LLM 维基代理

一种编码代理技能。 将源文档放入 raw/ 目录，并指示代理进行摄取——它会读取这些文档，提取知识，并构建一个持久且相互链接的维基。每新增一份来源，维基就会更加丰富。你无需亲自编写任何内容。

大多数知识工具需要你自己在笔记中搜索信息。而这款工具则会读取你收集的所有内容，并自动生成一个结构化的维基，随着时间推移不断积累——其中已内置交叉引用、自动标记矛盾之处，并完成综合整理。

ingest raw/papers/attention-is-all-you-need.md

wiki/
├── index.md          所有页面的目录——每次摄取时都会更新
├── log.md            每次操作的追加式记录
├── overview.md       跨所有来源的动态综合摘要
├── sources/          每个源文档对应一个概要页
├── entities/         人物、公司、项目——自动创建
├── concepts/         思想、框架、方法——自动创建
└── syntheses/        查询答案以维基页面形式归档
graph/
├── graph.json        持久化的节点/边数据（SHA256 缓存）
└── graph.html        交互式的 vis.js 可视化图——可在任意浏览器中打开

安装

要求： Claude Code、Codex、Gemini CLI，或任何能够读取配置文件的代理。

git clone https://github.com/SamurAIGPT/llm-wiki-agent.git
cd llm-wiki-agent

在你的代理中打开即可——无需 API 密钥或 Python 环境配置：

claude      # 读取 CLAUDE.md + .claude/commands/（支持斜杠命令）
codex       # 读取 AGENTS.md
opencode    # 读取 AGENTS.md
gemini      # 读取 GEMINI.md

使用

所有代理都理解自然语言和简短触发词：

ingest raw/papers/my-paper.md              # 将来源摄入维基
query: what are the main themes?           # 从维基页面中综合回答
lint                                       # 查找孤立页面、矛盾点和空白
build graph                                # 根据所有维基链接构建 graph.html

纯英文同样适用：

“将这篇论文摄入：raw/papers/llama2.md”
“维基对注意力机制是怎么说的？”
“检查各来源之间是否存在矛盾”
“构建知识图谱，并告诉我连接最紧密的节点”

Claude Code 还提供了 /wiki-ingest、/wiki-query、/wiki-lint、/wiki-graph 等斜杠命令（通过 .claude/commands/）。这些命令仅适用于 Claude Code；其他代理则使用上述自然语言触发词，效果完全相同。

可处理任何 Markdown 格式的来源——文章、论文、书籍章节、会议记录、日记条目、研究总结等。

你能得到什么

持久性维基——结构化的 Markdown 页面，会在不同会话间持续累积。与聊天不同，不会丢失任何信息。

实体页面——对于所有在来源中提到的人物、公司或项目，都会自动创建页面。每当新来源提及它们时，页面都会更新。

概念页面——对于每个关键思想或框架，都会自动创建页面，并与所有讨论它们的来源建立交叉引用。

动态概述——wiki/overview.md 会在每次摄取时更新，以反映你所阅读内容的当前综合情况。

矛盾标记——当新来源与现有主张相矛盾时，会在摄取时立即标记出来，而不是等到查询时才被发现。

知识图谱——graph.html 将每个维基页面表示为节点，每个 [[wikilink]] 表示为边，并将 Claude 推断出的隐含关系用虚线表示。社区检测功能会将相关主题聚类在一起。

Lint 报告——包括孤立页面、失效链接、缺失的实体页面以及数据缺口，并提供补充来源的建议。

使用场景

研究

数周内深入研究某一主题——阅读论文、文章、报告。

/wiki-ingest raw/papers/attention-is-all-you-need.md
/wiki-ingest raw/papers/llama2.md
/wiki-ingest raw/papers/rag-survey.md

