让 LLM 帮你”记账”：LLM Wiki 桌面应用上手指南
Andrej Karpathy 去年写过一篇 gist，叫 LLM Wiki。核心思路很简单，让 LLM 持续构建并维护一个结构化的 Markdown Wiki，你只负责找资料和提问。
理念是好理念，但落地有个问题。原版是个抽象的方法论文档，你得自己配 Claude Code，自己建目录结构，自己维护一切。
最近我看到一个项目，叫 llm_wiki，是 nashsu 把 Karpathy 的理念做成了一个完整的桌面应用。
跨平台的，macOS、Windows、Linux 都能用。Tauri 写的。
我试用了一下，有点意思。
它跟传统 RAG 有什么不一样
先聊聊传统做法。
你用个 RAG 系统，把文档丢进向量数据库，每次查询的时候检索相关片段。这方式有个问题，每次查询都是从头开始，知识没有积累。
LLM Wiki 不一样。
它让 LLM 持续构建并维护一个结构化的 Markdown Wiki。每次导入新资料，LLM 会创建摘要页、更新实体页和概念页、建立双向链接、更新索引。
知识是复利的。
导入第一篇文章，可能创建 5-8 个文件。导入第十篇的时候，LLM 会更新已有页面，标注跨资料关联，指出不同资料的矛盾观点。
这就像滚雪球。越往后，知识库的价值越大。
Karpathy 原版打了个比方，挺形象的。
Obsidian 是 IDE，LLM 是程序员，Wiki 是代码库。
nashsu 这个版本，把这套方法论做成了开箱即用的桌面应用。
目录结构
LLM Wiki 的目录结构很清晰。
项目根目录/
raw/ # 原始资料（LLM 只读）
assets/ # 图片、附件
文章标题.md # 剪藏的文章
wiki/ # LLM 维护的知识库
index.md # 内容索引目录
log.md # 操作日志
purpose.md # 知识库的目标和方向（这个版本新增）
schema.md # 规则和配置
source-xxx.md # 资料摘要页
实体名.md # 实体页（工具、产品、人物）
概念名.md # 概念页（方法论、模式）
overview.md # 全局摘要（每次导入自动更新）
这个版本加了个 purpose.md，挺聪明的设计。
原版只有 schema（知识库怎么运作），没有地方放 why（知识库为什么存在）。purpose.md 就是放目标、关键问题、研究范围、evolving thesis 的地方。
LLM 每次导入和查询都会读这个文件，保持方向感。
页面类型有讲究。
资料摘要页叫 source-{关键词}.md，比如 source-claude-code-n8n-workflow.md。
实体页直接用名字，比如 claude-code.md、n8n.md。
概念页也是直接用名字，比如 two-layer-automation.md。
每个页面都有 frontmatter，记录标签、来源、作者、日期这些信息。
核心功能
1. 两步链式思考导入
原版是一次性导入，LLM 边读边写。这个版本分成了两步，质量明显更高。
第一步（分析）：LLM 读资料 → 结构化分析 - 关键实体、概念、论点 - 与已有知识库的连接 - 与已有知识的矛盾和张力 - 对知识库结构的建议 第二步（生成）：LLM 拿分析结果 → 生成 Wiki 页面 - 带 frontmatter 的摘要页 - 实体页、概念页带交叉引用 - 更新 index.md、log.md、overview.md - 需要人工审查的项目 - Deep Research 搜索查询
还有一些增强。
SHA256 增量缓存，文件内容哈希后，不变的自动跳过，省 token 省时间。
持久化导入队列，串行处理，崩溃能恢复，失败自动重试最多 3 次。
文件夹导入，递归导入保持目录结构，文件夹路径作为 LLM 分类上下文（比如 “papers > energy” 帮助分类）。
源追溯，每个生成的 Wiki 页面都有 sources: [] 字段，链接回贡献的原始文件。
2. 知识图谱 + 相关性模型
原版只提到了 [[wikilinks]] 交叉引用，没有图谱分析。这个版本做了完整的知识图谱可视化和相关性引擎。
四信号相关性模型：
| 信号 | 权重 | 描述 |
|---|---|---|
