LLM Wiki：把本地文档编译成可维护个人 wiki 的桌面应用

这个仓库是 Karpathy “LLM Wiki” 方法的产品化实现。它的核心思路和普通 RAG 不一样：不是每次提问时临时从文档里捞片段回答，而是先让 LLM 把资料增量整理成持久 wiki，再基于这套结构查询、维护、纠错。

它保留了原始方法里的三层结构：Raw Sources → Wiki → Schema。原始资料不被改动，LLM 生成带 sources[] 的 wiki 页面，index.md 做内容目录，log.md 记录操作历史，页面之间用 [[wikilink]] 连接，并兼容 Obsidian。

它扩展得比较多：

• 两步 ingest：先分析源文档，再生成 wiki 页面，减少边读边写时的漂移。
• 多格式导入：PDF、DOCX、PPTX、XLSX、图片、音视频、网页剪藏都支持。
• 知识图谱：用 wikilink、source overlap、共同邻居、页面类型等信号计算相关性。
• Louvain 社群发现：自动找知识簇，并提示低内聚区域。
• Graph Insights：发现意外连接、知识空洞、桥接节点，并能触发 Deep Research。
• 可选向量搜索：用 LanceDB 做语义检索，和关键词检索、图谱扩展合并。
• Chrome Web Clipper：浏览器剪藏后自动进入知识库处理。
• Review / Lint：把 LLM 不确定、需要人判断的内容放进异步审查队列。

技术栈是 Tauri v2 + Rust backend + React 19 + TypeScript + Vite，前端用 shadcn/ui + Tailwind，图谱用 sigma.js / graphology，向量库用 LanceDB。最新 release 是 v0.4.6，2026-05-01 发布，已经有 macOS、Windows、Linux 安装包和 Chrome extension。

我的判断：这个项目真正有价值的地方，不是“又一个知识库软件”，而是把 RAG 的临时检索逻辑改成 compiled wiki。知识先被整理成可审计、可追踪、可维护的结构，再参与问答。对长期研究、读书、论文、项目资料管理，这条路线比纯聊天式知识库更稳。

风险也很明确：它依赖 LLM 生成结构，质量取决于 schema、purpose、review 和 lint 的纪律。如果把它当“自动整理神器”，最后会生成一堆看似有序的幻觉文件；如果把它当“人机共管的知识编译器”，价值会大很多。

🔗 链接：http://t.cn/AXMflrIE
📄 Karpathy LLM Wiki pattern：http://t.cn/AXIDQNkM
📦 最新发布：http://t.cn/AXJXAlsB
#HOW I AI# #ai生活指南# #AI工具#