你的私人知识管家：一款会自己整理、思考、进化的桌面知识库工具

你是否曾为堆积如山的 PDF 报告、会议纪要、网页收藏和读书笔记而焦虑？每次想查某个概念，却要在十几个文件夹里反复搜索、复制粘贴、手动比对——而 LLM Wiki 正是为此而生：它不是另一个“问答机器人”，而是一个真正能读懂你资料、自动建维基、持续更新、还能发现知识盲区的本地化知识操作系统。它把传统 RAG（检索即答）的“临时拼凑”模式，升级为“一次构建、长期演进”的知识基座。

核心功能

• 文档自动建维基，边读边连：上传 PDF、Word、EPUB、Org 文件甚至整文件夹后，LLM 不是简单切块向量，而是先理解语义结构（比如识别“定义-案例-对比”逻辑），再生成带源标注的 Markdown 页面，并自动创建双向链接——从此你的知识不再是散落的碎片，而是一张可点击、可追溯、可导航的网。
• 图片也能“读懂”并融入知识流：PDF 中嵌入的图表、截图、流程图会被自动提取，交由视觉大模型生成准确、无幻觉的图文描述，并在搜索结果中以缩略图+文字双模态呈现；点击即可预览大图，再一键跳转回原始页码——科研论文、产品原型、架构图从此真正“活”起来。
• 知识图谱不靠人工打标，全自动生成：它用 4 种信号（直接引用、共现来源、Adamic-Adar 权重、类型亲和度）动态计算节点关系，再通过 Louvain 算法自动聚类出“机器学习基础”“分布式容错设计”等知识簇，并高亮显示“哪些概念常一起出现但你从未关联过”——帮你发现被忽略的隐性联系与知识断层。
• Deep Research 模式：让 LLM 主动补全你的认知缺口：当你提问“对比 Kafka 和 Pulsar 的事务语义差异”时，它不止查本地资料，还会自动生成多角度搜索词（如“Kafka transaction idempotent producer vs pulsar transaction commit semantics”），调用 Tavily/SerpApi 进行联网检索，将高质量结果自动清洗、去重、摘要并写入新维基页——知识库越用越完整。
• 真正的本地智能体（Agent）工作台：内置 Rust 编写的轻量级 Chat Agent，支持调用维基检索、图谱遍历、本地文件读写、Shell 命令执行（需确认）、Mermaid 图表渲染等技能；你还能用 /skill 命令加载本地 SKILL.md 定义的定制能力，比如“自动从会议记录中提取待办+责任人+截止时间”。
• 所见即所得的协作友好输出：Agent 生成的报告、流程图、API 文档等全部以 Markdown/HTML/图片形式实时预览，双击即可打开对应 workspace 文件夹；Mermaid 代码块直接渲染成矢量图，语法错误时给出精简提示卡而非报错堆栈——告别“写完还得手动导出”的低效循环。
• 跨设备知识同步，像备份照片一样简单：一个项目可打包为完整 ZIP 归档（含所有源文件、索引、图谱、配置），在另一台电脑解压后点“重建索引”即可秒级恢复全部知识状态；配合 raw/sources/ 文件夹自动监听，外部修改（如用 Obsidian 编辑原文）也会触发增量更新，无需手动刷新。
• Chrome 一键网页捕获 + 本地 API 开放：安装官方 Web Clipper 后，浏览网页时点击图标即可抓取正文+标题+URL，并自动归入当前项目；同时内置 http://127.0.0.1:19828 JSON API，支持外部脚本调用搜索、图谱查询、重新扫描源等操作，已适配 MCP 协议，可直连 Claude Code / Codex 等 IDE 智能体环境。

