llm-wiki

LLM Wiki — 面向 Claude Code + Obsidian 的第二大脑

灵感来自 Andrej Karpathy 的 LLM Wiki 模式（gist）。该 Skill 可以把 Claude Code（或任何 Agent 命令行工具）变成一个严谨的 Wiki 维护者，随着你不断提供资料源，它会增量式地构建并维护一个持久化、相互链接的 Obsidian 库。知识会不断累积：在你查询时，交叉引用、矛盾点和综合结论已经准备好了。

核心原则

大多数 LLM + 文档的工作流都是 RAG：在查询时检索片段，从零开始综合，然后遗忘。Wiki 则是累积式的：资料源只需阅读一次，整合进一个持久化的 Markdown 知识库，并保持更新。你负责筛选和提问，LLM 负责阅读、归档、交叉引用和维护。

Obsidian 是 IDE，LLM 是程序员，Wiki 是代码库。

适用场景

• 个人：跟踪目标、健康、心理学、日记、自我提升
• 研究：围绕一个主题持续数周的深入研究，涉及论文、文章、报告以及不断演变的论点
• 读书伴侣：边读边归档章节，构建类似粉丝 Wiki 的角色、主题和情节线索伴侣库
• 商业 / 团队：由 Slack、会议纪要和通话记录喂养的内部 Wiki，由 LLM 承担其他人都不愿做的维护工作
• 竞品分析、尽职调查、行程规划、课程笔记、爱好深入研究

不要在以下情况使用： 你只需要针对一份固定文档进行一次性问答（请使用 RAG）、你不打算随时间持续添加资料源，或者你不希望 Obsidian 参与其中。

架构（三层）

vault/
├── raw/                    # Layer 1 — IMMUTABLE source of truth
│   ├── <source files>      # Articles, papers, PDFs, images, data
│   └── assets/             # Downloaded images from clipped articles
├── wiki/                   # Layer 2 — LLM-owned knowledge base
│   ├── index.md            # Content catalog (LLM updates every ingest)
│   ├── log.md              # Append-only timeline (## [YYYY-MM-DD] <op> | <title>)
│   ├── entities/           # Person/Org/Place pages
│   ├── concepts/           # Ideas, theories, frameworks
│   ├── sources/            # One summary page per ingested source
│   ├── comparisons/        # Cross-source analysis pages
│   └── synthesis/          # High-level syntheses, theses, overviews
├── CLAUDE.md               # Schema + conventions (Claude Code)
└── AGENTS.md               # Same content, for Codex/Cursor/Antigravity

• 第 1 层（raw/）：由你掌控。LLM 只读取，从不写入。
• 第 2 层（wiki/）：由 LLM 掌控。它创建、更新并交叉引用页面，你负责阅读。
• 第 3 层（CLAUDE.md / AGENTS.md）：模式（schema）。包含约定、工作流和 frontmatter 规则，由你与 LLM 共同演进。

三项核心操作

1. Ingest（摄入）：LLM 阅读一份资料源，与你讨论要点，撰写资料摘要，更新 10 到 15 个相关页面，更新索引，并追加到日志。详见 references/ingest-workflow.md。
2. Query（查询）：LLM 先读取 index.md，深入相关页面，并附引用进行综合回答。优质回答会被归档回 Wiki，使每次探索都能累积。详见 references/query-workflow.md。
3. Lint（检查）：健康检查，包括矛盾点、过时论断、孤立页面、缺失的交叉引用、有提及但没有独立页面的概念，以及需要通过网络搜索补充的数据缺口。详见 references/lint-workflow.md。

快速开始

# 1. Initialize a vault (in Obsidian's vault directory)
python scripts/init_vault.py --path ~/vaults/research --topic "LLM interpretability"

# 2. Drop a source into raw/, then ingest
/wiki-ingest ~/vaults/research/raw/anthropic-monosemanticity.pdf

# 3. Ask questions (answers can be re-filed into the wiki)
/wiki-query "how does monosemanticity compare to mechanistic interpretability?"

# 4. Periodic health check
/wiki-lint

# 5. See the timeline
/wiki-log --last 10

斜杠命令（本插件提供）

命令	用途
/wiki-init	使用模式文件和初始结构引导一个全新的库
/wiki-ingest <path>	阅读资料源，讨论，更新 Wiki，并记录日志
/wiki-query <question>	搜索 Wiki，综合回答，并提议归档回 Wiki
/wiki-lint	运行健康检查：矛盾点、孤立页面、过时论断、缺口
/wiki-log	显示最近的日志条目（使用 log.md 上的 unix 工具）

子 Agent（本插件提供）

Agent	调度时机
wiki-ingestor	委派的摄入流程：阅读资料源，提出更新建议，经你批准后应用
wiki-linter	独立运行健康检查工作流，并报告发现的问题
wiki-librarian	使用索引优先的搜索回答查询，并附引用进行综合

