SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场llm-wiki

llm-wiki

写作与研究

查看项目

更新于 10-15 15:14

技能介绍

用途

llm-wiki 适用于希望知识以“被持续维护的 Markdown 产物”形式积累、而非每次查询都从原始文件中重新发现的场景。它把 Andrej Karpathy 的 gist 转化为一套可操作的工作流，核心模式是：保持原始来源不可变，让 LLM 拥有 wiki 层，并把维护契约编码进 AGENTS.md 或 CLAUDE.md。

适用情形包括：

  • 为长期知识工作引导一个新的 Obsidian 或 Markdown 仓库
  • 把原始文章、论文、转录稿或笔记转换为来源摘要加交叉链接的 wiki 页面
  • 在引入更重的搜索基础设施之前，先维护 index.md 和 log.md 作为导航原语
  • 把好的答案归档回 wiki，而不是丢在聊天记录里
  • 定期执行 lint 检查，处理断链、孤立页面、过时断言和缺失的综合页面
  • 增加可选辅助工具，例如用 Scrapling 做 URL 抓取、用 qmd 做搜索、或用 Obsidian CLI 做仓库自动化

主要能力

  • 仓库引导：通过 scripts/bootstrap-vault.sh 创建 wiki 骨架，包括 raw/sources/（不可变来源）、raw/assets/（下载的图片与附件）、wiki/sources/（逐来源摘要）、wiki/entities/ 与 wiki/concepts/（持久综合页面）、wiki/queries/ 与 wiki/reports/（归档答案与更高价值输出），以及 index.md、log.md、AGENTS.md。
  • 操作契约：以 AGENTS.md 或 CLAUDE.md 作为跨会话保持一致的规则载体，包括 raw/ 为事实来源且不可变、wiki/ 加 index.md 和 log.md 为 LLM 拥有的工作产物、每次入库都要更新来源摘要与相关综合页面及索引与日志、每个持久查询答案都要归档回 wiki/queries/ 或 wiki/reports/、lint 检查要查找断链、孤立页面、过时断言、矛盾与缺失页面候选。
  • 来源入库：本地来源放入 raw/sources/ 后由 agent 处理；URL 来源使用 Scrapling 驱动的脚本，例如 bash scripts/ingest-url.sh /path/to/vault "https://example.com/article"，也支持 --mode fetch --wait-selector article 以及 --mode stealth --solve-cloudflare 等参数。
  • 基于 wiki 查询：先读 index.md，再打开最相关的 wiki 页面，只在需要落地或解决冲突时才深入 raw 来源，显式引用页面路径与原始来源路径，并把持久输出归档回仓库。可用 scripts/new-query-note.sh 创建可复用的笔记骨架。
  • lint 与修复：通过 python3 scripts/lint-wiki.py /path/to/vault（支持 --format json）执行本地健康检查，聚焦结构而非真伪，检查必需文件与目录、断链与孤立页面，并以此为基础进行人工清理。
  • 按需扩展：index.md 加 log.md 足以应对中小型仓库，后续可引入 Scrapling、qmd、Obsidian CLI、Dataview，并从第一天起使用 Git。

使用方式

在 jeo 运行时下，仓库是项目范围的，按 $LLM_WIKI_VAULT → <obsidian-mind vault>/llm-wiki 解析，其中 obsidian-mind vault 为 $OBSIDIAN_MIND_VAULT → 当前目录的 git toplevel → 无 git 仓库时的 ~/vaults/obsidian-mind。因此每个仓库拥有自己的 <repo>/llm-wiki/。

典型步骤：

  1. 引导仓库：bash scripts/bootstrap-vault.sh /path/to/vault
  2. 把 AGENTS.md 或 CLAUDE.md 作为操作契约，并通过 references/schema-playbook.md 逐步完善模式文件
  3. 一次入库一个来源，保持工作流稳定；URL 来源使用 scripts/ingest-url.sh
  4. 基于 wiki 查询，而不是原始文件堆；用 scripts/new-query-note.sh 创建查询笔记或报告骨架
  5. 定期运行 python3 scripts/lint-wiki.py 进行结构 lint 与人工清理
  6. 只有在规模需要时才增加搜索与自动化工具

示例：

  • bash scripts/bootstrap-vault.sh ~/vaults/company-research
  • bash scripts/ingest-url.sh ~/vaults/company-research "https://example.com/article"
  • bash scripts/ingest-url.sh ~/vaults/company-research "https://app.example.com/dashboard" --mode fetch --network-idle
  • bash scripts/new-query-note.sh ~/vaults/company-research "Why this market is consolidating" --question "Why is this market consolidating?" --citation "[[wiki/concepts/market-structure]]"
  • bash scripts/new-query-note.sh ~/vaults/company-research "Q3 diligence memo" --section reports
  • python3 scripts/lint-wiki.py ~/vaults/company-research

适用场景

长期知识工作、研究仓库、Obsidian 笔记体系、公司研究、需要把问答结果沉淀为可复用产物的场景。

最佳实践

  • 保持 raw/ 不可变，更正应放在 wiki 页面或后续来源笔记中
  • 每次入库、查询归档和 lint 都更新 index.md 与 log.md
  • 宁要少量强实体与概念页面，不要大量弱碎片
  • 在做昂贵检索前先读 index.md
  • 区分事实与综合：来源页面应有据可依，概念页面可更具解释性
  • 把好答案归档回仓库
  • 用 git 提交区分入库、查询和 lint 操作
  • 让模式文件保持存活，发现重复漂移或歧义时更新 AGENTS.md

限制

资料中未提供收费、价格、平台支持范围或效果保证等信息。资料未提供 other-ai-tools 相关分类以外的具体许可信息。资料提到对显式 Jevgrep 请求需遵循 jevgrep 及其单独的远程内容与成本门控，但未提供该门控的细节。