nashsu/llm_wiki

解决的问题

LLM Wiki 将碎片化的文档自动转化为结构化、相互链接的个人知识库。与传统 RAG 系统实时检索信息不同，它逐步构建并维护一个持久的维基，确保知识一次性编译并保持最新，而非每次查询都重新推导。

工作原理

该系统采用三层架构：原始源（不可变）→ 维基（LLM 生成）→ 模式（规则和配置）。使用两步思维链摄入流程，LLM 首先分析源以识别实体和关联，然后生成带有源追溯性的实际维基页面。

关键技术组件包括：

• 知识图谱：使用直接链接、源重叠和社区检测（Louvain 算法）的相关性模型，可视化并发现知识集群。
• 检索管道：结合分词搜索、可选的向量语义搜索（通过 LanceDB）、图扩展的多阶段流程，为 LLM 提供上下文。
• 代理后端：基于 Rust 的聊天代理，能够使用工具进行维基/网页搜索、文件生成和执行已批准的 shell 命令。
• 深度研究：自动识别知识缺口，并使用网络搜索（Tavily、SerpApi、SearXNG）将新信息合成到维基中。

适用人群

专为研究人员、学生和专业人士设计，他们需要管理大量文档，并希望以自动化方式整理笔记、发现想法间的惊人联系，以及维护长期、结构化的知识库。

主要亮点

• 两步摄入：分离分析与生成，以提高维基质量和源追溯性。
• 知识图谱洞察：自动检测“惊人连接”、孤立页面和知识缺口。
• 深度研究：LLM 优化的网络搜索，可自动将发现结果回填至维基。
• Obsidian 兼容：生成的维基目录可作为 Obsidian 仓库使用。
• 多模态支持：从 PDF 中提取图像，并使用视觉 LLM 生成事实性说明文字。
• 代理技能：支持本地 SKILL.md 文件以扩展代理功能。