技术亮点

• 非 RAG 的“编译式知识构建”架构：区别于主流工具每次查询都重新检索+重推理，LLM Wiki 将知识“编译”为持久化维基页面（Markdown）和图谱（LanceDB + 自研图引擎），后续查询本质是高效图遍历+语义检索，响应快、成本低、结果稳。
• 混合检索双引擎协同：默认启用基于图关系的“知识路径检索”，可选开启 LanceDB 向量搜索（兼容 OpenAI 兼容接口），两者结果融合排序；更关键的是支持“仅读已导入源”模式，彻底杜绝幻觉，满足法律、医疗等强事实性场景。
• Rust + TypeScript 混合后端，兼顾性能与扩展性：核心 Chat Agent 用 Rust 实现，保障高并发工具调用下的稳定性与低延迟；前端用 Electron + TypeScript 构建，插件系统（如技能加载、MCP 服务）高度模块化，SKILL.md 即插即用，开发者可零配置扩展能力边界。
• 增量缓存与崩溃安全队列：文档处理采用“分析→生成→链接→索引”四阶段流水线，每步结果缓存；即使处理中途崩溃，重启后自动续跑未完成项，并支持手动取消、重试、进度可视化——千份文档批量导入不再提心吊胆。
• 原生多模态管道设计：PDF 处理支持 MinerU（本地/云）、OCR（含数学公式）、图像提取三套方案；所有图像输入统一走 Vision LLM captioning 流程，确保图文描述严格忠实原文，避免通用多模态模型常见的过度解读。

适合哪些人用

它特别适合三类深度知识工作者：
• 研究员与工程师：每天处理数十篇论文、RFC、技术白皮书，需要快速建立领域认知地图。例如：一位分布式系统工程师导入 Kafka/Pulsar/RocketMQ 的全部官方文档+ SIG 讨论帖，LLM Wiki 自动聚类出“事务模型”“消息顺序保证”“弹性扩缩容”三大知识簇，并标记出各系统在“跨区域复制一致性”上的表述空白，引导他主动补充实验验证。

• 咨询顾问与产品经理：手握大量客户访谈纪要、竞品分析、行业报告，需在提案前快速提炼洞察。例如：某 SaaS 产品经理将 3 年来的用户反馈 Excel、NPS 调研报告、竞品功能列表导入，系统自动关联“登录慢”与“iOS 17 适配问题”“第三方 SDK 冲突”等隐藏根因，并生成带截图证据的改进路线图。

• 终身学习者与知识博主：收藏了上千个优质网页、电子书、播客文稿，苦于无法形成体系。例如：一位 AI 教育博主用 Chrome Clipper 持续捕获前沿论文解读、Hugging Face 博客、知名课程笔记，LLM Wiki 不仅自动组织为“Transformer 变体”“RLHF 实践陷阱”等主题页，还通过 Deep Research 主动补充最新开源实现（如 vLLM 0.5 新特性），让他的知识库始终“呼吸着新鲜空气”。

快速上手

访问 GitHub Releases 页面，下载对应系统的最新版安装包（Windows/macOS/Linux 均支持）。首次启动后：

• 点击「新建项目」→ 设置项目名与存储路径（建议选 SSD）
• 拖入任意文档（支持 PDF/DOCX/EPUB/Org/图片/网页 URL 批量粘贴）→ 点击「开始处理」
• 等待进度条完成（首次较大文档集约数分钟），左侧导航即显示自动生成的维基目录
• 按 Cmd/Ctrl+K 呼出全局搜索，输入关键词，结果页自动高亮匹配段落并显示来源上下文
• 在聊天框输入 /deepresearch 对比 LangChain 和 LlamaIndex 的 chunking 策略差异，体验全自动知识补全

同类对比 / 注意事项

相比 Obsidian + 插件生态，LLM Wiki 的核心优势在于“开箱即用的语义理解能力”——无需手动写 Dataview 查询、不用配置复杂正则提取规则，一切关系与摘要均由 LLM 驱动生成；相比 Logseq，它更强调知识的“外部可信性”（所有结论必带原文溯源）；相比商业工具 Notion AI 或 Mem，它 100% 本地运行，隐私零外泄，且图谱深度与自动化程度远超前者。

注意事项：首次索引耗内存较高（建议 16GB+ RAM），大 PDF（>100MB）建议先用 MinerU 预处理；中文支持优秀，但部分古籍/繁体文献 OCR 仍需微调；开源协议为 NOASSERTION，商用前建议联系作者确认授权范围。

项目信息

TypeScript（前端） + Rust（核心 Agent）｜ GitHub Star 数：18714｜开源协议：NOASSERTION｜GitHub 项目地址

如果你厌倦了在知识海洋中徒手划船，LLM Wiki 就是为你打造的那艘自带雷达、自动驾驶、还能不断升级引擎的智能科考船——它不替代你的思考，而是让你的思考，拥有前所未有的纵深与精度。