你天天把资料丢给 AI 问东问西，它其实大多数时候是现翻现忘的。
你问一句，它才临时钻进那堆文档里翻几段看着相关的，塞进去拼出个答案，答完就撂下。资料本身没被真正读进去，也没被连起来，你下次换个问法再问，它还得从头翻一遍。这套打法有个名字，叫 RAG（检索增强，意思是回答前先去资料库里检索相关片段）。挺好用，但在它眼里，你那些资料永远是第一次见。
有个开源工具反着来，叫 LLM Wiki，最近在 GitHub 上攒了约1.3万颗 star。它干的事就一句：让大模型把你丢进去的每份文档先认认真真读一遍，把里面的人、概念、事挑出来，一个个建成能互相跳转、还能不断扩充的词条页，像一部你自己的维基百科（这种互相链接的词条网就叫 wiki）。两个相关的词条之间它会自动留双链（就是互相留一个跳转入口），你今天存的东西能勾住三个月前那条。知识在它这儿是消化一次、存下来慢慢养，而不是每次查都从头推导一遍。
打个不太严谨的比方。RAG 那种像考试时才现翻书找答案，翻到抄上去，合上书就还给书本了；LLM Wiki 更像你平时就把书读懂、整理成自己的笔记网，考试直接调用脑子里已经连好的东西。前者省事，后者慢热，但沉淀下来的是你自己的。
这个思路直接源自 Andrej Karpathy（前特斯拉 AI 总监 / Autopilot Vision 负责人、OpenAI 创始团队成员）写过的一份方法论，就叫 LLM Wiki，讲怎么用大模型一点点搭一个自己的 wiki。那份东西是个抽象的设计模式，nashsu 这个项目把它做成了一个能装能用的桌面应用，还加了一大堆自己的扩展。
丢文档进去，PDF、Word、markdown、网页都行，它是分两步处理的。先让模型分析一遍，看这份资料里有哪些关键的人和概念、跟你库里已有的内容哪里能接上、甚至哪里是打架的；分析完才动手生成词条页。每一页都记着它是从哪几份原始资料来的，回头你想核对，能顺着链接摸回原文（这点挺重要，AI 整理资料最怕的就是你不知道它从哪编来的）。内容没改过的文件它认得出来、直接跳过，不重复烧钱。
生成的词条它还会按人物、概念、来源分门别类归好，另外自动维护一个总目录和一份操作日志，整个库长什么样、什么时候加了什么，翻一眼就清楚。
比如你把十几篇讲同一家公司的报道一股脑导进去，它不会摊成十篇彼此不认识的文章，而是把这家公司立成一个词条，把各篇里提到的产品、人物、融资、时间点都挂到它底下，相关的再彼此连上。等你哪天问一句「这家公司这两年都干了什么」，它是从这张已经织好的网里给你串出来的，还顺带标清楚每条是哪篇报道说的。你跟它聊出来的好答案，也能一键存回库里，它会把这条当成新资料再消化一遍——库就是这么一点点长起来的。
它会把这些词条自动连成一张知识图谱，还会把相关的词条聚成一块块知识板块，然后主动帮你找两样东西：一是意外的连接，两块你本来觉得八竿子打不着的内容，底下藏着关系；二是知识缺口，哪个词条特别孤立、哪个话题你其实没查全。缺口这种，可以一键让它联网深挖、把结果也吞进库里补上。这套东西好不好用，说实话我没拿它长期建过大库，不敢替你打包票，得你自己上手试。
它还留了个人工复核的环节。吞资料的时候模型碰到自己拿不准的，会标出来排个队交给你判断，而不是自作主张全写进去，也就是它自己说的「人来把关、AI 来维护」。
平时你可以像聊天一样直接问自己这个库，它回答完会告诉你引用了哪几个词条，方便你回去查。它带一个 Chrome 网页剪藏插件，看到好文章一键存进库、自动消化。要是你本来就在用 Claude Code、Codex 这类 AI 编程工具，还能把这个库接进去，让 AI 直接查你攒下的知识。
更省心的一点是，它生成的那个 wiki 目录本身兼容 Obsidian（一款主流的本地笔记软件），这些词条就是一堆躺在你自己电脑里的纯文本文件，数据是你的，哪天不想用这个工具了，笔记还在。它是跨平台的桌面版，Windows、macOS、Linux 都有现成安装包。
上手不复杂。下载对应系统的安装包装上，在设置里配一个大模型（填你自己的 API key 和模型），再把文档导进去，它就自己一份份开始建了，你在活动面板看着进度就行。
这里得把一件事说清楚，免得你抱着错的预期去装。它不自带模型，用的是你自己配的那个大模型，所以拿付费接口去吞一大批文档，是要花钱的（这类模型按调用量计费）。不想花这个钱也有办法，它支持接 Ollama（一个在自己电脑上跑开源大模型的工具）在本地跑，也支持任意 OpenAI 兼容的接口，挂个本地模型、或者走 DeepSeek 这类的兼容接口，一样能驱动，成本能压得很低。
还有一点别忽略：这项目很年轻，2026年4月才建，版本还在0.5.x，一周能连发好几个版本。更新勤是好事，但也说明它还在快速变，难免有毛刺，别当成打磨了好几年的成熟货来用。像向量语义搜索（开了之后，官方测的检索召回率能从58.2%提到71.4%）、联网深度研究这些，也都是可选的、要另外配。
它适合的，是那种手里资料越攒越多、又总觉得存了等于没存的人：读了一堆论文记不住彼此的关系，收藏了几百篇文章再没打开过，做研究、做学习笔记想有个能长期养、还查得动的地方。
它是开源的（GPL-3.0 协议），在 GitHub 上叫 llm_wiki，作者 nashsu。
至于要不要折腾，就看你手里到底有多少资料，是真需要沉淀下来的了。这个自己掂量吧。
#马力的AI知识分享#
#马力的AI开源项目分享#
