GitHub 趋势 · 第 29 期
17,942 star 的本地知识库：它想把 RAG 的「每次从头再问一遍」干掉
#本地优先#知识库#GPL-3.0
我的判断：llm_wiki 攻击的不是「检索不准」，而是「每次都重新推导」这件事本身。它把 RAG 那条链子反过来——不让 LLM 在你每次提问时才去临时拼凑答案，而是先把你的文档一次性编译成一本互相链接的 wiki，之后只是维护它。这是理念级的差异，不是又一个套壳向量库。但要注意：它的许可证是 GPL-3.0，不是这一系列常见的 MIT。
痛点场景：你攒了 300 篇 PDF、一堆网页剪藏和会议记录，然后接了个 RAG。结果每次问同一个问题，系统都要重新切块、重新召回、重新组织语言——你昨天已经让它总结过的那部分，今天它一点印象都没有。更糟的是，答案散落在一次性的对话里，不会沉淀成任何你下次能直接翻的东西。知识库用了一年，本质还是一堆等待被检索的原始文件。
项目是什么
nashsu/llm_wiki 的自我定位只有一句：「A personal knowledge base that builds itself.」——一个自己会长出来的个人知识库。展开说是：LLM 读你的文档，建出一本结构化的 wiki，并且持续把它保持在最新状态。README 里对「与 RAG 的区别」说得很直白：传统 RAG 是每次都从零检索再回答（retrieve-and-answer from scratch every time），而它是一次性编译知识、之后只做维护——原话是「Knowledge is compiled once and kept current, not re-derived on every query.」
技术形态上它是个跨平台桌面应用（Tauri v2 + React 19，Rust 后端），不是让你 import 的 Python 库。这一点决定了它的用法：下载安装包、打开、配好模型 key、把文档丢进去，然后用图形界面浏览那本被养出来的 wiki 和一个知识图谱。最新版本 v0.6.11（2026-08-25），仓库累计 856 次提交，处于活跃维护状态。
核心能力
下面这些能力名与说明都直接取自 README 的 Features 清单，我按「你用得上」的顺序重排了一下：
| 能力 | README 原文要点 |
|---|---|
| 两步思维链入库 | Two-Step Chain-of-Thought Ingest：先分析、再生成 wiki 页面，带来源可追溯与增量缓存 |
| 多格式解析 | PDF、Office 文档、EPUB/MOBI、Org mode、图片、媒体、网页剪藏，支持批量 URL；PDF 可走内置/云端/本地 MinerU |
| 四信号知识图谱 | 4-Signal Knowledge Graph：直接链接、来源重叠、Adamic-Adar、类型亲和度 |
| 社区发现 | Louvain Community Detection：自动发现知识聚类并给出内聚度评分（低于 0.15 会告警） |
| 图谱洞察 | Graph Insights：给出「意外的关联」与「知识缺口」，可一键 Deep Research |
| 向量语义检索 | 可选，基于 LanceDB，支持任意 OpenAI 兼容端点；默认关闭 |
| 多模型配置 | 按项目配模型，Chat 与 Ingest 可独立路由；支持 OpenAI / Anthropic / Google / Ollama / Custom |
| 只看原文回答 | Read Sources Only 模式：只用导入的原始材料作答，抑制模型自由发挥 |
| 本地 API + MCP | 内置 127.0.0.1:19828 的 JSON API 与 MCP server，支持混合检索、读文件、图谱遍历 |
| Chrome 剪藏 | Chrome Web Clipper 扩展，一键抓当前页面并自动入库（Manifest V3） |
| 入库队列 | Persistent Ingest Queue：串行处理，崩溃可恢复，支持取消、重试与进度可视化 |
上手
最省事的是直接下预编译包，README 给的平台清单是：macOS 用 .dmg（Apple Silicon + Intel）、Windows 用 .msi、Linux 用 .deb / .AppImage，都在 Releases 页。
要自己构建的话，README 原文（前置条件：Node.js 20+、Rust 1.88+、protoc）：
git clone https://github.com/nashsu/llm_wiki.git cd llm_wiki npm install npm --prefix mcp-server ci && npm run mcp:build # mcp-server/dist is bundled as a Tauri resource npm run tauri dev # Development npm run tauri build # Production build
