3K Star！基于 Andrej Karpathy 提出的 LLM Wiki 方法论打造的 AI 知识库应用！

作为一名经常要处理大量信息的人，大家想必都有过这样的经历：

• • 刷到一篇好文章，赶紧收藏；
• • 看到一份有用的文档，下载到本地；
• • 遇到一个精彩的观点，复制到笔记软件。

然后这些东西就静静地躺在那里，再也没有被看过。

我们的收藏夹、笔记软件、网盘里，堆满了各种「可能以后会用到」的资料，但真正需要的时候，要么搜不到，要么找到了也是一堆零散的碎片，根本无法串起来形成有用的知识。

更别说花时间手动整理了——整理笔记的时间往往比阅读时间还长，最后索性放弃。

最近发现了一个开源项目，彻底改变了我对知识管理的认知。它不是另一个笔记软件，而是一个让大模型自动帮你构建、维护、更新的个人知识库。

这个项目叫 LLM Wiki，基于 Andrej Karpathy 提出的 LLM Wiki 方法论，把传统的 RAG 思路完全颠覆了。

项目简介

LLM Wiki 是一个跨平台的桌面应用，它的核心理念非常简单：把你的文档「编译」成一套结构化的 Wiki，知识只整理一次，之后持续更新维护。

和传统的 RAG 不同，传统 RAG 每次提问都要去翻原始文档，检索碎片文本，用完就忘；而 LLM Wiki 是先让 LLM 把文档内容彻底消化，提取实体、概念、关系，生成互相关联的 Wiki 页面，之后所有的问答都基于这个已经「编译好」的 Wiki 来做。

而且它是基于 Karpathy 的原始思想实现的，但做了大量的工程化增强，做成了一个真正能用的桌面应用。

核心亮点

1、两步思维链 Ingest

LLM Wiki 没有让 LLM 一边读一边写，而是把这个过程拆成了两个步骤：

第一步：分析 - LLM 先读取源文档，提取关键实体、概念、论点，分析和现有 Wiki 内容的联系，标记出可能的矛盾和知识空白，给出 Wiki 结构的建议。

第二步：生成 - 基于第一步的分析结果，LLM 生成 Wiki 页面，包括源摘要、实体页面、概念页面，自动建立交叉引用，更新 index.md、log.md、overview.md 等核心文件。

这种两步走的方式，比单步生成的质量高很多，而且它还加了 SHA256 增量缓存——源文件内容没变就直接跳过，既省 Token 又省时间。

2、四信号知识图谱

LLM Wiki 不只是简单的 Wiki 页面互链，它还构建了一个完整的知识图谱，用四个维度来计算页面之间的相关性权重：

• • 直接链接（权重×3.0）：通过 [[wikilinks]] 直接关联的页面
• • 来源重叠（权重×4.0）：共享同一个原始来源的页面
• • Adamic-Adar（权重×1.5）：通过共同邻居关联的页面
• • 类型亲和（权重×1.0）：同类型页面之间的加分（实体↔实体，概念↔概念）

然后基于这个图谱，项目用 Louvain 算法自动发现知识聚类——它能告诉你：「你收集的这些资料里，哪几个主题天然形成了一个知识域」。每个聚类还会有一个内聚度评分，低于 0.15 的会被标记为警告。

3、深度研究，自动填补知识空白

当知识图谱发现「知识空缺」时（比如某个概念只有一两篇引用），你可以直接触发 Deep Research 功能。

LLM 会先读取 overview.md 和 purpose.md 来理解你的研究方向，然后生成优化的搜索主题和查询语句，通过 Tavily API 进行网络搜索。

搜到的结果会自动回灌到 Wiki 里，LLM 会把这些新内容合成一个研究页面，建立和现有 Wiki 的交叉引用。整个过程你只需要点一下按钮，剩下的都交给 AI。

4、隐私安全

所有的 raw 资料和生成的 wiki 都保存在本地，完全隐私安全。

而且 Wiki 目录本身就是一个完整的 Obsidian vault，你可以随时用 Obsidian 打开进行二次创作和沉浸式阅读。

LLM Wiki 负责「生产知识」，Obsidian 负责「消费知识」，两者完美互补。

功能特性

• • 完整的 Wiki 系统：LLM Wiki 严格遵循 Karpathy 的三层架构-原始素材、知识库、规则配置
• • 多格式文档支持：PDF、DOCX、PPTX、XLSX/XLS/ODS、图片。
• • Chrome 扩展一键剪藏：自带一个 Chrome 扩展（Manifest V3），可以一键把网页剪藏到 Wiki 里
• • 多会话聊天，持久化保存：支持创建多个独立的聊天会话，每个会话都可以保存、重命名、删除
• • 思维过程可视化：LLM Wiki 会实时显示 LLM 的思考过程
• • KaTeX 数学公式支持：完整支持 LaTeX 数学公式

快速上手

安装方式

方式一：下载预编译二进制（推荐）

直接去 GitHub Releases 页面下载对应平台的安装包：

• • macOS：.dmg 文件（支持 Apple Silicon 和 Intel）
• • Windows：.msi 安装程序
• • Linux：.deb 或 .AppImage

方式二：从源码构建

如果你想自己编译，需要先安装：

• • Node.js 20+
• • Rust 1.70+

然后执行：

git clone https://github.com/nashsu/llm_wiki.git
cd llm_wiki
npm install
npm run tauri dev      # 开发模式运行
npm run tauri build    # 生产环境构建

Chrome 扩展安装

1. 1. 打开 chrome://extensions
2. 2. 开启「开发者模式」
3. 3. 点击「加载已解压的扩展程序」
4. 4. 选择项目中的 extension/ 目录

编写 schema.md

schema.md 是 LLM Wiki 的核心配置文件，它告诉 LLM 如何提取知识：

# Knowledge Schema

## Categories
- **Finance**: 涵盖期权交易、对冲策略、CPA 财管考点。
- **Technology**: 涵盖前端技术 (WebGPU/Vite)、Python 实现、AI 编程。
- **Concepts**: 跨学科的核心理论与术语定义。

## Extraction Rules
1. 提取文档中的核心实体。
2. 识别并建立实体间的逻辑联系，使用 [[双括号]] 建立链接。
3. 如果发现文档内容与现有 Wiki 存在冲突或补充，请在笔记中注明。

## Output Template
- **Summary**: 核心观点。
- **Context**: 应用场景。
- **Technical/Formula**: 公式或代码片段。
- **Audit**: 需要进一步深度研究的空白点。

写在最后

LLM Wiki 不是一个花哨的概念，它是大模型知识管理从「临时检索」走向「长期记忆」的关键一步。它解决了传统 RAG 的几个核心痛点：

• • 知识不累积：每次都重新开卷考试
• • 效率低下：每次都要检索、拼接原始文档
• • 成本高：需要额外搭建向量数据库
• • 关联性差：无法建立知识之间的深层联系

而 LLM Wiki 的思路是：编译一次，持续更新。人负责「看什么」，LLM 负责「怎么记」——这才是正儿八经的人机分工。

如果你也在为知识管理头疼，如果你也有一堆收藏了但没整理的资料，不妨试试 LLM Wiki。它可能会彻底改变你管理知识的方式。

GitHub：https://github.com/nashsu/llm_wiki