式检查: 所有 [[文件名|显示文本]] 链接中的文件名部分是否与实际文件名完全匹配？
Wikilink Check: 所有的核心概念是否都已变成 [[可点击的链接]]？
Marp Check: 是否为需要汇报的内容生成了幻灯片格式？
Orphan Check: 是否存在无法从 INDEX.md 触达的”孤儿页面”？

7. 最佳实践提示

手离开键盘：不要手动修改 wiki/ 目录下的内容，所有的修改应通过“向 LLM 发出 Lint 任务”或“添加 raw 素材后重新编译”来完成。
搜索即创作：把每一次对知识库的提问看作是一次“知识合成”，务必将高质量的回答存回库中。
结构化思考：在生成任何长篇文档前，先让 LLM 在内存中构建该主题的“概念地图”。

6.6 KiB Raw Blame History Unescape Escape

使用 LLM 生成高质量中文 Wiki 知识库

1. Skill 概述

2. 标准文件系统架构

3. 核心工作流 (The "Compilation" Loop)

阶段 1：多模态解构 (Ingest & Analyze)

阶段 2：增量编译 (Incremental Writing)

阶段 3：网络化链接 (Wikilinks & Indexing)

阶段 4：健康检查与维护 (Linting)

4. 输出质量标准 (The Gold Standard)

表达标准

技术标准

5. Q&A 与知识沉淀 (Filing Back)

6. 执行清单 (Checklist)

7. 最佳实践提示

6.6 KiB

Raw Blame History