
llm_wiki
把一堆文档自动变成会自己长大的维基知识库
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-09-16 · 当前星标 ★ 21335
使用教程
环境要求
- protobuf 编译器:macOS 用 brew install protobuf,Linux 用 sudo apt install protobuf-com
- 已安装 Node.js 与 npm(安装命令为 npm install)
- 已安装 Git(需要 git clone 仓库)
- Tauri 桌面应用所需的本地构建环境(README 未注明具体版本,请参考 Tauri 官方前置条件)
安装与启动步骤
-
1安装 protobuf
Tauri 构建需要 protobuf 编译器。macOS 用 brew install protobuf;Linux 用 sudo apt install protobuf-compiler;Windows 用 choco install
brew install protobuf -
2克隆仓库
把 llm_wiki 源码下载到本地并进入项目根目录,后续命令都在该目录执行。
git clone https://github.com/nashsu/llm_wiki.git cd llm_wiki -
3安装依赖
安装前端与桌面端依赖,耗时取决于网络,建议配置 npm 镜像加速。
npm install -
4构建 MCP 服务
单独安装并构建 mcp-server,其 dist 目录会作为 Tauri 资源一起打包,不能跳过。
npm --prefix mcp-server ci && npm run mcp:build -
5开发模式启动
以开发模式运行桌面应用,用于本地调试和快速验证功能是否可用。
npm run tauri dev -
6生产打包
生成可分发的正式安装包,首次打包编译时间较长,请耐心等待。
npm run tauri build
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
LLM Provider API Key | 是 | 在 Settings 中配置模型服务商的密钥,否则无法生成 wiki 页面。 | sk-xxxxxxxx |
Chat 模型 | 是 | 用于对话问答的模型,可按项目分别配置。 | gpt-4o |
Ingest 模型 | 否 | 用于文档消化与页面生成的模型,可与 Chat 模型分开路由。 | gpt-4o |
Web Search Provider | 否 | 可选,在 Settings 中配置联网搜索服务商。 | your-provider-api-key |
源文件夹自动监听 | 否 | 可选,在 Settings 中开启后自动监听源文件夹变化。 | /your/path |
如何确认成功
应用窗口正常启动后新建项目并导入文档,Activity Panel 中出现 LLM 自动生成的 wiki 页面即表示成功。
常见问题
Q:构建时报 protobuf 相关错误怎么办?
A:说明 protobuf 编译器未安装或不在 PATH 中,按平台先执行对应安装命令(brew / apt / choco),再重新执行构建。
Q:为什么 mcp-server 要单独构建?
A:README 说明 mcp-server/dist 会作为 Tauri 资源一起打包,缺少该步骤会导致桌面端缺少内置服务。
Q:如何让回答只基于我导入的资料?
A:在检索时使用 Read Sources Only 模式,答案将完全来自原始导入材料,不依赖模型自身知识。
Q:资料越来越多后怎么维护?
A:定期运行 Lint 检查知识库健康状态,并在 Review 面板处理需要人工确认的条目。
Q:开发和生产命令有什么区别?
A:npm run tauri dev 用于本地开发调试,npm run tauri build 用于生成正式分发包,按需选用。
注意事项
- README 未给出 Node.js、Rust 的具体版本要求,若构建报错请参考 Tauri 官方前置条件补齐环境。
- 必须按顺序执行:先装依赖,再构建 mcp-server,最后才运行或打包 Tauri。
- 首次导入文档后 wiki 页面由 LLM 自动生成,需要等待一段时间并消耗模型额度。
- 首次使用需先在 Settings 中配置 LLM 服务商的 API Key 和模型,README 未提供默认密钥或默认模型。
核心亮点
- 用增量维护的持久化维基替代每次从零检索的 RAG,知识可积累、可复用
- 自动在文档条目间建立双向链接,形成可浏览的知识网络而非孤立片段
- 跨平台桌面应用,本地文档直接导入,适合处理私有资料
不足之处
- 依赖大模型生成质量,条目准确性和一致性需人工复核
- 作为桌面应用,多设备同步与团队协作能力有限
适用场景
- 个人研究者把论文和笔记整理成互链的长期知识库
- 团队将产品手册、规范文档沉淀为可检索的内部维基
- 写作者把素材库自动归纳成结构化选题与背景资料
替代项目
AnythingLLM、Khoj、Obsidian
同类项目推荐
alpha_agentic_search
开源
给 RAG 加上分层记忆,多轮问答不再失忆
Alpha Agentic Search — 分层记忆 RAG 检索问答系统
ChatIndex
开源
给聊天机器人装上长期记忆,快速找回历史对话
ChatIndex: Tree indexing and retrieval for long conversational memory
DataChad
开源
上传数据,直接聊天提问,秒得答案
Ask questions about any data source by leveraging langchains
LLM-KG4QA
开源
让大模型基于知识图谱回答,减少幻觉,答案可溯源。
[EMNLP2025] LLM-KG4QA: Large Language Models and Knowledge Graphs for Question Answe···
pi-llm-wiki
开源
把散乱资料自动织成互链维基,越用越聪明
Self-maintaining, Obsidian-compatible knowledge base for pi — turn raw sources into···
awesome-ai-for-economists
开源
经济学研究者的 AI 工具地图,一页找齐实证与教学资源
A curated list of AI tools, agent skills, libraries, and resources for economics res···
astrbot_plugin_mnemosyne
开源
给聊天机器人装上长期记忆,聊过的事不再忘
一个AstrBot插件,实现基于RAG技术的长期记忆功能。
LightRAG
开源
轻量级 RAG 框架,用知识图谱让问答更准更快
[EMNLP2025] LightRAG: Simple and Fast Retrieval-Augmented Generation
Awesome-FL
开源
一页看全联邦学习论文、框架与数据集
Comprehensive and timely academic information on federated learning (papers, framewo···