# 维基会自动创建实体页面（Meta AI、Google Brain）和
# 概念页面（注意力机制、RLHF、上下文窗口）。

/wiki-query “减少幻觉的主要方法有哪些？”
/wiki-query “各模型的上下文窗口大小是如何演变的？”

/wiki-lint
# → “缺少关于专家混合模型的资料——可以考虑 Mixtral 论文”

最终你会得到一个结构化、相互链接的参考资料，而不是一堆你再也不会打开的 PDF 文件。

---

阅读一本书

每读完一章就将其录入系统。为书中的人物、主题和论点创建页面。

/wiki-ingest raw/book/chapter-01.md
/wiki-ingest raw/book/chapter-02.md

# 维基会自动创建人物和主题页面。

/wiki-query “主角的动机是如何发展的？”
/wiki-query “作者目前的论述中存在哪些矛盾？”

/wiki-graph   # → graph.html 展示了每个人物/主题及其相互联系

就像托尔金门户网站这样的粉丝维基一样——随着阅读进度逐步构建，所有交叉引用工作都由代理完成。

---

个人知识库

跟踪目标、健康状况、习惯和自我提升——录入日记条目、文章和播客笔记。

/wiki-ingest raw/journal/2026-01-week1.md
/wiki-ingest raw/articles/huberman-sleep-protocol.md
/wiki-ingest raw/articles/atomic-habits-summary.md

/wiki-query “我的日记中关于精力方面出现了哪些规律？”
/wiki-query “我尝试过哪些习惯，结果如何？”

维基会随着时间的推移构建起一个结构化的知识体系。诸如“睡眠”、“锻炼”、“深度工作”之类的概念，会从你录入的每一个来源中不断积累证据。

---

商业 / 团队情报

输入会议记录、项目文档和客户通话记录。

/wiki-ingest raw/meetings/q1-planning-transcript.md
/wiki-ingest raw/docs/product-roadmap-2026.md
/wiki-ingest raw/calls/customer-interview-acme.md

/wiki-query “客户来电中提到最多的功能需求是什么？”
/wiki-query “第一季度做出了哪些决策，其背后的逻辑是什么？”

/wiki-lint
# → “项目 X 在 5 个页面中被提及，但没有专门的页面”
# → “路线图与客户访谈中关于功能 Y 优先级的说法相矛盾”

由于代理会承担起无人愿意做的维护工作，因此维基始终保持最新状态。

---

竞争分析

长期跟踪一家公司、某个市场或某项技术的发展。

/wiki-ingest raw/competitors/openai-announcements.md
/wiki-ingest raw/market/ai-funding-report-q1.md

/wiki-query “OpenAI 和 Anthropic 在安全策略上有什么不同？”
/wiki-query “过去六个月里，哪些公司发布了多模态模型？”
/wiki-query “截至今日的竞争格局概览”
# → 代理会展示答案，然后询问是否要将其保存为综合页面

图谱

两遍构建流程：

1. 确定性 — 解析所有维基页面中的 [[维基链接]] → 标记为 EXTRACTED 的边
2. 语义性 — 代理推断维基链接未捕捉到的隐含关系 → 标记为 INFERRED（带置信度分数）或 AMBIGUOUS 的边

Louvain 社区检测算法按主题对节点进行聚类。SHA256 缓存机制确保仅重新处理已更改的页面。输出是一个自包含的 graph.html 文件——无需服务器，可在任何浏览器中打开。

CLAUDE.md / AGENTS.md

模式文件告诉代理如何维护维基——页面格式、导入/查询/校验/图谱工作流、命名规范。这是关键配置文件。编辑它即可根据您的领域定制行为。

代理	模式文件
Claude Code	CLAUDE.md
Codex / OpenCode	AGENTS.md
Gemini CLI	GEMINI.md

这与 RAG 的不同之处

RAG	LLM 维基代理
每次查询都重新推导知识	只编译一次，保持最新状态
原始片段作为检索单元	结构化的维基页面
无交叉引用	预先构建的交叉引用
矛盾可能在查询时才显现	在导入时即被标记
无法积累	每个来源都使维基更加丰富