它还给了一条「让你的 Agent 直接会用这个知识库」的路径，README 原文就是一句 npx（注意它指向的是配套的 skill 仓库，不是主仓库）：
npx skills add https://github.com/nashsu/llm_wiki_skill.git --skill llm-wiki
装完技能后，你在 Claude Code / Codex 里说「在我的 wiki 里找一下 X」，Agent 就会走它内置的本地 API 去查。README 特别注明了一条克制的设计：这个技能不会在你泛泛说「搜一下我的笔记」时乱触发，只有你明确提到 LLM Wiki / my wiki / 知识库 才会激活。
我的判断
适合谁：文档量大、且长期反复查同一批材料的人——研究者、写作者、要维护内部知识库的小团队。你的痛点是「知识没有沉淀」而不是「搜不到」，那这本会长大的 wiki 正好对症。另外它支持 Ollama，本地模型党可以完全离线跑，这一点对在意数据不出本机的人很关键。
不适合谁：只是偶尔问一次文档的人——传统 RAG 甚至直接把文档粘给模型就够了，养 wiki 的入库成本反而是负担；以及要把它嵌进自有产品做二次分发的人，见下面第一条坑。
几个坑（均来自 README 或仓库原文）：
- ▪许可证是 GPL-3.0，不是 MIT。这是本期最需要提请读者注意的一点，也是我把它列为选题风险点的原因。GPL-3.0 是强 copyleft：你可以免费用、可以商用，但一旦对外分发（含打包进你的产品、做成商业服务），衍生作品必须同样以 GPL-3.0 开源，且不能并入闭源软件。这跟本系列前几期写过的 MIT / Apache 2.0 项目性质完全不同。个人自用、公司内部用没问题；想拿它当商业产品的底座，先找法务。
- ▪「开源免费」不等于「零成本」。它本身不收费，但每次入库和每次问答都要调 LLM。README 要求你在 Settings 里配 API key 和 model（OpenAI / Anthropic / Google / Ollama / Custom 之一）。用云端模型就是按 token 付费，而且入库是「两步思维链」——先分析再生成，等于同一份材料要过两遍模型。文档量大时，这笔账要先算。
- ▪向量检索默认是关的，而它明显影响效果。Vector Search 在 README 里写明「fully optional, disabled by default」，要自己去 Settings 开、并且单独配端点、API key 和模型。而 README 同时给了一个基准数字：开启向量检索后，整体召回率从 58.2% 提升到 71.4%。也就是说你什么都不改直接开箱用，拿到的是相对偏弱的那一档检索质量。
- ▪复杂 PDF 的处理是分层的：内置解析器是兜底，效果最好的一档要接 MinerU（云端、官方本地 API 或本地 pipeline 三种模式）。README 也承认 MinerU 失败时会回退到内置解析器。扫描件多的用户，先把这条链路跑通再批量导入。
- ▪Deep Research 不是白送的：它靠 Tavily、SerpApi 或 SearXNG 做多查询网络搜索，前两个要各自的 API key（SearXNG 用实例地址）。这是第三个可能要额外掏钱的地方。另外可选 Firecrawl key。
- ▪它是桌面 GUI 应用，自动化能力靠本地 HTTP API：README 写的是
http://127.0.0.1:19828（token 保护、仅限 127.0.0.1），Chrome 扩展通信另走 19827。想集成进脚本化流程，得围绕这两个本地端口做。想从头构建的门槛也不低：Node 20+、Rust 1.88+，外加 protoc。 - ▪Rust 后端里带了一个会用工具的 Chat Agent，能生成文件、也能执行 shell——README 说明它对外部 shell 命令仍要求显式批准（项目工作区内的命令则可顺畅执行）。这是个合理的默认值，但意味着你在用它跑任务时，批准弹窗得看清楚。
仓库：github.com/nashsu/llm_wiki
总 star：17,942（截至 2026-09-11，今日 +94）
许可证：GNU General Public License v3.0（强 copyleft）
技术栈：Tauri v2 + React 19，Rust 后端；v0.6.11（2026-08-25），856 commits
抓取时间：2026-09-11 02:31（GMT+8）
你现在的知识库，是「每次问都重新检索」的，还是已经沉淀成了能直接翻的东西？如果你已经试过把 RAG 换成养 wiki 的思路，评论区说说实际体感——尤其是文档量上去之后它还稳不稳。
下期预告：armory3d/armorpaint（4,317 star，C 写的开源 3D 贴图绘制工具，今日榜 +87）——本地创作工具这条线我们写得不多，值得补一期。
#本地优先#知识库#GPL-3.0