benmaster82/Kwipu

它解决的问题

将您的知识保存在纯文本文件中——如 Markdown 笔记或 Obsidian 仓库——对于存储来说很棒，但很难看到联系并提出诸如“谁在参与 Project Alpha？”或“一月份的会议决定了什么？”这样的问题。Kwipu 将文档文件夹转换为可搜索、连接的图，其中笔记成为实体，笔记之间的链接成为关系，每个答案都附带精确源块的引用。

工作原理

Kwipu 读取 .md、.txt、.pdf 和 .docx 文件，并构建一个 属性图 —— 一个网络，其中每个笔记是一个节点，节点之间的连接来自两个来源：

• 结构关系，从 YAML frontmatter（标签、角色、项目字段）和 [[wikilinks]]（例如，“与 [[Bob]] 合作”变成“与...合作”关系）自动提取。这些关系记录其来源：哪个文件、哪个 frontmatter 字段或行，以及内容哈希。
• 语义关系，由 LLM 从文本本身提取（例如，“Alice 专精于 React”获得“专精于”边）。这些关系保留到其源块的链接，以便答案可以引用它们。

图和向量持久化到存储目录。系统监视您的源文件夹：新文件触发增量插入，而编辑或删除则触发批量的完整重建。更改通过修订清单原子发布，所有组件（终端、桥接、MCP）自动重新加载新提交的生成。

当您提问时，Kwipu 使用 向量相似度、BM25 关键词搜索、时间元数据 和可选的 同义词检索（同义词检索在 --fast 模式、MCP 和桥接查询中禁用）的组合来检索相关上下文。然后 LLM 基于该上下文生成答案，并附上源块的引用。

您可以通过三个界面进行交互——它们共享相同的知识：

• 终端（核心 CLI）：提问、监视文件夹、直接打印有依据的答案。
• 网页浏览器：交互式 3D 图可视化，您可以点击节点查看上下文卡片（frontmatter、带有来源行的链接、反向链接、LLM 关系和源块），并在 UI 中提问。
• MCP 服务器：通过 stdio 暴露 query_graph 和 query_graph_detailed，以便 AI 客户端可以查询相同的索引。

适用人群

那些将笔记、会议记录、项目文档或研究保存在纯文本文件或 Obsidian 仓库中，并希望以对话方式查询它们的人。无论您是单独工作还是团队合作，如果您想要带来源的答案而不是原始文档，Kwipu 都适合您。仅使用终端的用户需要 Python 和 Ollama；网页界面还需要 Node.js。您可以使用本地模型完全在本地运行所有内容，或者如果您对其数据政策感到满意，可以使用云 LLM。

亮点

• 将笔记文件夹转换为属性图 RAG 索引——无需手动标记或图建模。
• 实体就是笔记本身：别名、重命名和路径限定名称（例如，People/Alice 与 Archive/Alice）都解析到同一个节点。
• 答案始终基于源块，并附带引用。
• 仅终端模式是一个完整的界面——无需浏览器或 Node.js。
• 交互式 3D 网页可视化，带有上下文卡片，显示每个关系的精确行来源。
• 监视源文件夹，对新文件增量更新索引；在编辑或删除时安全重建。
• 完全本地选项使用 Ollama（例如，qwen2.5:7b + nomic-embed-text）或云默认（gpt-oss:20b-cloud）——选择在索引之前做出，远程端点需要 HTTPS，除非明确允许。
• 支持英语、意大利语、法语、德语、西班牙语和葡萄牙语。
• 通过终端、REST 桥接 API 和 MCP 服务器暴露相同的知识。