llm_wiki
21,584
Stars
2,445
Forks
86
Watchers
300
Open Issues
NOASSERTION
许可证
TypeScript
语言
2026-04-08
创建时间
2026-10-21
最近更新
项目能做什么
跨平台桌面应用,可自动将文档整理为互联的知识库,区别于传统 RAG。
来源:AI 基于仓库事实生成
· 内容以仓库实际 README 为准
使用说明 查看原始 README 原仓库文档
中文使用说明暂未生成。下面保留原仓库 README 摘录,命令与配置均以原文为准。
原始 README 摘录(英文原文,节选前 3000 字符)
# LLM Wiki <p align="center"> <img src="logo.jpg" width="128" height="128" style="border-radius: 22%;" alt="LLM Wiki Logo"> </p> <p align="center"> <strong>A personal knowledge base that builds itself.</strong><br> LLM reads your documents, builds a structured wiki, and keeps it current. </p> <p align="center"> <a href="#what-is-this">What is this?</a> • <a href="#what-we-changed--added">Features</a> • <a href="#tech-stack">Tech Stack</a> • <a href="#installation">Installation</a> • <a href="#credits">Credits</a> • <a href="#license">License</a> </p> <p align="center"> English | <a href="README_CN.md">中文</a> | <a href="README_JA.md">日本語</a> | <a href="README_KO.md">한국어</a> </p> --- <p align="center"> <img src="assets/overview.jpg" width="100%" alt="Overview"> </p> ## Features - **Two-Step Chain-of-Thought Ingest** — LLM analyzes first, then generates wiki pages with source traceability and incremental cache - **Multimodal Image Ingestion** — extract embedded images from PDFs, generate factual captions with a vision LLM, surface them in image-aware search results with lightbox preview and jump-to-source - **Multi-format Document Parsing** — ingest PDF, Office documents, EPUB/MOBI, Org mode, images, media, web clips, and batches of URLs, with built-in, cloud, or local MinerU PDF processing - **Flexible Model Configuration** — configure models per project, route Chat and Ingest independently, and manage custom providers, headers, and streaming output - **Source-grounded Retrieval** — use Read Sources Only mode to answer exclusively from original imported material - **Project Management & Migration** — export and import complete project archives across devices, and rebuild the Wiki index from existing pages - **4-Signal Knowledge Graph** — relevance model with direct links, source overlap, Adamic-Adar, and type affinity - **Louvain Community Detection** — automatic knowledge cluster discovery with cohesion scoring - **Graph Insights** — surprising connections and knowledge gaps with one-click Deep Research - **Vector Semantic Search** — optional embedding-based retrieval via LanceDB, supports any OpenAI-compatible endpoint - **Persistent Ingest Queue** — serial processing with crash recovery, cancel, retry, and progress visualization - **Folder Import** — recursive folder import preserving directory structure, folder context as LLM classification hint - **Source Folder Auto-Watch** — detects external changes in `raw/sources/` and keeps ingest/delete cleanup in sync - **Deep Research** — LLM-optimized search topics, multi-query web search via Tavily, SerpApi, or SearXNG, auto-ingest results into wiki - **Rust Backend Chat Agent** — tool-using chat runtime with wiki/source/graph/web retrieval, workspace file generation, shell approval, cancellation, and streaming tool events - **Agent Skills** — scan and enable local `SKILL.md` folders, select skills with `/skill`, and let the Agent read skill instructions on demand - **Ge阅读完整原文
商业机会分析 AI 生成