Obsidian 集成

该维基旨在与 Obsidian 无缝浏览。由于代理会维护一致的 [[维基链接]]，您可以在自己的 vault 中获得一个自然增长的知识图谱。

Vault 符号链接模式

如果您希望将 LLM 维基代理仓库与主个人 vault 分开，请使用符号链接：

1. 将工作用的代理仓库保留在例如 ~/llm-wiki-agent
2. 在您的主 Obsidian vault 中创建一个符号链接：

   ln -sfn ~/llm-wiki-agent/wiki ~/your-obsidian-vault/wiki
   

3. 使用 Obsidian Web Clipper 或直接写入代理仓库的 raw/ 目录，以排队待导入的内容。

注意： 如果您日后移动本地仓库目录，请记得更新符号链接，否则 wiki/ 目录在 Obsidian 中会显示为缺失。

推荐的 .obsidian 配置

• 图谱视图： 过滤掉 index.md 和 log.md（例如 -file:index.md -file:log.md），以免它们成为 Obsidian 图谱中的引力井。
• Dataview： 使用社区插件 Dataview 查询代理自动注入的 YAML 前置元数据（例如 type: source, tags: [diary]）。

转换文件、PDF 和 arXiv 论文

维基接受 Markdown 文件作为输入。请使用 files_to_md.py 转换文件，或使用 tools/pdf2md.py 转换 PDF 和 arXiv 论文后再进行导入：

python tools/files_to_md.py --input_dir  ../raw/

# 可选：如果用户希望删除源文件
python tools/files_to_md.py --input_dir ../raw/ --delete_source

或者，如果用户想使用 arXiv 上的论文：

# arXiv 论文——按 ID 或 URL（使用 arxiv2md，无需解析 PDF）
python tools/pdf2md.py 2401.12345
python tools/pdf2md.py https://arxiv.org/abs/2401.12345

# 本地 PDF——自动选择最佳可用后端
python tools/pdf2md.py paper.pdf
python tools/pdf2md.py paper.pdf --backend marker     # 复杂的多栏布局
python tools/pdf2md.py paper.pdf --backend pymupdf4llm # 快速、轻量级

# 自定义输出路径
python tools/pdf2md.py paper.pdf -o raw/papers/my-paper.md

然后按常规方式导入：

ingest raw/papers/my-paper.md

至少安装一个转换后端：

后端	安装	最适合
arxiv2md	pip install arxiv2markdown	arXiv 论文（利用结构化来源，避免 PDF 解析）
Marker	pip install marker-pdf	复杂的学术 PDF，包含多栏布局、表格和公式
PyMuPDF4LLM	pip install pymupdf4llm	从纯文本 PDF 中快速提取内容（无需 GPU）
markitdown	pip install markitdown	用于将文件转换为 Markdown
tqdm	pip install tqdm	转换过程中显示进度条

小贴士

• 使用 tools/files_to_md.py 将文件转换为 Markdown 再导入——参见转换文件、PDF 和 arXiv 论文
• 使用 tools/pdf2md.py 将 PDF 和 arXiv 论文转换为 Markdown 再导入——参见转换文件、PDF 和 arXiv 论文
• 查询结果会首先显示——随后代理会询问您是否要将其保存为综合页面。您的探索成果会像导入的来源一样不断累积。
• 维基是一个 Git 仓库——免费提供版本历史。
• tools/ 中的独立 Python 脚本无需编码代理即可运行（需设置 ANTHROPIC_API_KEY）。

