LLM Wiki：AI 代理的第二大脑
把论文、文章、转录和笔记编译成一个可持续维护的 Markdown 知识库，让 AI 代理能检索、引用并不断更新，替代每次从零重推的 RAG。
证据显示良好安全设计：raw/ 层不可变、语义检索完全本地（无 API 密钥、无远程文本传输）、graph 类型边要求显式证据引用、写 agent 记忆文件必须经用户批准、lint 结果仅作为建议。扣分点：仅 SKILL.md 与 references 可审，bundled scripts（init_wiki.py、setup_wiki.py、wiki_search.py 等）实际代码不在证据中，其安装固定依赖与模型下载行为无法静态核实；初始化为强制安装流程，无明确回滚/卸载路径说明。
文档自洽且详细：工作流分层明确、有 --no-embed 依赖无关回退、setup 有 readiness JSON 校验、失败模式章节诚实（静默腐化、维护棘轮等）。扣分点：静态审阅上限 10 分；关键脚本不可见，setup/搜索的实际错误反馈质量、边界输入处理均无法验证。
触发条件、输入输出、非适用边界（强关系型数据建议改用数据库）描述清晰，支持多 agent 记忆文件约定。扣分点：核心语义检索依赖 uv 与从 HuggingFace 下载 BAAI/bge-small-en-v1.5 模型，对中国大陆用户可达性存疑（README 声称零远程传输，但模型下载本身走海外源），未提供镜像方案；触发面偏宽，存在误触发可能。
分层文档架构优秀（SKILL.md → references → scripts/templates），README 含 v3.0.0 变更日志、MIT 许可、明确的维护与升级路径（/wiki:upgrade）。扣分点：Karpathy 2026 年 4 月 gist 出处仅自我声明、链接内容不可静态核实；README 证据被截断，许可与版本治理全文未完整呈现；发布者为未验证身份。
宣称的核心价值（摄入-查询- lint 闭环、可扩展设计）逻辑完整、相对手工维护有明确边际价值。扣分点：静态上限 7 分；无任何可执行的代表性输出证据，实际检索质量、摘要质量与维护成本（社区已指出维护棘轮问题）均未经验证。
有可审计的一手材料（详尽设计文档、可独立核对的文件布局与命令），声明与推断基本分离。扣分点：无 CI+测试套件覆盖关键路径的执行证据，Karpathy gist 与 'community discussion' 来源无法独立核实，静态上限 5 分。
- 嵌入模型 BAAI/bge-small-en-v1.5 从 HuggingFace 下载，中国大陆网络可能无法直接访问；如需可用请预先配置镜像（如 HF_ENDPOINT）或使用 --no-embed 纯 BM25 模式。
- 初始化强制安装 uv、FastEmbed、sqlite-vec、PyYAML 并下载模型；部署前请自行审阅 scripts/setup_wiki.py 与 init_wiki.py 源码（本次静态审阅未包含脚本代码）。
- 技能宣称源自 Karpathy 2026 年 4 月 gist，该出处与社区讨论未经独立核实；长期维护成本（'维护棘轮'）已被文档自身承认，请以小规模试点评估。
- 首次语义运行会构建全量向量索引，大型知识库的初始化耗时与磁盘占用请提前评估；派生的 .wiki-cache 可安全删除以便回退。
这个 Skill 能做什么，适合哪些场景？
LLM Wiki 实现了 Andrej Karpathy 2026 年 4 月 gist 中提出的模式：当新资料到来时，由 LLM 一次性将其编译为持久的结构化维基（实体页、概念页、交叉引用），后续查询直接读取预综合的维基而非原始文档，使知识随时间复利累积。仓库以 Claude Code 插件和符合 agentskills.io 标准的 Skill 形式发布，同时支持 Codex、Cursor、Gemini CLI、OpenCode、OpenClaw、Pi 等多种代理。v3.0 默认使用本地语义检索（FastEmbed + sqlite-vec + BM25 经 RRF 融合），不需要任何 API 密钥或远程向量服务。所有规范内容保持为可读的 Markdown，可配 Obsidian 编辑，另有可选的图谱层提供关系查询。
执行三类核心操作：ingest（把 PDF、文章、转录等源文件写入 raw/，分块读取后生成来源摘要页，用 str_replace 外科手术式更新相关实体与概念页，更新索引和日志）；query（先读索引定位候选页，综合答案并带 [[wikilink]] 引用，可将答案回填为综合页）；lint（检查孤儿页、断链、超长页、缺失 frontmatter 和过时声明）。附带八个脚本：init_wiki.py 引导建库、setup_wiki.py 安装固定版本依赖并本地嵌入全文、wiki_search.py 提供本地混合检索、wiki_lint.py 结构体检、wiki_stats.py 规模统计，以及图谱的 extract/lint/query 工具。可选图谱层将 frontmatter 中的类型化元数据编译为 nodes.l、edges.l、graph.sqlite 和 graph.graphml，支持邻居、路径和事实查询。
