LLM Wiki：让 LLM 维护你的知识库

一句话：别让 LLM 每次"现查现答"（RAG），而是让 LLM 把你的资料"编译"成一个持续维护、互相链接的 Wiki。知识只编译一次并长期保鲜，而不是每次查询重新推导。

1 起源

Andrej Karpathy 的设计模式文档 llm-wiki.md (gist)，是一个抽象"模式"；nashsu/llm_wiki（17.5k★，活跃）把它做成了具体桌面应用。

2 核心结构（三层）

1. Raw Sources（原始资料）—— 只读、不可变，如文档、网页、聊天记录
2. Wiki（LLM 生成的页面）—— 从 Raw 提炼、互相链接、增量维护
3. Schema（规则/配置）—— 告诉 LLM 页面该怎么写、如何组织

3 核心操作

操作	作用
Ingest	新资料进来 → LLM 分析 → 生成/更新 wiki 页面（增量缓存）
Query	查询时用已编译的 wiki（+必要时溯源原始资料），不是从头检索
Lint	周期性检查/维护：冗余、过期、断链

4 关键约定

• index.md = 内容目录，也是 LLM 的导航入口
• log.md = 时序操作记录（可解析格式）
• [[wikilink]] 交叉引用 + 每页 YAML frontmatter
• Obsidian 兼容：wiki 目录就是一个 Obsidian vault
• 分工：人策展（放哪、留不留），LLM 维护（写、整理、链接）

5 与 RAG 对比

	传统 RAG	LLM Wiki
每次查询	重新检索+拼上下文+生成	直接查已建好的 wiki
知识形态	碎片化召回	结构化、互链的页面
成本	每次重复	摄入一次，长期摊销
代价	—	需要持续维护（Lint）

6 具体实现：nashsu/llm_wiki

• 跨平台桌面应用（Linux 有 .deb/AppImage；v0.6.11）
• 特性亮点：两步链式摄入、图文 PDF、Rust 后端聊天 Agent（工具调用）、知识图谱（Louvain 社区发现、4 信号相关度）、LanceDB 向量搜索、Deep Research、Chrome 剪藏、本地 HTTP API + MCP Server + agent skill
• 模型可配：Chat / Ingest 独立路由，任意 OpenAI 兼容端点

7 易混淆概念

• llms.txt / llmstxt.org：网站给 LLM 提供 Markdown 清单的规范 —— 不是这个
• llmwiki.com：LLM 工具/案例目录网站 —— 也不是这个

8 在本 vault 的落地

这套笔记库用 ChatWiki 控制层实践该模式：ChatWiki/schema.md 即 Schema 层、ChatWiki/raw/ 即 Raw Sources（会话快照，append-only）、知识页进 Notes/ 主题区。见 [[schema]]。

9 相关

• [[005_Agentic_workflow]]：Agent 与工具调用（MCP server 属于该话题）
• [[001_AI_basic_concepts]]：RAG 等基础概念