技术栈

NetworkX + Louvain + Claude + vis.js。无需服务器、无需数据库，完全在本地运行。所有内容均为纯 Markdown 文件。

相关项目

• graphify — 基于图的知识抽取技能（图层设计的灵感来源）
• 万尼瓦尔·布什的 Memex（1945） — 与此愿景最为相似的早期设想

许可证

MIT 许可证——详情请参阅 LICENSE。

LLM Wiki Agent 快速上手指南

LLM Wiki Agent 是一个基于大语言模型（LLM）的编码代理技能。它能自动读取你提供的源文档（如论文、笔记、报告），提取知识并构建一个持久化、相互链接的维基知识库。随着新资料的加入，知识库会自动更新、综合信息并标记矛盾点，无需人工维护。

环境准备

系统要求

• 操作系统：Linux / macOS / Windows (WSL)
• 核心依赖：必须安装以下任一支持读取配置文件的 AI 编程代理工具：
  • Claude Code (推荐)
  • Codex
  • Gemini CLI
  • 或其他兼容 AGENTS.md/CLAUDE.md 配置的代理工具
• 可选依赖（用于文件转换）：
  • Python 3.8+
  • pip 包管理器

前置依赖安装

若需处理 PDF 或 arXiv 论文，建议预先安装以下转换后端（任选其一或多个）：

# 处理 arXiv 论文（推荐，无需解析 PDF）
pip install arxiv2markdown

# 处理复杂学术 PDF（多栏、公式、表格）
pip install marker-pdf

# 快速提取纯文本 PDF
pip install pymupdf4llm

# 通用文件转换
pip install markitdown tqdm

提示：国内用户可使用清华或阿里镜像加速安装，例如： pip install -i https://pypi.tuna.tsinghua.edu.cn/simple arxiv2markdown

安装步骤

1. 克隆仓库

   git clone https://github.com/SamurAIGPT/llm-wiki-agent.git
   cd llm-wiki-agent
   

2. 启动代理 无需配置 API Key 或额外 Python 环境，直接在终端调用已安装的 AI 代理即可。代理会自动读取目录下的配置文件（CLAUDE.md, AGENTS.md 等）。

   # 如果你使用 Claude Code
   claude
   
   # 如果你使用 Codex 或 OpenCode
   codex
   
   # 如果你使用 Gemini CLI
   gemini
   

基本使用

所有操作均可通过自然语言或简短指令触发。

1. 导入文档 (Ingest)

将 Markdown 格式的源文件放入 raw/ 目录，然后指示代理导入。代理会自动解析内容、创建实体/概念页面并更新知识图谱。

# 自然语言方式
"Ingest this paper: raw/papers/attention-is-all-you-need.md"

# 或使用简短指令
ingest raw/papers/attention-is-all-you-need.md

注意：如果源文件是 PDF 或非 Markdown 格式，请先使用工具转换：

python tools/pdf2md.py paper.pdf -o raw/papers/my-paper.md
ingest raw/papers/my-paper.md

2. 查询知识 (Query)

直接向代理提问，它会基于已构建的维基进行综合回答。

# 自然语言方式
"What does the wiki say about attention mechanisms?"

# 或使用简短指令
query: what are the main themes?

代理回答后，会询问是否将该答案保存为新的合成页面（Synthesis Page），选择“是”即可让知识库自我进化。

3. 维护与可视化

• 检查矛盾与缺失：

  lint
  # 或自然语言："Check for contradictions across sources"
  

• 生成知识图谱：

  build graph
  # 生成后可在浏览器打开 graph/graph.html 查看交互式图谱
  

4. Claude Code 专属斜杠命令

如果你使用的是 **Claude Code”，还可以直接使用以下快捷命令：

/wiki-ingest raw/papers/my-paper.md
/wiki-query "How has context window size evolved?"
/wiki-lint
/wiki-graph

输出结构说明

执行导入后，wiki/ 目录下将自动生成以下结构：

• index.md: 所有页面的目录
• overview.md: 跨所有来源的动态综合概述
• entities/: 自动创建的人物、公司、项目页面
• concepts/: 自动创建的概念、框架、方法页面
• graph/graph.html: 本地可打开的知识图谱可视化文件