正在打开每日关注
正在打开每日关注
开源项目将多种原始资料沉淀为可维护、互链并能被 Agent 复用的本地 Wiki。
🚀发现一个很适合搭配 Pi、Claude Code、Cursor 使用的开源知识库项目：pi-llm-wiki。 它采用 Karpathy 提出的 LLM Wiki 思路，把 URL、PDF、Markdown、JSON、XML 等原始资料，转化为可持续维护、相互链接的本地 Wiki，而不是每次提问都重新进行一次性 RAG。 核心亮点： ▪️ 自动采集、整理和关联不同来源 ▪️ 区分原始资料、来源摘要、概念页和综合分析 ▪️ 兼容 Obsidian，可直接查看和编辑 ▪️ 原生支持 OKF v0.2，知识库不被特定应用锁定 ▪️ 同时搜索个人知识库与项目知识库 ▪️ 自动检查断链、孤立页面、内容冲突和知识缺口 ▪️ 通过 MCP 接入 Claude Code、Cursor、Windsurf ▪️ 可选记录 Agent 的任务轨迹，并沉淀为可复用 Skills 这不是简单的“让 AI 搜索笔记”，而是让 AI 帮你长期维护一套会不断积累、更新和复利的知识系统。 https://t.co/zzTDSwgVdJ
是什么
pi-llm-wiki 是面向 Pi 的自维护本地知识库扩展，遵循 Karpathy 的 LLM Wiki 思路，把 URL、PDF、Markdown、JSON、XML 或粘贴文本转为可持续维护的互链 Wiki。README 描述的链路包括原始资料包、来源页、规范 Wiki 页，以及可重建的索引、日志和元数据投影；同时原生支持 OKF v0.2，并兼容 Obsidian、Pi 和多个 MCP 客户端。
核心设计
它的重点不是单次检索，而是知识资产化。个人 ~/.llm-wiki/ 与项目 .llm-wiki/ 形成分层知识库，wiki_recall 可合并搜索；不可变源捕获、稳定引用和标准 Markdown 链接增强可追溯性；wiki_lint 检查孤立页、断链、重复别名、覆盖缺口和过期捕获。可选的轨迹记录还能把任务过程提炼为 Skill 或 case 页面。
关键洞察 该项目充当原始数据与模型上下文之间的中间层，让一次性研究结果转化为可复用、可更新、可复利的 Agent 工作记忆。
边界与风险
轨迹能力默认关闭，嵌入索引在未配置提供方时不会生效，wiki_watch 只输出定时任务示例。README 与元数据还显示项目有 562 个测试、85.09% 覆盖率、537 个 Stars，但真实效果仍取决于资料抽取质量、冲突处理和知识库规模增长后的维护成本。