最近我发现了一个特别有意思的项目，叫 LLM Wiki。说实话，刚开始看到这个名字的时候，我以为又是一个普通的笔记软件。但真正用了一下之后，我发现这东西完全不是我想的那样——它不是让你手动整理笔记，而是让 LLM 自动把你的文档变成一个结构化的、互相链接的知识库。

背景介绍

这个项目来自于 Andrej Karpathy 的一些想法。他之前写过一个关于 LLM Wiki 的设计模式，讲的是怎么用 LLM 来构建个人知识库。但那只是一个理论框架，而 nashsu 这位开发者把这个想法变成了一个完整的跨平台桌面应用。

核心架构：三层设计

LLM Wiki 的核心架构很简单，但很巧妙。它分三层：

1. Raw Sources（原始文件）：这是你的 PDF、网页、Markdown 文件，都是不可变的原始材料

2. Wiki（LLM 生成）：这是 LLM 根据原始文件自动生成的 wiki 页面

3. Schema（规则配置）：这是定义 wiki 如何工作的规则

这三个层之间通过三个核心操作连接：Ingest（摄入）、Query（查询）、Lint（检查）。

最有意思的是，它完全兼容 Obsidian。也就是说，它生成的 wiki 目录可以直接用 Obsidian 打开，作为一个 vault 使用。这就给了你很大的灵活性——你可以用 LLM Wiki 的桌面应用来让 LLM 自动整理，也可以用 Obsidian 来手动编辑。

我最喜欢的几个功能

两步链式思考摄入

这是我觉得最聪明的设计。传统的 RAG 系统每次查询都是从头开始检索，但 LLM Wiki 采用了不同的方式——它先把你的文档”编译”成 wiki，然后保持更新。

具体来说，摄入过程分两步：

第一步（分析）：LLM 先读取原始文件，生成结构化的分析，包括关键实体、概念、论点，以及与现有 wiki 内容的连接、矛盾点等。

第二步（生成）：基于分析结果，LLM 再生成 wiki 文件，包括源文件摘要、实体页面、概念页面，还有更新 index.md、log.md 等。

这种两步法比单步直接生成质量高太多了。我试了一下，同样一份文档，两步法生成的 wiki 结构更清晰，连接也更合理。

多模态图片摄入

这个功能特别实用。它会从 PDF 中提取图片，然后用视觉 LLM 生成描述性的标题。这些图片会在搜索结果中显示，还支持灯箱预览和跳转到来源。

对于学术研究者来说，这个功能太有用了。论文里的图表、实验结果截图，都能被自动提取和描述，搜索的时候可以直接找到。

四信号知识图谱

LLM Wiki 不只是简单的文本搜索，它还构建了一个知识图谱。最厉害的是，它用了四种信号来计算相关性：

1. 直接链接（×3.0）：通过 [[wikilink]] 连接的页面

2. 来源重叠（×4.0）：共享相同原始文件的页面

3. Adamic-Adar（×1.5）：共享共同邻居的页面

4. 类型亲和（×1.0）：相同类型的页面之间有加分

这种多信号设计让知识图谱不只是”谁链接了谁”，而是能发现更深层的关系。比如两个页面虽然没有直接链接，但因为都引用了同一个来源，就会被判定为相关。

Louvain 社区发现

这个功能会自动发现知识聚类。它用的是 Louvain 算法，基于图的拓扑结构自动分组，而不是依赖预定义的页面类型。

这有什么用呢？举个例子，你在研究一个主题，导入了很多不同来源的文档。Louvain 算法会自动发现哪些文档天然形成了一组，即使它们在你的文件夹里是分开存放的。

系统还会计算每个社区的”内聚度”（cohesion），也就是实际连接数和可能连接数的比例。内聚度低的社区会被标记出来，说明这个聚类不够紧密。

图谱洞察

这个功能会自动分析知识图谱，发现”意外连接”和”知识缺口”。

意外连接指的是那些不太可能但确实存在的关系，比如跨社区的边、跨类型的连接。系统会给这些连接一个”惊喜分数”，帮助我发现那些真正有价值的交叉点。

知识缺口则是找出那些孤立的页面（连接数 ≤ 1）或者稀疏的社区（内聚度 < 0.3）。这些可能是我需要补充研究的地方。

最棒的是，点击任何洞察卡片，图谱中对应的节点和边就会高亮显示。如果发现知识缺口，还有一个”深度研究”按钮，可以直接触发研究流程。

深度研究和 Web Clipper

说到深度研究，这个功能也很实用。当 LLM 发现知识缺口时，它可以：

• 自动生成优化过的搜索主题（会读取 overview.md 和 purpose.md 来理解上下文）

• 多查询网络搜索（使用 Tavily API）

• 自动把研究结果摄入到 wiki

整个过程是异步的，不会阻塞其他操作。我可以在研究面板中看到实时进度，最终 LLM 会把发现综合成一个 wiki 研究页面，并自动提取实体和概念。

还有 Chrome Web Clipper，一键捕获网页内容，自动转换为 Markdown 并摄入到 wiki。它用的是 Mozilla Readability.js 来准确提取文章内容，去除广告、导航、侧边栏等干扰信息。