Python 工具（scripts/）

所有工具仅依赖标准库（无需 pip 安装）。使用 python scripts/<tool>.py --help 运行。

脚本	用途
init_vault.py	创建文件夹结构，并生成 CLAUDE.md、AGENTS.md、index.md、log.md 初始文件
ingest_source.py	辅助工具：从源文件中提取文本和 frontmatter，便于大模型审阅
update_index.py	根据 wiki 页面的 frontmatter（分类、日期、来源数量）重新生成 index.md
append_log.py	追加标准化日志条目 ## [YYYY-MM-DD] <op> | <title>
wiki_search.py	对 wiki 页面进行 BM25 搜索（当 index.md 不够用时的独立备用方案）
lint_wiki.py	查找孤立页面（无入站链接）、过时页面、缺失的交叉引用和失效链接
graph_analyzer.py	计算链接图统计信息：枢纽、孤立页面、聚类、不连通分量
export_marp.py	将 wiki 页面（或子树）渲染为 Marp 幻灯片

跨工具兼容性

知识库的**模式（schema）**位于 CLAUDE.md（Claude Code）或 AGENTS.md（Codex/Cursor/Antigravity/OpenCode）中。两者内容相同。本插件同时提供这两种模板。各工具的具体设置说明见 references/cross-tool-setup.md。

CLAUDE.md       → Claude Code
AGENTS.md       → Codex CLI, Cursor, Antigravity, OpenCode, Gemini CLI
.cursorrules    → legacy Cursor (pre-AGENTS.md)

这些脚本是纯 Python 标准库实现，在所有环境中运行方式一致。每个工具只需更换加载文件。

Obsidian 设置（推荐）

• Obsidian Web Clipper：浏览器扩展，可将网页文章转换为 Markdown 并保存到 raw/ 中
• 本地下载图片：设置 → 文件与链接 → 附件文件夹路径 = raw/assets/。设置 → 快捷键 → 将“下载当前文件的附件”绑定到 Ctrl+Shift+D
• 关系图谱视图：查看枢纽和孤立页面，是发现结构问题的必备工具
• Marp 插件：直接从 wiki 页面生成基于 Markdown 的幻灯片
• Dataview 插件：基于页面 frontmatter（标签、日期、来源数量）生成动态表格和列表
• Git：知识库就是一个普通的 Markdown 仓库，请进行版本管理

完整设置教程：references/obsidian-setup.md

为什么这样有效（相比普通 RAG）

普通 RAG	LLM Wiki
每次查询都要重新发现知识	知识持续积累
每次都要重新计算交叉引用	交叉引用预先编写并持续维护
只有在主动提问时才会暴露矛盾	在摄取阶段就标记矛盾
探索过程淹没在聊天记录中	优质回答会重新归档为新页面
依赖向量嵌入基础设施来扩展	依靠 Markdown + index.md + 可选的本地搜索来扩展

在约 100 个来源、数百个页面的规模下，index.md 加文件系统搜索已经足够。超过这个规模后，可以接入 qmd 这类本地搜索工具，或使用 scripts/wiki_search.py。

相关 Skills（通过 context: fork 串联）

本 Skill 标记了 context: fork，以便其他 Skill 可以串联到它：

• para-memory-files：PARA 方法的记忆系统，作为长期个人记忆，可将来源输入到 wiki 中，二者互为补充
• obsidian-vault（mattpocock）：轻量级 Obsidian 笔记助手；本 Skill 是其之上的可维护 wiki 层
• rag-design：当 wiki 超过约 500 个页面时，可使用 rag-design 增加检索层
• mcp-design：将 wiki 暴露为 MCP 工具
• agent-communication：用于多 Agent 的 wiki 维护（摄取 Agent + 检查 Agent + 管理员 Agent）

参考文档

• references/wiki-schema.md：完整的知识库结构、页面 frontmatter、命名规范
• references/page-formats.md：实体、概念、来源、对比、综合页面模板
• references/ingest-workflow.md：wiki-ingestor Agent 遵循的详细摄取流程
• references/query-workflow.md：查询模式、引用格式、回答重新归档
• references/lint-workflow.md：健康检查启发式规则
• references/obsidian-setup.md：Obsidian 插件、快捷键、知识库配置
• references/cross-tool-setup.md：各工具的设置（Codex、Cursor、Antigravity 等）
• references/memex-principles.md：Bush 的 Memex，以及大模型如何改变维护成本的计算方式

模板（assets/）

• CLAUDE.md.template、AGENTS.md.template、.cursorrules.template — 各工具对应的 schema 加载器
• index.md.template、log.md.template — 入门用的索引与日志
• page-templates/ — 实体、概念、来源摘要、对比、综合
• example-vault/ — 一个小型完整示例，可供学习或复制

铁律

大模型绝不编辑 raw/ 中的文件。 任何时候都不行。来源文件不可变。所有大模型的写入都只能进入 wiki/。如果需要修正某个来源，请自行在 raw/ 中修改，然后重新摄入。