Appearance
LLM Wiki - AI 驱动的持久化知识库模式
是什么
LLM Wiki 是由 Andrej Karpathy 提出的一种用 LLM 构建和维护持久化、累积增长的个人知识库模式，替代传统 RAG 的"每次查询从头检索"方式。
- 原始 Gist： gist.github.com/karpathy（Andrej Karpathy 2026年4月发布）
- 代表实现：
- nashsu/llm_wiki — 跨平台桌面应用
- ekadetov/llm-wiki — Claude Code 插件
- thomas-hochbichler/llm-wiki-starter — 快速启动模板
- atomicmemory/llm-wiki-compiler — 知识编译器
- 定位： 基于 LLM 的个人知识管理系统 (PKM)
不是什么
- 不是传统 RAG 系统（RAG 每次从源头检索，LLM Wiki 编译持久化知识）
- 不是 AI 搜索引擎（不解决"搜索网上内容"，而是管理已有资料）
- 不是 Notion 类知识管理工具（内容由 LLM 自主编写和维护，非手写）
解决啥
| 痛点 | 方案 |
|---|---|
| RAG 每次查询从头检索，效率低 | LLM 将知识编译成持久化 wiki，查询时直接读取 |
| 知识分散在不同文档中，难合成回答 | wiki 自动交叉引用，概念互联 |
| 个人知识库维护耗时 | LLM 自动编写和组织所有内容 |
| 笔记积累缺乏结构和关联 | 自动生成目录、概念页面、索引 |
| 跨会话上下文丢失 | wiki 文件持久化，每次会话都可读取 |
好在哪
| 能力 | 说明 |
|---|---|
| 持久化知识 | 不是临时检索，而是将知识编译为持久化的 markdown wiki |
| 累积增长 | 每添加一个源，wiki 就更丰富 |
| 自动编写 | LLM 负责全部内容的生成和维护，人类只贡献源材料 |
| 交叉引用 | 自动建立概念间的链接关系 |
| 跨会话可用 | 基于文件系统，AI Agent 可在不同会话间共享 |
| 工具无关 | 核心是模式而非工具，可用于 Claude Code、OpenClaw 等 |
- Karpathy 亲自使用： 他本人用此模式维护了超 100 篇文章、40 万字的个人研究 wiki
- 对比 RAG 的核心差异： RAG 是"每次都从头拼"，LLM Wiki 是"编译一次，持久使用"
- Obsidian 友好： wiki 输出为 markdown，可直接在 Obsidian 中浏览和查询
怎么跑
模式核心流程
原始资料 → 分类/摘要 → LLM 编译 → wiki 页面 → Obsidian 浏览
↑ ↓
加入新源 ←←←←←←←←←←←← 查询/反馈 ←←←←←←←←←←←
快速上手（以 nashsu/llm_wiki 为例）
Step 1：安装
从 GitHub Releases 下载对应平台的安装包。
Step 2：导入资料
- 添加本地文件（PDF、Markdown、TXT 等）
- 或粘贴网页内容
Step 3：自动编译 LLM Wiki 自动读取源文件，生成结构化的 wiki 页面。
Step 4：浏览和查询
- 在 Obsidian 中打开生成的 wiki 目录
- 通过内置搜索和链接浏览知识体系
用 Claude Code（以 ekadetov/llm-wiki 为例）
bash
# 1. 安装插件
# 添加 llm-wiki 到 Claude Code 的插件目录
# 2. 初始化一个 wiki
/llm-wiki:wiki init my-topic
# 3. 导入原始资料
/llm-wiki:wiki ingest ~/raw/article.md
# 4. 编译知识
/llm-wiki:wiki compile my-topic/raw/articles/2026-04-05-article.md
# 5. 查询 wiki
/llm-wiki:wiki query "X 和 Y 之间的关系是什么？"
怎么用
- 个人知识积累： 把读过的文章、做过的研究编译成持久化知识库
- AI Agent 记忆： 让编码代理在跨会话间保持项目上下文
- 团队文档建设： 多人向同一仓库添加源文件，LLM 自动维护 wiki
- 学习笔记： 导入课程资料，生成体系化的知识点 wiki
- RAG 替代方案： 对于需要深度理解的场景，比传统 RAG 更可靠
延伸： 结合 Obsidian、OpenClaw 等工具，可以构建一个 AI 自主维护的"第二大脑"。
by 文殊