- 研究人员长期积累论文，希望每篇被摄入后自动与既有实体页建立链接，之后用自然语言提问并获得带引用的回答
- 顾问或销售团队将客户会议记录、转录持续归档，随时追问'我的维基里关于某客户的结论是什么'
- 个人知识管理者用 Obsidian 习惯 [[wikilink]] 笔记，想要一个代理自动完成链接、摘要和一致性维护的第二大脑
- 在 Claude Code 之外还使用 Codex、Cursor 或 Gemini CLI 的开发者，希望多个代理读写同一个与运行时无关的 Markdown 知识库
- 项目团队需要随仓库版本化的隔离知识库，把决策和调研结果沉淀在项目内而非聊天记录里
- 拥有上千页规模笔记的用户，需要分片索引、原子页面和本地混合检索来避免维基本身成为上下文瓶颈
这个 Skill 有哪些优点和局限？
- 知识复利：预综合的维基页使查询不必每次从原始文档重新推导，答案可回填进一步沉淀
- 完全本地：FastEmbed、sqlite-vec 和 BM25 均在本机运行，无 API 密钥、无远程文本传输、无按查询计费
- 代理无关：维基只是 Markdown 目录，可用一个代理摄入、另一个代理查询，Obsidian 可直接编辑
- 可追溯：每条声明都有 sources: frontmatter 指回原始文件，lint 会找出无法定位来源的声明
- 扩展性设计成熟：原子页面、分片索引、索引优先导航、增量嵌入，明确应对维基变成上下文瓶颈的失败模式
- 初始化和升级是强制性运行时安装：需下载本地嵌入模型并同步全量向量，首次设置较重（--no-embed 只是查询时的无依赖词法退路，不能跳过设置）
- 斜杠命令仅限 Claude Code，其他代理只能靠自然语言触发
- 存在模式固有的风险：静默损坏、维基自我引用漂移、维护棘轮（维基越大越需要人工监督），源文档自己也承认这点
- 不适合本质上强关系型的数据（组织架构、账本、十万级记录），文档明确建议这类场景改用真正的数据库
- README 未提及自动化测试套件；列出的多代理支持中部分平台未附独立验证证据
如何安装这个 Skill？
唯一前置依赖是 uv（按官方说明安装）。Claude Code 完整插件：在 Claude Code 中执行 /plugin marketplace add praneybehl/llm-wiki-plugin，然后 /plugin install llm-wiki@llm-wiki。其他代理仅装 Skill：npx skills add praneybehl/llm-wiki-plugin -a <agent>（可选 -g 全局安装），agent 取值如 codex、cursor、gemini-cli、opencode、openclaw、pi。不在 npx skills 注册表中的兼容运行时（Hermes、OMP 等）可克隆仓库后将 skills/llm-wiki/ 软链或复制到对应技能目录。首次使用时运行 /wiki:init（项目级）或 /wiki:init --global（个人全局维基 ~/wiki/），初始化会安装固定依赖、缓存本地嵌入模型并同步向量，报告 "status": "ready" 才算完成。
如何使用这个 Skill？
把源文件放入配置的 raw 目录（如 ~/wiki/raw/），然后：/wiki:ingest ~/wiki/raw/your-source.pdf 摄入来源；/wiki:query What does my wiki say about X? 提问并得到带引用的回答；/wiki:lint 定期体检；/wiki:stats 查看规模与分片阈值；/wiki:graph neighbors|edges|path|facts 做关系查询；/wiki:upgrade 升级旧版维基。七个斜杠命令仅 Claude Code 可用；其他代理用自然语言触发即可（如'把这篇论文加进我的维基'、'lint 一下 wiki'），SKILL.md 会自行响应。也可不用命令，直接在 Obsidian 等编辑器中查看和编辑生成的 Markdown。
这个 Skill 与同类方案有什么区别？
这是 Karpathy LLM Wiki 模式的一种实现，README 点名的同类实现包括 vanillaflava/llm-wiki-claude-skills、skyllwt/OmegaWiki 和 axoviq-ai/synthadoc。与传统 RAG 的核心区别：RAG 每次查询从原始切块重新推导、知识不累积，本模式则一次性编译为持久维基。v3 本地检索方案对标 Basic Memory（同样采用 FastEmbed、SQLite 向量检索和增量索引），但保留了本项目的 Markdown 模式、类型化图谱、RRF 排序和代理原生工作流，而不引入对方的应用与 MCP 服务。检索架构还参考了 Cerebras 的知识库工程文章。