端到端加密的云同步与多端备份增值服务(Cloud Sync Add-on)
| 产品构想 | 针对当前仅支持桌面端手动归档导出(Project Management & Migration)的痛点,提供类似 Obsidian Sync 的付费增值云同步,支持多台 PC/Mac 间增量同步 Wiki 数据与知识图谱索引。 |
| 核心功能 | 端到端加密的增量数据同步、云端版本冲突解决、历史版本回滚、自动化后台云备份。 |
| 目标用户 | 在多台设备(办公电脑、个人笔记本等)间切换工作的独立研究者、咨询顾问和重度笔记用户。 |
| 难度/周期 | 中等 · 1 - 2 个月 · 成本:中等(对象存储与同步中继服务器成本) |
| 收费模式 | 订阅制(如 $5-10/月) |
| 竞争风险 | 网络同步大体积多模态源文件(PDF/视频)带来的高流量成本及并发同步冲突处理复杂度。 |
| 依据 | 数据支持的判断 |
免配置托管型 AI 处理包(Hosted Parsing & LLM Credits)
| 产品构想 | 解决用户自建 MinerU PDF 解析、多模态视觉模型及向量检索配置门槛高的问题,在客户端内集成一键开箱即用的官方托管 Token / 算力包。 |
| 核心功能 | 开箱即用的优质高精度 PDF MinerU 解析通道、内置视觉 LLM 图说生成、免配置 Web Deep Research(Tavily/SerpApi 代理代付)。 |
| 目标用户 | 非技术背景的专业人士、学生、律师或不愿自行折腾 API Key 和本地 GPU 部署的初级用户。 |
| 难度/周期 | 较低 · 3 - 4 周 · 成本:较高(需垫付第三方 API/GPU 算力成本,需做好用量额度风控) |
| 收费模式 | 按使用量充值(Token/额度包)或高级套餐订阅 |
| 竞争风险 | 商业 API 调用转售利润较薄,若用户高并发批量导入大文件容易造成资费超额或坏账。 |
| 依据 | 已验证事实 |
小团队/企业协作版(Team Hub & Central MCP Gateway)
| 产品构想 | 将单机版 Wiki 扩展为集中式 Team Wiki Hub。提供团队知识资产入库、协同图谱挖掘、基于角色的访问控制(RBAC),以及中央 MCP 网关,供团队内部的 AI Agent 统一检索企业知识。 |
| 核心功能 | 集中式权限管理与团队共享库、中央 MCP Server / REST API 服务、团队协作批注与异步 Review 机制、企业级 SSO 支持。 |
| 目标用户 | 初创企业、投研机构、法务顾问团队、需要统一上下文知识库的技术团队。 |
| 难度/周期 | 较高 · 3 - 5 个月 · 成本:较高(需开发云端多租户服务、权限体系及部署管理系统) |
| 收费模式 | 按团队席位月度/年度订阅(如 $20/人/月)或私有化部署授权许可 |
| 竞争风险 | 开发周期长,企业客户对数据合规、安全审计要求严苛,单兵团队销售交付压力大。 |
| 依据 | AI推测 |
AI 基于仓库公开数据分析生成,含推测成分,不构成收益承诺。
报告会保存到 个人中心
竞品与相似项目 GitHub Search 真实检索
| 项目 | 中文简介 | Stars | 语言 |
|---|---|---|---|
| Tencent/WeKnora | 中文介绍暂未生成 Open-source LLM knowledge platform: turn raw documents into |
37,207 | Go |
| TencentCloud/TencentDB-Agent-Memory | 中文介绍暂未生成 TencentDB Agent Memory is a team-level memory hub for AI Age |
30,791 | TypeScript |
| AgriciDaniel/claude-obsidian | 中文介绍暂未生成 Self-organizing AI second brain for Obsidian + Claude Code. |
16,356 | Python |
| inkeep/open-knowledge | 中文介绍暂未生成 Beautiful, AI-native markdown IDE and LLM wiki |
4,831 | TypeScript |
| SamurAIGPT/llm-wiki-agent | 中文介绍暂未生成 A personal knowledge base that builds and maintains itself. |
3,689 | Python |
| Astro-Han/karpathy-llm-wiki | 中文介绍暂未生成 Agent Skills-compatible LLM wiki for Claude Code, Cursor, an |
2,728 | Python |
以上为通过 GitHub 官方 Search API 检索的相似项目,功能差异与优劣势需进一步人工确认,配置 AI 后可生成对比分析。
项目优势与风险
| 技术成熟度 | 创建于 2026-04-08,近 30 天仍在推送,发布过 62 个 Release |
| 社区活跃 | Star 21,584 / Fork 2,445 / Issue 300(数据支持,可自行核实) |
| 许可证 | NOASSERTION |
| 主要风险 | 上游项目方向可能变化;同赛道竞争者较多(见竞品表);热度与需求不完全等价 |
安装与使用
快速开始(以仓库 README 为准)
git clone https://github.com/nashsu/llm_wiki.git cd llm_wiki # 请阅读仓库 README 获取确切安装步骤(依赖、配置、启动命令)
术语说明:Docker=应用容器(把程序和依赖打包运行);API Key=调用外部服务的密钥;Git Clone=把仓库代码下载到本地。常见错误:API Key 未配置 / 端口占用 / 数据库连接失败,多数项目在 README 的 Troubleshooting 章节有说明。