LLM Wiki开源项目：把Karpathy知识库理念变成现实 ​

有人把Karpathy的LLM Wiki构想变成了现实。跨平台桌面应用、知识图谱可视化、深度研究、网页剪藏、向量搜索——功能比原版Gist设想丰富太多。目前3300+Star。

一句话说清楚 ​

LLM Wiki是一个跨平台桌面应用，你把文档丢进去，它自动帮你生成一个结构化的、互相链接的个人Wiki知识库。

和传统RAG的区别：LLM先把文档吃透，生成Wiki页面、建立交叉引用、标注矛盾点，后续提问直接在Wiki上做。知识编译一次，持续保持最新。

两步链式思考录入 ​

第一步：分析 ​

LLM先通读文档，提取关键实体、概念、论点，找和已有Wiki内容的关联，发现矛盾和张力，给出结构化分析结果。

第二步：生成 ​

LLM拿着分析结果，才开始写Wiki页面：生成摘要页、实体页、概念页，更新索引，建立交叉引用，标注需要人工判断的事项。

拆成两步的好处：让LLM先想清楚再动手写，比边想边写质量高太多。

一个来源录入可能牵动10-15个Wiki页面更新，LLM自动把新知识和已有知识网络串联起来。

SHA256增量缓存：每个文件录入前算哈希，没改过的自动跳过，省token也省时间。

知识图谱可视化 ​

用四个维度衡量Wiki页面关联程度：

可视化用sigma.js + ForceAtlas2布局：

• 节点颜色按类型或社区聚类着色
• 节点大小按链接数量缩放
• 悬停时关联节点保持高亮
• 集成Louvain社区发现算法自动识别知识集群

图谱洞察：最有价值的功能 ​

系统自动分析图谱结构，给出两种洞察：

1. 意外关联 ​

跨社区、跨类型、意料之外的连接。比如两批毫不相干的资料突然出现连接它们的边——这种发现往往是认知突破的起点。

2. 知识缺口 ​

• 几乎没有连接的孤立页面
• 内部交叉引用太少的稀疏社区
• 同时连接三个以上集群的桥接节点

每个缺口旁边都有深度研究按钮，点一下LLM自动上网搜资料补全。

深度研究：知识库自己补全自己 ​

系统发现知识缺口后：

1. LLM自动生成搜索关键词
2. 调用Tavily API上网搜索
3. 综合分析结果，写成研究页面直接写进Wiki
4. 研究页面自动触发录入流程，提取新实体和概念整合到知识网络

触发方式：LLM先读overview.md和purpose.md理解知识库主题，生成针对性搜索词——不是泛泛关键词，而是根据已有知识的上下文精确定位。

Chrome网页剪藏 ​

• Readability.js自动去掉广告、导航栏、侧边栏
• Turndown.js转成干净Markdown
• 剪藏内容自动发送到本地应用触发录入
• 支持多项目选择
• 应用没开着也能预览，打开后自动同步

检索优化：多阶段管线 ​

召回率提升：开向量搜索后从58.2%提升到71.4%。

上下文窗口可配置从4K到1M tokens：60% Wiki页面、20%聊天历史、5%索引、15%系统提示。

关键细节 ​

总结 ​

Karpathy说的"知识复利增长"，这个项目变成了现实。

GitHub：https://github.com/nashsu/llm_wiki

关键词：LLM Wiki, Karpathy知识库, 知识图谱可视化, 深度研究, 网页剪藏, 向量搜索