llm-wiki

多智能体自动调研，把资料编译成 Agent 可查的 wiki

llm-wiki 是一个面向 AI Agent 的知识库编译工具，核心思路是把「知识库构建」从人工整理变成多智能体自动研究。它接收多种来源资料（文档、网页、论文等）后，启动并行的多智能体研究流程，围绕预设论点或主题做深入调查，再对来源内容做抽取、归纳与结构化，最终编译成可查询的 wiki 知识库，并支持基于该知识库生成报告、摘要等产物。项目以 Python 实现，可作为插件接入 Claude Code、Codex 等编码代理工作流，让 Agent 在回答问题时不再只依赖上下文窗口或临时检索，而是拥有一个持续沉淀、可复用、可追溯的知识底座。适合需要长期维护领域知识、做深度调研或构建垂直知识助手的团队，把零散资料转化为可查询、可迭代的 Agent 资产。

开源 unknown 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1304

维护状态活跃

是否开源是

定价模式 unknown

项目数据

分类搜索知识

开发团队nvk

所属国家

官网地址https://llm-wiki.net

GitHubhttps://github.com/nvk/llm-wiki

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型agentic-ai,agentic-skills,agentic-workflow,claude-code,codex,llm,plugin,wiki

GitHub 星标★ 1304

30天Star增速

HF 下载量

上线时间2026-04-04 00:00:00

最近更新2026-09-18 00:00:00

维护状态活跃

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：入门约 5 分钟部署方式：命令行工具 6 步

环境要求

已安装 Claude Code（原生插件方式）
或已安装 OpenAI Codex（marketplace 插件方式）
能访问 GitHub 以获取插件仓库
如需重建运行时镜像，需要可执行 bash 脚本的环境

安装与启动步骤

1选择运行时

llm-wiki 以插件形式接入编码代理，Claude Code 是主要分发目标，Codex 为打包镜像，二者选其一安装即可。
2安装 Claude 插件

Claude Code 用户执行该命令从 llm-wiki 市场安装 wiki 插件，安装后即可使用 /wiki 系列命令。
```
claude plugin install wiki@llm-wiki
```
3安装 Codex 插件

Codex 用户先添加 GitHub 市场源，再安装 wiki 插件，两步都需执行且顺序不能颠倒。
```
codex plugin marketplace add nvk/llm-wiki
codex plugin add wiki@llm-wiki
```
4创建首个知识库

用 --new-topic 新建主题 wiki 并同步启动研究，主题名换成你自己的领域关键词即可。
```
/wiki:research "nutrition" --new-topic
```
5查询已有知识库

知识库编译完成后可直接提问，--deep 用于需要跨条目交叉引用的深入回答。
```
/wiki:query "How does fiber affect mood?"
```
6重建运行时镜像

仅在修改 Claude 源后需要，脚本会把 SKILL.md 与 references 同步到 Codex、OpenCode 与轻量查询 profile。
```
./scripts/sync-codex-plugin.sh
./scripts/sync-opencode-plugin.sh
./scripts/sync-query-lite-profile.sh
```

关键配置

配置项	必填	说明	示例
`--new-topic`	否	新建主题 wiki 并直接开始研究	`--new-topic`
`--wiki`	否	指定要写入或查询的已有 wiki 名称	`--wiki nutrition`
`--deep`	否	启用深度研究，启动更多并行智能体	`--deep`
`--min-time`	否	限定研究持续时长，到点后停止继续挖掘	`--min-time 2h`
`--retardmax`	否	最大化速度与智能体数量，尽量抓取全部来源	`--retardmax`
`--specialist`	否	调用已启用的专项评审方法处理本次研究	`--specialist research-methodologist`

如何确认成功

安装后在会话中执行 /wiki:query --resume，能返回当前 wiki 的研究进度即表示插件已生效。

常见问题

Q：应该装 Claude Code 版还是 Codex 版？

A：Claude Code 是主要分发目标与 UX 界面，功能最完整；Codex、OpenCode 等是生成出来的打包镜像，按你日常使用的代理选一个即可。

Q：普通 LLM Agent 能接入吗？

A：可以，复制仓库根目录的 AGENTS.md（约 51.2 KB）作为单文件协议，或用 profiles/query-lite/SKILL.md 做只读查询。

Q：plugins/ 下的目录能直接改吗？

A：不能，这些运行时应答目录都由同步脚本生成而非手工维护，改动需回到 Claude 源再执行 sync 脚本重建。

Q：什么时候用 query，什么时候用完整 profile？

A：查清单、找证据、看库存用 query 模式；研究、摄取、编译、lint 修复等任何写操作都要用完整 profile。

Q：如何升级？

A：README 只列出了 Upgrade 章节入口，未给出具体升级命令，请到仓库 README 的 Upgrade 段落按所选运行时的插件管理方式更新。

注意事项

同步脚本会重写 plugins/llm-wiki 等生成目录，手工修改会在下次同步时丢失。
Codex 侧 references 现在是真实拷贝而非软链接，以便 marketplace 缓存正常工作。
生成目录与 HEAD 不一致时，tests/test-codex-sync.sh 与 test-opencode-sync.sh 会报错并给出修复提示。
生成的 wiki 与 Obsidian 兼容，可直接用 Obsidian 打开查看。

核心亮点

并行多智能体研究，比单线程爬取归纳更快覆盖多个来源
以论点驱动调查，输出围绕主题组织而非简单文档堆叠
编译结果可查询并生成产物，知识能沉淀复用而非一次性问答

不足之处

依赖 LLM 调用，大规模来源编译的成本与耗时较高
知识库质量受来源与模型能力影响，缺少明确的质量评估机制

适用场景

为垂直领域构建可长期查询的 Agent 知识库
做深度调研时并行汇总多来源并生成结构化报告
接入编码代理，让其在项目中检索沉淀的领域知识

替代项目

llama_index、Haystack、Danswer

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-compiled knowledge bases for any AI agent. Parallel multi-agent research, thesis-driven investigation, source ingestion, wiki compilation, querying, and artifact generation.。项目使用 Python 开发，在 GitHub 上获得 1294 星标。

上一篇：llms-txt

下一篇：llm-architecture-gallery