| 直接链接 | ×3.0 | 通过 [[wikilinks]] 链接的页面 |
| 源重叠 | ×4.0 | 共享同一原始来源的页面（通过 frontmatter sources[]） |
| Adamic-Adar | ×1.5 | 共享共同邻居的页面（按邻居度数加权） |
| 类型亲和 | ×1.0 | 同类型页面加分（实体↔实体，概念↔概念） |
图谱可视化用 sigma.js + graphology + ForceAtlas2。
节点颜色按页面类型或社区，大小按链接数缩放。边厚度和颜色按相关性权重（绿色=强，灰色=弱）。悬停交互，邻居保持可见，非邻居变暗，边高亮显示相关性分数。
3. Louvain 社区检测
这个原版没有。用 Louvain 算法 自动发现知识聚类。
自动聚类，根据链接拓扑发现哪些页面自然分组，不依赖预定义的页面类型。
类型/社区切换，可以在按页面类型着色和按发现的知识聚类着色之间切换。
凝聚力评分，每个社区按内部边密度评分（实际边数/可能边数），低凝聚力聚类（< 0.15）标记警告。
4. Graph Insights — 意外连接和知识缺口
系统自动分析图谱结构，展示可操作的洞察。
意外连接：
- 检测意外关系，跨社区边、跨类型链接、外围↔枢纽耦合
- 综合意外分数排名最值得注意的连接
- 可标记为已审查，不再出现
知识缺口：
- 孤立页面（度数≤1）— 与知识库其他部分连接很少或没有的页面
- 稀疏社区（凝聚力< 0.15，≥3 页面）— 内部交叉引用弱的知识领域
- 桥接节点（连接 3+ 聚类）— 连接多个知识领域的关键枢纽页面
交互式：
- 点击任何洞察卡片，在图谱中高亮对应节点和边
- 知识缺口和桥接节点有 Deep Research 按钮 — 触发 LLM 优化的研究
5. Deep Research
当 LLM 发现知识缺口时。
用 Tavily API 做 web 搜索，找到相关来源并提取完整内容。
每个主题多个搜索查询，LLM 在导入时生成，针对搜索引擎优化。
LLM 优化的研究主题，从 Graph Insights 触发时，LLM 读 overview.md + purpose.md 生成领域特定主题和查询。
用户确认对话框，研究主题和搜索查询在开始前显示供审查。
LLM 综合发现到 Wiki 研究页面，带与现有 Wiki 的交叉引用。
自动导入，研究结果自动处理提取实体/概念到 Wiki。
6. Chrome Web Clipper
原版提到用 Obsidian Web Clipper。这个版本做了专用的 Chrome 扩展（Manifest V3）。
Mozilla Readability.js 准确提取文章（去掉广告、导航、侧边栏）。
Turndown.js HTML → Markdown 转换，支持表格。
项目选择器，选择剪藏到哪个 Wiki（支持多项目）。
本地 HTTP API（端口 19827），扩展↔应用通信。
自动导入，剪藏内容自动触发两步导入流程。
7. 多格式文档支持
原版专注文本/Markdown。这个版本支持结构化提取，保持文档语义。
| 格式 | 方法 |
|---|---|
| pdf-extract (Rust) 带文件缓存 | |
| DOCX | docx-rs — 标题、粗体/斜体、列表、表格 → 结构化 Markdown |
| PPTX | ZIP + XML — 逐页提取带标题/列表结构 |
| XLSX/XLS/ODS | calamine — 正确单元格类型、多工作表支持、Markdown 表格 |
| 图片 | 原生预览（png, jpg, gif, webp, svg 等） |
| 视频/音频 | 内置播放器 |
| 网页剪藏 | Readability.js + Turndown.js → 干净 Markdown |
8. 向量搜索（可选）
这个版本支持可选的向量语义搜索。
通过任何 OpenAI 兼容的 /v1/embeddings 端点嵌入。
LanceDB（Rust 后端）存储，快速 ANN 检索。
余弦相似度找到语义相关页面，即使没有关键词重叠。
结果合并到搜索，提升现有匹配 + 添加新发现。
基准测试，启用向量搜索后整体召回率从 58.2% 提升到 71.4%。
安装
这个版本是桌面应用，不是 Claude Code skill。
