LLM Wiki 使用指南把散落的文档变成自维护的个人知识库【免费下载链接】llm_wikiLLM Wiki is a cross-platform desktop application that turns your documents into an organized, interlinked knowledge base — automatically. Instead of traditional RAG (retrieve-and-answer from scratch every time), the LLM incrementally builds and maintains a persistent wiki from your sources。项目地址: https://gitcode.com/GitHub_Trending/ll/llm_wiki文档越攒越多想找却翻不到LLM Wiki 把 PDF、网页和笔记自动整理成结构化的个人知识库问答按编号引用具体页面还能把页面间的关系画成知识图谱。读完这篇你会拥有一个自己维护、随时可查的持久知识库。适用场景与快速自检这一节只帮你判断这篇文章值不值得读下去。适合你如果你手上有十几份以上待整理的资料PDF、Office 文档、网页、电子书想要一个能提问、能画出关系的知识库又不想自己搭数据库。最低前置条件是一台 macOS、Windows 或 Linux 电脑加一个 LLM 服务的 API Key没有 Key 的话装一个本地 Ollama 也能全程离线跑。整套做法来自 Karpathy 的 LLM Wiki 模式仓库内附原文 llm-wiki.md。如果你只想要一个文件管理器或纯问答工具可以关掉本页了。环境准备这一节只解决一个问题让 LLM Wiki 在你电脑上跑起来。最短路径是预编译包去项目Releases页按系统取包——macOS 用.dmgWindows 用.msiLinux 用.deb或.AppImage。操作双击安装并启动应用。你会看到要求你新建项目的欢迎页说明安装成功。想从源码构建时用下面的对比选路径方式前置依赖耗时适合谁预编译包无几分钟绝大多数读者源码构建Node.js 20、Rust 1.88、protoc几十分钟要改代码或找不到对应安装包源码构建执行git clone https://gitcode.com/GitHub_Trending/ll/llm_wiki cd llm_wiki npm install npm --prefix mcp-server ci npm run mcp:build npm run tauri dev操作打开设置 → LLM 提供商在下拉里选一家服务填入API Key和模型名。你会看到预设覆盖 OpenAI、Anthropic、Google、Ollama本地模型等下拉即自动带出端点预设定义见 src/components/settings/llm-presets.ts。保存后在中间聊天面板发一句你好能收到回复即模型接通。首次运行最快看到结果的路径这一节用一个冒烟测试确认整条链路可用导入一份小文档看文件树里长出第一批 Wiki 页面。操作在欢迎页点新建项目从研究、阅读、个人成长、商业、通用 5 个场景模板里选通用模板定义在 src/lib/templates.ts。你会看到项目目录铺好——purpose.md目标与关键问题、schema.md页面类型与命名规则、raw/与wiki/目录左侧文件树即刻可见。操作进入资料源Sources页导入一份小文档PDF、DOCX、Markdown 均可然后打开活动面板Activity Panel。你会看到LLM 先分析文档里的实体与关联再生成摘要页、实体页和概念页队列逐条推进。操作等处理完成在文件树点开任意新生成的页面。你会看到wiki/sources/、wiki/entities/、wiki/concepts/下出现新文件页面 frontmatter 的sources字段指向贡献它的原始资料随时可回溯。核心用法这一节用三个真实场景把知识库用起来每个场景都带可验证的信号。喂入第一份资料验证页面生成三种喂料方式选顺手的即可方式操作你会看到应用内导入在资料源页选文件任务进入摄入队列逐份生成页面拖进目录文件丢进项目raw/sources/自动检测到外部变化走同一摄入流程网页剪藏浏览器扩展一键触发正文被提取成 Markdown自动开始摄入两个省钱机制默认开着SHA256 增量缓存会跳过没变化的文件失败任务最多自动重试 3 次。验证方法对同一份文件再导入一次队列会直接跳过不消耗 token。在聊天面板提问核对页面引用操作在中间聊天面板直接提问比如这几份资料里关于 XX 的结论有什么矛盾。你会看到回答里带 [1]、[2] 这样的编号引用展开底部的引用面板能看到每条引用对应的具体 Wiki 页面。作答前系统会做多阶段检索分词搜索、可选向量搜索再沿图谱扩展拉出相关页面然后按预算组装上下文作答。满意的答案点存回 Wiki会写入wiki/queries/并自动提取实体进知识网络。打开知识图谱看社区与惊奇连接操作点击侧边栏的图谱标签。你会看到所有页面摊成一张关系网——节点按页面类型或自动发现的社区Louvain 算法着色边越粗代表关联越强悬停节点可看关联分数。系统还会自动标出两类洞察惊奇连接跨社区、跨类型的意外关联和知识空白孤页、低内聚社区。点击任一洞察卡片图谱里会高亮对应的节点与边低内聚社区还可以一键触发深度研究去补料。进阶与集成这一节都是可选项全部不做也不影响基础用法。浏览器剪藏。打开chrome://extensions勾选开发者模式点加载已解压的扩展程序选择仓库里的 extension/ 目录。操作在任意网页按AltShiftLmacOS 为CommandShiftL。你会看到扩展用 Readability.js 去掉广告和导航把正文转成 Markdown 并自动触发摄入全程不用复制粘贴。Obsidian 兼容。wiki/目录可直接作为 Obsidian 仓库打开.obsidian/配置由应用自动生成已有 Obsidian 用户可以把项目目录原样搬过去。接入外部 Agent。在设置 → API MCP里启用本地 HTTP API127.0.0.1:19828token 保护和MCP 访问界面会直接给出一份可复制的 MCP 客户端配置把它粘进 Claude Code 等 MCP 客户端Agent 就能检索知识库、读取页面、查看图谱。说明见 mcp-server/README.md。每周维护。每周去Lint跑一次它会检查矛盾、孤页和失效链接审核Review队列里存着 LLM 标记的待人工判断项有空处理掉即可。常见坑与解法这一节把实践中最常遇到的六类问题集中在这里正文不再散落提示。现象原因解法模型配置错误到提交第一份文档才暴露模型名与服务端实际提供的不一致在设置 → LLM 提供商里对照服务商的模型列表核对名称源码构建后缺 MCP 工具mcp:build没跑完就执行了tauri build补跑npm --prefix mcp-server ci npm run mcp:build再重新构建文件丢进raw/sources/没反应源文件夹自动监听未开启或应用未运行在设置里开启源文件夹监听保持桌面端应用开着扩展剪藏成功但知识库没更新扩展依赖本地应用通信应用未启动先启动桌面应用剪藏内容会被自动摄入图谱显得空、缺关系Review 队列有未处理项或页面成了孤页处理审核队列再跑一次Lint查孤页与失效链接向量搜索无结果或命中不准向量搜索默认关闭在设置中启用向量搜索配置一个 OpenAI 兼容的 embedding 端点LLM Wiki 把资料 → 页面 → 图谱这条链路自动化了剩下的只有喂料和提问。现在去资料源页丢进你最近读的一份报告看它几分钟里长出哪些页面。【免费下载链接】llm_wikiLLM Wiki is a cross-platform desktop application that turns your documents into an organized, interlinked knowledge base — automatically. Instead of traditional RAG (retrieve-and-answer from scratch every time), the LLM incrementally builds and maintains a persistent wiki from your sources。项目地址: https://gitcode.com/GitHub_Trending/ll/llm_wiki创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