向量语义搜索（可选）

虽然默认的搜索已经很好用了，但如果你需要更精确的语义搜索，可以启用向量搜索。

它支持任何 OpenAI 兼容的 /v1/embeddings 端点，用 LanceDB（Rust 后端）存储嵌入向量，通过余弦相似度找到语义相关的页面。即使没有关键词重叠，也能发现相关内容。

根据项目提供的基准测试，启用向量搜索后，整体召回率从 58.2% 提升到了 71.4%。

但这个功能是完全可选的。默认禁用，需要的时候在设置里启用就行。

持久化摄入队列

这个功能虽然技术性强，但对用户体验影响很大。

摄入过程是串行处理的，防止并发 LLM 调用导致问题。队列会持久化到磁盘，即使应用重启也不会丢失。失败的任务会自动重试最多 3 次。

更重要的是，它使用 SHA256 增量缓存。在摄入前会先计算源文件内容的哈希值，如果文件没变化就跳过。这大大节省了 LLM token 和时间。

Activity Panel 会实时显示进度条，包括待处理、处理中、失败的任务，还有取消和重试按钮。

异步审查系统

这个设计很有意思。LLM 在摄入过程中可以标记需要人类判断的项目，但不会阻塞摄入流程。

审查项目有预定义的动作类型：创建页面、深度研究、跳过。这限制了 LLM 幻觉出任意动作的可能性。

LLM 还会在摄入时生成优化的搜索查询，用户可以在方便的时候处理这些审查项目。

我的真实使用感受

用了一段时间后，我发现 LLM Wiki 最大的价值在于它改变了我和文档的交互方式。

以前我收集文档，就是存文件夹，想找什么的时候全文搜索。但问题是，搜索只能找到关键词，找不到概念和关系。

现在用 LLM Wiki，我导入文档后，LLM 会自动提取实体、概念，建立连接。我在查询的时候，不只是找到包含关键词的文档，而是找到整个知识网络。

举个例子，我在研究”分布式系统”的时候，导入了几十篇论文。LLM Wiki 不只是让我搜索 “consensus” 这样的关键词，它还会自动发现 “Paxos”、”Raft”、”Zab” 这些算法之间的关系，甚至能发现一些我没想到的联系——比如某篇论文里提到的一个优化技巧，其实和另一篇论文里的问题相关。

这种知识图谱的方式，让我的文档库从”死档案”变成了”活知识”。

技术实现细节

对于技术爱好者，这个项目的技术栈也很有意思：

• 跨平台桌面应用：使用 Tauri 构建，比 Electron 更轻量

• 前端：React + TypeScript，使用 Sigma.js + Graphology 实现知识图谱可视化

• 后端：Rust（通过 Tauri），LanceDB 用于向量存储

• 数学支持：KaTeX 渲染 LaTeX 公式，支持 inline ($…$) 和 block ($$…$$)

• Chrome Extension：Manifest V3，使用 Readability.js 和 Turndown.js

项目是开源的，MIT 许可证。代码质量很高，架构清晰，值得学习。

总结

LLM Wiki 不是另一个笔记软件，而是一个全新的知识管理方式。它的核心思想是：让 LLM 自动构建和更新你的知识库，而不是每次都从零开始检索。

我最喜欢的几个点：

• 两步链式思考摄入，生成的 wiki 质量很高

• 知识图谱不只是可视化，还能主动发现意外连接和知识缺口

• 完全兼容 Obsidian，给了我很高的灵活性

• 深度研究功能可以自动填补知识缺口

• 向量搜索是可选的，不会强制用户依赖昂贵的嵌入 API

当然，它也有一些限制。目前主要支持英文和中文，其他语言的支持可能不够好。另外，需要配置 LLM API（支持 OpenAI 兼容的端点），对于完全不想花钱的用户来说可能有门槛。

但总的来说，如果你有大量文档需要整理，尤其是学术研究者、工程师、或者任何需要处理大量信息的人，LLM Wiki 值得一试。

它改变的不只是你管理文档的方式，更是你思考和使用知识的方式。

项目地址：

https://github.com/nashsu/llm_wiki

开发语言：Rust + TypeScript

开源协议：MIT