系统要求：
- macOS（ARM + Intel）、Windows、Linux
- Tauri v2 构建的本地桌面应用
安装方式：
GitHub Releases 下载对应平台的安装包。
- macOS：.dmg（ARM 和 Intel）
- Windows：.msi
- Linux：.deb / .AppImage
或者从源码构建。
git clone https://github.com/nashsu/llm_wiki.git cd llm_wiki # 安装 Tauri 依赖，然后构建
初始化：
启动应用，选择或创建项目目录。
应用会自动创建目录结构，包括 raw/、wiki/、.llm-wiki/ 等。
场景模板可选，Research、Reading、Personal Growth、Business、General，每个预配置了 purpose.md 和 schema.md。
配置 LLM：
设置里配置 LLM 提供商、API key、模型、上下文窗口大小（4K 到 1M tokens）、语言。
支持多提供商 LLM。
界面布局
三栏布局。
左侧：知识树 / 文件树，图标侧边栏切换 Wiki、Sources、Search、Graph、Lint、Review、Deep Research、Settings。
中间：聊天窗口，多对话支持，可创建、重命名、删除对话。
右侧：预览面板，可拖拽调整左右面板大小。
活动面板：实时处理状态，显示逐个文件导入进度。
思考/推理显示：对于输出 <think> 块的 LLM（DeepSeek、QwQ 等），滚动 5 行显示，生成时透明度渐变，完成后默认折叠，点击展开。
KaTeX 数学渲染：全文档支持 LaTeX 数学公式，行内 $...$ 和块级 $$...$$。
引用参考面板：每个回复可折叠部分显示使用了哪些 Wiki 页面，按类型分组带图标。
其他特性
多对话支持 — 创建、重命名、删除对话，每个对话独立持久化到 .llm-wiki/chats/{id}.json。
可配置上下文窗口 — 滑块从 4K 到 1M tokens，60/20/5/15 分配给 Wiki 页面/聊天历史/index/系统提示。
审查系统 — LLM 在导入时标记需要人工判断的项目，预定义操作类型（创建页面、Deep Research、跳过），LLM 预生成优化的 web 搜索查询。
智能级联删除 — 删除源文件时移除 Wiki 摘要页，相关 Wiki 页面只移除被删除的源，不删除整个页面，index.md 清理，死链 [[wikilinks]] 清理。
国际化 — 英文 + 中文界面。
Obsidian 兼容 — Wiki 目录可直接作为 Obsidian vault 使用，自动生成 .obsidian/ 目录带推荐设置。
跨平台路径处理 — 统一 normalizePath()，反斜杠→正斜杠，Unicode 安全字符串处理。
核心理念
这个项目的 README 里有段话，我觉得说到了点子上。
维护知识库的繁重工作不是阅读和思考，而是记账——更新交叉引用、保持摘要最新、标注矛盾、维护一致性。人类因维护负担增长快于价值而放弃 Wiki。LLM 不会厌倦，不会忘记更新引用，一次操作可以触及 15 个文件。维护成本趋近于零，Wiki 就能持续运转。
人类的工作，是策划资料来源、引导分析方向、提出好问题、思考意义。
LLM 的工作，是总结、交叉引用、归档、记账——其余一切。
这分工挺合理的。
我们以前做不成个人 Wiki，不是不懂方法，不是没有工具，是维护成本太高了。你记十篇笔记还行，记一百篇的时候，光维护链接和更新摘要就能把你累死。
LLM 不觉得累。它一次操作可以触及 15 个文件，更新所有交叉引用，标注所有矛盾，保持所有摘要最新。
维护成本趋近于零，这件事就能持续运转了。
Karpathy 的原版是抽象的方法论，nashsu 这个版本把它做成了开箱即用的工具。
怎么开始
项目地址在这里。
GitHub：https://github.com/nashsu/llm_wiki
注意是下划线，不是横杠。
下载安装包，安装，启动。
配置 LLM 提供商和 API key，选择或创建项目目录，就可以开始了。
导入第一份资料，开始提问，查看知识图谱。
就这么简单。