我把硬盘里的PDF全丢给AI,它帮我自动建了一座维基图书馆 | LLM Wiki Windows 桌面版保姆级教程

你硬盘里是不是也躺着一堆 PDF 论文、技术文档、电子书？存的时候心想「以后肯定用得上」，真到要用的时候，连文件名都记不清了。

我最近发现一个工具，叫 LLM Wiki，开发者是 nashsu。它不是另一个「跟 PDF 聊天」的 RAG 工具，而是让 LLM 帮你把散落的文档，自动整理成一个结构化、互相关联、会自我生长的维基知识库。

这篇文章，我从下载安装开始，一步步带你把它跑起来，再用真实文档做一个完整的实操演示。

1

LLM Wiki 是什么，为什么值得一试

先简单说一下它的思路。传统 RAG 是「你提问→它去翻文档→生成答案」，每次提问都是从零开始检索。你换一个问题，它又得重新找一遍。

LLM Wiki 不一样。它的核心逻辑是「一次构建，持续生长」。

你把文档丢进去，它会分两步走：

第一步 · 分析：LLM 通读源文档，提取实体、概念、论点，找出和已有知识的关联，甚至发现矛盾点。

第二步 · 生成：基于分析结果，自动生成维基页面，包括概念页、实体页，页面之间用双向链接串联起来，同时更新索引。

说白了，它不是一个搜索工具，而是一个帮你写书的 AI 图书管理员。你的知识库会越用越厚，关系也越来越密。

LLM Wiki 主界面，左侧导航、中间 Wiki 页面、右侧相关推荐

项目是开源的（GPLv3），基于 Andrej Karpathy 提出的 LLM Wiki 模式，扩展成了一个完整的桌面应用。支持 Windows、macOS、Linux 三端。

2

Windows 桌面版下载安装

安装方式有两种，推荐用 winget，一行命令搞定。

方式一 · winget 命令安装（推荐）

winget install -e --id nashsu.LLMWiki

打开 PowerShell 或 Windows Terminal，粘贴上面这行命令，回车就行。winget 会自动下载安装包并安装。

方式二 · 手动下载安装包

去 GitHub Releases 页面下载 .msi 安装包，双击运行即可。

安装向导界面，下一步下一步就好

安装包大小约 40MB，支持 Windows 10（1809+）和 Windows 11。

3

初次启动与配置

安装完成后，启动 LLM Wiki。第一次打开需要创建一个项目，然后配置 LLM 提供商。

Step 1 · 创建项目

打开应用后，点击「New Project」，给项目起个名字，选个保存路径。项目就是一个独立的知识库，你可以建多个。

Step 2 · 配置 LLM 提供商

进入左侧的「Settings」，找到「LLM Providers」。LLM Wiki 原生支持 OpenAI、Anthropic、Google、Ollama 等，国内用户通过「Custom」自定义提供商，几乎可以接入所有兼容 OpenAI API 格式的国产模型。

设置页面，通过 Custom 可以接入国内主流模型

国内常用模型推荐

智谱 GLMGLM-4 / GLM-4-Plus中文质量好Kimi 月之暗面Moonshot V1.5长文本强项通义千问Qwen-Plus / Max性价比高

DeepSeekDeepSeek V3便宜量大豆包Doubao Pro火山引擎接入Ollama 本地Qwen2.5 / GLM完全离线

怎么配置国产模型

在 Settings → LLM Providers 里找到「Custom」，填三个东西：

· Base URL：模型厂商的 API 地址（必须是兼容 OpenAI 格式的接口）

· API Key：你在对应平台申请的密钥

· Model：模型名称，比如 glm-4-plus、moonshot-v1-128k

我的建议是先用便宜的模型试水。ingest 阶段 token 消耗不小，先用 DeepSeek 或通义千问的入门级模型跑通流程，觉得效果不错再换更好的模型。中文文档多的话，智谱和 Kimi 的理解能力会更稳一些。

提醒一下，LLM Wiki 的 ingest（知识抽取）过程会消耗不少 token，尤其是文档多的时候。建议先用小批量文档试试水，再决定用哪个模型。

4

实操演示 · 从零建一个知识库

光说不练假把式。下面我带你用几份文档，实际跑一遍完整流程。

4.1 导入文档

左侧菜单点「Sources」，然后点「Add Sources」。支持的格式挺全的：

PDF、DOCX、PPTX、XLSX、Markdown、EPUB、MOBI、图片（OCR 识别）、甚至整个文件夹。

我建议第一次先放 3–5 篇主题相关的 PDF 或 Markdown 文档，看看效果。

4.2 启动 Ingest

文档添加完后，点「Start Ingest」。你会看到活动面板里逐文件显示进度。

这个过程分两步走：

分析阶段：LLM 先读文档，输出结构化分析结果。

生成阶段：基于分析结果，生成维基页面、双向链接、索引文件。

每份文档的处理时间取决于长度和模型速度。一篇 10 页的 PDF，用 GLM-4-Plus 或 Qwen-Max 大概 2–3 分钟。

4.3 浏览生成的 Wiki

Ingest 完成后，切到「Wiki」标签页。你会看到一个自动生成的维基页面列表，每个概念、每个实体都有自己的页面。

页面之间通过 [[双链]] 互相连接。点进去就能跳转到对应的概念页。

4.4 知识图谱

这是我觉得最有意思的部分。切到「Graph」标签，你会看到一张知识关系网络图。

知识图谱可视化，节点大小代表重要程度

每个节点是一个概念或实体，连线代表它们之间的关联。节点越大，说明连接的概念越多，在你的知识体系里越核心。

它还能自动发现社区聚类、找出孤立页面、甚至提示可能的知识空白。挺有意思的。

4.5 用 Chat 提问

当然，你也可以直接用「Chat」功能，用自然语言问你的知识库。

和普通 RAG 不一样的是，它回答的依据是已经整理好的维基页面，而不是每次从原始文档里临时检索片段。所以回答的一致性更好，而且会引用具体的 wiki 页面。

5

几个实用的进阶玩法

网页剪藏 · Chrome 扩展

LLM Wiki 有一个 Chrome 浏览器扩展，可以直接把当前网页内容剪藏到知识库里，自动 ingested。读长文的时候看到好东西，一键存进去，以后它就自动和你已有的知识关联起来了。

