llm_wiki

把一堆文档自动变成会自己长大的维基知识库

LLM Wiki 是一款跨平台桌面应用，把散落的本地文档自动整理成相互链接、持续演进的知识库。它不走传统 RAG 的老路——每次提问都从零检索拼凑答案，而是让大模型像人类写维基一样，增量地把你的资料消化、归纳、串联成一篇篇可长期维护的条目。核心能力包括：自动抽取文档要点并生成结构化页面、在条目之间建立双向链接形成知识网络、随新资料加入而持续更新已有内容，而不是推倒重来。它解决的是个人或小团队资料越攒越多、却难以形成体系、每次问答都重复劳动的问题。项目用 TypeScript 编写，提供桌面端体验，适合把论文、笔记、手册等私有资料沉淀为可浏览、可追溯的长期知识资产。

开源 free 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 19721

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类搜索知识

开发团队nashsu

所属国家

官网地址

GitHubhttps://github.com/nashsu/llm_wiki

定价模式free

价格说明开源免费，需自行部署

访问状态

是否开源是

开源协议NOASSERTION

主要语言TypeScript

技术栈/模型

GitHub 星标★ 19721

30天Star增速

HF 下载量

上线时间2026-04-08 00:00:00

最近更新2026-09-18 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-16

浏览次数0

使用教程

难度：进阶约 30 分钟部署方式：本地安装 6 步

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

项目介绍

llm_wiki 是一个搜索知识领域的开源项目，官方简介：LLM 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。。项目使用 TypeScript 开发，在 GitHub 上获得 19566 星标。

上一篇：free-ai-bible

下一篇：Awesome-LLM4Cybersecurity