企业官网建设流程全解析

LLM Wiki 使用指南：把散落的文档变成自维护的个人知识库

【免费下载链接】llm_wikiLLM Wiki is a cross-platform desktop application that turns your documents into an organized, interlinked knowledge base — automatically. Instead of traditional RAG (retrieve-and-answer from scratch every time), the LLM incrementally builds and maintains a persistent wiki from your sources。项目地址: https://gitcode.com/GitHub_Trending/ll/llm_wiki

文档越攒越多，想找却翻不到？LLM Wiki 把 PDF、网页和笔记自动整理成结构化的个人知识库，问答按编号引用具体页面，还能把页面间的关系画成知识图谱。读完这篇，你会拥有一个自己维护、随时可查的持久知识库。

适用场景与快速自检

这一节只帮你判断：这篇文章值不值得读下去。

适合你，如果你手上有十几份以上待整理的资料（PDF、Office 文档、网页、电子书），想要一个能提问、能画出关系的知识库，又不想自己搭数据库。最低前置条件是：一台 macOS、Windows 或 Linux 电脑，加一个 LLM 服务的 API Key；没有 Key 的话，装一个本地 Ollama 也能全程离线跑。

整套做法来自 Karpathy 的 LLM Wiki 模式，仓库内附原文 llm-wiki.md。如果你只想要一个文件管理器或纯问答工具，可以关掉本页了。

环境准备

这一节只解决一个问题：让 LLM Wiki 在你电脑上跑起来。

📦最短路径是预编译包：去项目Releases页按系统取包——macOS 用.dmg，Windows 用.msi，Linux 用.deb或.AppImage。

• 操作：双击安装并启动应用。
• 你会看到：要求你新建项目的欢迎页，说明安装成功。

想从源码构建时用下面的对比选路径：

源码构建执行：

git clone https://gitcode.com/GitHub_Trending/ll/llm_wiki cd llm_wiki && npm install npm --prefix mcp-server ci && npm run mcp:build npm run tauri dev

操作：打开设置 → LLM 提供商，在下拉里选一家服务，填入API Key和模型名。

• 你会看到：预设覆盖 OpenAI、Anthropic、Google、Ollama（本地模型）等，下拉即自动带出端点，预设定义见 src/components/settings/llm-presets.ts。
• 保存后在中间聊天面板发一句"你好"，能收到回复即模型接通。

首次运行：最快看到结果的路径

这一节用一个冒烟测试确认整条链路可用：导入一份小文档，看文件树里长出第一批 Wiki 页面。

操作：在欢迎页点新建项目，从研究、阅读、个人成长、商业、通用 5 个场景模板里选通用，模板定义在 src/lib/templates.ts。

• 你会看到：项目目录铺好——purpose.md（目标与关键问题）、schema.md（页面类型与命名规则）、raw/与wiki/目录，左侧文件树即刻可见。

操作：进入资料源（Sources）页，导入一份小文档（PDF、DOCX、Markdown 均可），然后打开活动面板（Activity Panel）。

• 你会看到：LLM 先分析文档里的实体与关联，再生成摘要页、实体页和概念页，队列逐条推进。

操作：等处理完成，在文件树点开任意新生成的页面。

• 你会看到：wiki/sources/、wiki/entities/、wiki/concepts/下出现新文件；页面 frontmatter 的sources字段指向贡献它的原始资料，随时可回溯。

核心用法

这一节用三个真实场景把知识库用起来，每个场景都带可验证的信号。

喂入第一份资料，验证页面生成

三种喂料方式，选顺手的即可：

两个省钱机制默认开着：SHA256 增量缓存会跳过没变化的文件，失败任务最多自动重试 3 次。验证方法：对同一份文件再导入一次，队列会直接跳过，不消耗 token。

在聊天面板提问，核对页面引用

操作：在中间聊天面板直接提问，比如"这几份资料里关于 XX 的结论有什么矛盾"。

• 你会看到：回答里带 [1]、[2] 这样的编号引用，展开底部的引用面板能看到每条引用对应的具体 Wiki 页面。

作答前系统会做多阶段检索：分词搜索、可选向量搜索，再沿图谱扩展拉出相关页面，然后按预算组装上下文作答。满意的答案点存回 Wiki，会写入wiki/queries/并自动提取实体进知识网络。

打开知识图谱，看社区与惊奇连接

操作：点击侧边栏的图谱标签。

• 你会看到：所有页面摊成一张关系网——节点按页面类型或自动发现的社区（Louvain 算法）着色，边越粗代表关联越强，悬停节点可看关联分数。

系统还会自动标出两类洞察："惊奇连接"（跨社区、跨类型的意外关联）和知识空白（孤页、低内聚社区）。点击任一洞察卡片，图谱里会高亮对应的节点与边；低内聚社区还可以一键触发深度研究去补料。

进阶与集成

这一节都是可选项，全部不做也不影响基础用法。

浏览器剪藏。打开chrome://extensions，勾选开发者模式，点加载已解压的扩展程序，选择仓库里的 extension/ 目录。

• 操作：在任意网页按Alt+Shift+L（macOS 为Command+Shift+L）。
• 你会看到：扩展用 Readability.js 去掉广告和导航，把正文转成 Markdown 并自动触发摄入，全程不用复制粘贴。

Obsidian 兼容。wiki/目录可直接作为 Obsidian 仓库打开，.obsidian/配置由应用自动生成，已有 Obsidian 用户可以把项目目录原样搬过去。

接入外部 Agent。在设置 → API + MCP里启用本地 HTTP API（127.0.0.1:19828，token 保护）和MCP 访问，界面会直接给出一份可复制的 MCP 客户端配置；把它粘进 Claude Code 等 MCP 客户端，Agent 就能检索知识库、读取页面、查看图谱。说明见 mcp-server/README.md。

每周维护。每周去Lint跑一次，它会检查矛盾、孤页和失效链接；审核（Review）队列里存着 LLM 标记的待人工判断项，有空处理掉即可。

常见坑与解法

这一节把实践中最常遇到的六类问题集中在这里，正文不再散落提示。

LLM Wiki 把"资料 → 页面 → 图谱"这条链路自动化了，剩下的只有喂料和提问。现在去资料源页丢进你最近读的一份报告，看它几分钟里长出哪些页面。

【免费下载链接】llm_wikiLLM Wiki is a cross-platform desktop application that turns your documents into an organized, interlinked knowledge base — automatically. Instead of traditional RAG (retrieve-and-answer from scratch every time), the LLM incrementally builds and maintains a persistent wiki from your sources。项目地址: https://gitcode.com/GitHub_Trending/ll/llm_wiki