本地模型 · 完全离线

如果你对数据隐私比较敏感，可以用 Ollama 跑本地模型。配置好之后，整个知识库的构建和查询都在本地完成，数据不出门。

Obsidian 兼容

生成的 Wiki 目录可以直接当作 Obsidian 的 Vault 来用。也就是说，LLM 帮你自动生成和维护笔记，你用 Obsidian 来阅读和手动编辑。两者结合，体验很不错。

Agent 接入 · MCP 协议

LLM Wiki 支持 MCP 服务器模式，可以让 Claude Code、Codex 这类 AI 编码助手直接访问你的知识库。相当于给你的 AI 助手配了一个私人图书馆。

6

聊聊它和 Hermes + Obsidian 的区别

之前我写过 Hermes 配 Obsidian 的玩法，很多人问我这俩是不是一回事。说实话，完全不是一个路子。今天正好掰扯清楚。

先回顾一下 Hermes + Obsidian 模式

Hermes 是 Obsidian 的一个插件，核心是 RAG。你在 Obsidian 里写笔记，Hermes 帮你做语义搜索、对话式问答、生成摘要。笔记的生产者是人，AI 的角色是「检索助手」和「写作副驾」。

它的好处是深度融入 Obsidian 生态，双链、标签、模板、Canvas 全都能用。你写笔记的习惯不用改，AI 只是让你找得更快、写得更顺。

LLM Wiki 走的是另一条路

LLM Wiki 里，笔记的生产者是 AI。你丢原始文档进去，它帮你生成结构化的维基页面、自动建立双链、画出知识图谱。人的角色变成了「审核者」和「消费者」。

我做了个对比表，一目了然。

核心维度对比

本质区别是什么

一句话：Hermes 是「让你写笔记更高效」，LLM Wiki 是「替你写笔记」。

Hermes 的前提是你本身就在写笔记。它不改变你生产知识的方式，只是加速检索和辅助表达。你笔记质量越高，它的效果就越好。

LLM Wiki 的前提是你有一堆还没被消化的原始材料。它帮你完成从「原始文档」到「结构化知识」的转化。你不需要先写笔记，直接丢文件进去就行。

谁该用哪个

选 Hermes + Obsidian 如果你：

· 已经有写笔记的习惯，Obsidian 里躺着成百上千条笔记

· 享受写作和思考的过程，想要 AI 当副驾而不是代驾

· 对知识的准确性和表达风格有很高要求

选 LLM Wiki 如果你：

· 硬盘里一堆 PDF 和文档，但就是懒得整理

· 需要快速消化大量资料（比如做文献综述、行业研究）

· 想建立一个「会自己长大」的个人知识库，自己只做审核和补充

其实两者可以混用

别忘了 LLM Wiki 生成的 Wiki 目录可以直接当 Obsidian Vault 用。所以完全可以这样玩：

1. 用 LLM Wiki 批量消化原始文档，自动生成结构化 Wiki

2. 用 Obsidian 打开生成的目录，手动精修、补充自己的思考

3. 装个 Hermes 插件，在 Obsidian 里做语义搜索和问答

LLM Wiki 负责「从 0 到 1」的知识生产，Obsidian + Hermes 负责「从 1 到 N」的知识打磨和消费。前者是挖掘机，后者是打磨器，搭着用，效果最好。

7

一些实话

用了一段时间，说点真实感受。

优点很明显。它解决了「收藏即埋葬」这个老问题。你不用再花时间整理笔记，LLM 帮你做了。而且不是简单的摘要，是真的在构建关系网络。知识图谱那个视图，经常能帮你发现之前没意识到的联系。

缺点也得说。首先是 token 成本，文档多了确实不便宜。其次生成的质量取决于你用的模型，用小模型效果会打折扣。还有，自动生成的维基页面偶尔会有错误或遗漏，需要人工审核一下——这也是为什么它自带了一个「Review」审核系统。

我的建议是，先拿一个小主题试一试。比如你最近在研究的一个方向，找 5–10 篇相关论文或文档丢进去，看看生成的知识库质量能不能达到你的预期。觉得值，再扩大规模。

8

下载地址

目前最新版本是 v0.6.11，下面是官方下载地址：

· Windows 版（.msi 安装包）：GitHub Releases / LLM.Wiki_0.6.11_x64_en-US.msi

· winget 安装：winget install nashsu.LLMWiki

· GitHub 项目地址：github.com/nashsu/llm_wiki

最后说一句。

知识管理工具换了一波又一波，从 EverNote 到 Notion，从 Roam Research 到 Obsidian，工具越来越多，但「懒得整理」这个人性弱点从来没变过。

LLM Wiki 的思路是把整理这件事，彻底交给 AI。人只负责输入和消费，中间的脏活累活全自动化。

也许这才是个人知识库的正确打开方式。