推荐一个 GitHub 上的开源项目，叫 LLM Wiki，做的事情很简单：让 LLM 帮你把文档自动整理成一个持久化、互相关联的知识库。特别适合做个人知识管理。

传统 RAG 的思路是每次查询都重新检索一遍，效率其实不高。LLM Wiki 换了个做法，让大模型增量式地构建和维护一个结构化的 Wiki。知识只需要编译一次，后续有新内容进来就持续更新，不用反复重建。

整个项目基于 Andrej Karpathy 提出的 LLM Wiki 模式论文做了完整实现，还加了大量增强。

说说它的核心能力。

处理文档用的是两步思维链：LLM 先分析文档内容，再生成对应的 Wiki 页面，整个过程支持源追溯和增量缓存，不会重复劳动。

知识图谱这块做得比较细，用了四种信号来构建关联：直接链接、源重叠、Adamic-Adar 指标和类型亲和性，能把知识之间的关系建模得比较准确。在此基础上还跑了 Louvain 社区检测算法，自动发现知识簇，对松散的集群会用内聚度评分来标记。图谱还能识别出意外的连接和知识空白，可以一键触发深度研究去补全。

搜索方面，基于 LanceDB 做了向量语义检索，支持任意 OpenAI 兼容的端点接入。

工程层面也考虑得很周到。任务队列做了持久化，串行处理带崩溃恢复，支持取消、重试和进度可视化。文件夹导入支持递归，保留原始目录结构，文件夹路径还会作为 LLM 的分类提示。另外还有 Chrome 网页剪藏扩展，一键抓取网页内容自动纳入知识库。

产品形态是跨平台桌面应用，三栏布局：左边知识树，中间对话，右边预览，用起来很直观。生成的 Wiki 文件用 Markdown 加 YAML frontmatter 加 wikilink 语法，兼容 Obsidian，也支持手动编辑，LLM 负责维护整体结构。

目前已经有 2800 多个 star，还在活跃开发中。如果你一直想搭一个自己的知识库或者研究笔记系统，可以关注一下这个项目。

传送门：github.com/nashsu/llm_wiki

#How I AI##科技先锋官#