电脑里堆了几百个 PDF,存的时候很爽:这个桌面软件把它们编译成一个 wiki

收藏夹、下载文件夹、微信收藏，三个地方各存了一份，都没看。

真要用的时候搜关键词，搜出来一堆同名文件，不知道哪份是最后改过的那版，也不记得当初为什么存它。

llm_wiki 的做法有点不一样：它不是帮你做搜索，它可以帮你把这些东西写成一个个能互相跳转的词条。

项目信息于 2026.07.27 根据官方仓库核对。现在 15.4k，fork 1.8k，GPL-3.0 协议。

01 它是个桌面软件，资料不出本机

先说清楚形态：不是网页服务，是 Tauri v2 做的桌面应用，macOS、Windows、Linux 都有。

前端 TypeScript 加 React，后端 Rust。

PDF、PPT、表格都能丢进去，还带一个 Chrome 剪藏插件，网页可以直接存。

它读完之后标好出处，整理成带链接的词条。生成的是 Obsidian 兼容格式——所以你哪天不想用它了，那堆 Markdown 还能拿走。

普通的 RAG 问答是这个流程：你问一句，它去向量库里检索几段，拼给模型，模型答。

下次再问，重来一遍。

llm_wiki 的说法是 "incrementally builds and maintains a persistent wiki"。

先把资料写成词条存下来，源文件变了就增量更新。

你问的是这些词条，不是原始文件堆。

这么做的好处是结论稳定，而且能一层层往下看。坏处是第一次得跑一轮，模型调用的钱和时间都省不掉。

检索本身也没只押一头，它同时做关键词和向量的混合搜索。

词条连起来之后是一张图，这没什么新鲜的。

它多做了一步：跑社区检测，把关系密集的词条归成一簇。

实际看这张图的时候，最有用的不是那些连得密的簇，是簇和簇之间那片空白。

你以为自己在研究一个完整的领域，图上却是三团各自抱团、中间没线的东西。那说明你的资料本身就是零散的，不是软件没连上。

它还带 deep research，能接联网搜索去补。

它是本地软件，但还需要接入大模型。

文档、图谱、词条都在你机器上，模型调用要走你配的那家。

也就是说：文件不出本机，问题和摘要会出。这两件事不一样，别混着理解。

另外它自带一个本地 HTTP API 和 MCP server，外部 agent 能直接查这个 wiki。

做自动化的人可能对这条比对界面更感兴趣。

开源地址：

https://github.com/nashsu/llm_wiki

资料多、经常做研究、想把东西攥在自己手里，它合适。

偶尔查一两个问题，用它有点麻烦了，你还得先花时间喂资料。

我会拿它做一件具体的事：把一个专题下的所有资料一次性喂进去，然后只看图谱。

看看哪块是真的连起来了，哪块只是我以为自己懂了。