LLM Wiki 快速上手指南：15 分钟把散落文档变成可提问的知识图谱

LLM Wiki 快速上手指南15 分钟把散落文档变成可提问的知识图谱【免费下载链接】llm_wikiLLM Wiki is a cross-platform desktop application that turns your documents into an organized, interlinked knowledge base — automatically. Instead of traditional RAG (retrieve-and-answer from scratch every time), the LLM incrementally builds and maintains a persistent wiki from your sources。项目地址: https://gitcode.com/GitHub_Trending/ll/llm_wikiLLM Wiki 是一款跨平台桌面应用它替你读完文档增量构建并持续维护一个带知识图谱的 Wiki页面之间的关联自动成网。本文从安装走到第一次提问约 15 分钟你会得到 5 个任务卡装好应用、接上模型、导入第一份文档、问出带引用的答案并看到图谱亮起来。 如何让 LLM Wiki 在自己电脑上跑起来目标拿到一个能启动的 LLM Wiki 桌面应用。最小操作到项目 Releases 页按系统取预编译包macOS 为.dmgWindows 为.msiLinux 为.deb或.AppImage安装后双击启动。想自己编译先装 Node.js 20、Rust 1.88 和 protoc然后执行git clone https://gitcode.com/GitHub_Trending/ll/llm_wiki cd llm_wiki npm install npm --prefix mcp-server ci npm run mcp:build npm run tauri build验证信号预编译版启动后出现要求新建项目的欢迎页源码构建则在终端看到构建成功并产出对应平台的安装包。⚠️避坑现象是打包产物里没有 MCP Server原因是npm run mcp:build没在npm run tauri build之前跑完规避方法是按上面的命令顺序先构建 MCP Server 再打 Tauri 包。如何建项目并接入模型让知识库真正工作目标建好第一个项目并接上 LLM没有模型的知识库只是个空壳。最小操作欢迎页点新建项目从 5 个场景模板Research、Reading、Personal Growth、Business、General里选一个新手选 General 即可模板定义见 templates.ts。接着打开设置 → LLM 提供商选一家服务填 API Key 和模型名内置预设覆盖 OpenAI、Anthropic、Google 与本地 Ollama 等详见 llm-presets.ts。没有 API Key 就装 Ollama全程离线也能跑。验证信号项目文件树里出现schema.md和purpose.md前者定义页面类型与命名规则后者留了待填的目标与关键问题设置里做连接测试后看到成功提示说明模型可用。LLM Wiki 主界面左侧 Wiki 页面树、中间知识图谱、右侧文档预览⚠️避坑现象是连接测试失败或第一份文档摄入时才报错原因是模型名和服务端实际提供的不一致本地 Ollama 预设不提供推荐模型要填你本地已拉取的模型名规避方法是先列一下本地模型照抄名字。如何导入第一份文档并看到 Wiki 页面长出来目标把数据喂进去亲眼看到第一批 Wiki 页面被生成。最小操作进入**资料源Sources**页选文件PDF、DOCX、PPTX、XLSX、EPUB/MOBI 电子书、Markdown、图片音视频都能收。三种喂料方式对照看方式操作你会看到应用内导入Sources 页选文件任务进入摄入队列拖进目录文件丢进项目raw/sources/自动检测到走同一流程网页剪藏浏览器扩展一键剪藏正文转 Markdown 后自动摄入验证信号打开活动面板先看到 LLM 分析文档中的实体与关联随后依次生成摘要页、实体页和概念页打开任一新页面frontmatter 里记着贡献它的原始资料随时可回溯。两个省钱机制默认开着SHA256 增量缓存跳过没变化的文件失败任务最多自动重试 3 次后标记失败。⚠️避坑现象是重新导入同一份文件后活动面板没有新动作原因是 SHA256 缓存判定文件未变化直接跳过规避方法是修改文件内容再导入或到摄入队列里手动重试旧任务。如何向知识库提问并查看页面连成的关系网目标把存进去的知识问出来并看到图谱长什么样。最小操作在中间聊天面板直接提问比如这几份资料里关于某设备的结论是什么。回答前系统先做多阶段检索分词搜索可选向量搜索再沿图谱扩展拉出相关页面然后按编号引用具体 Wiki 页面作答满意的答案可一键存回知识库。切到图谱标签所有页面摊成一张关系网节点按类型着色边越粗代表关联越强。验证信号回答正文里出现[1][2]这类编号引用点引用能跳到对应页面图谱视图顶栏显示当前页面数与链接数节点分色实体、概念、来源等系统还会标出惊奇连接与知识空白。⚠️避坑现象是回答只给泛泛结论、引用编号很少原因是知识库页面太少或检索未命中相关页规避方法是先导入同主题的更多文档再换用页面标题里出现的词提问。 如何让知识库持续长大剪藏与每周 Lint目标养成两个小习惯——持续喂料、定期打扫。最小操作打开chrome://extensions启用开发者模式点「加载已解压的扩展程序」选择项目里的extension/目录。之后按AltShiftLmacOS 为CommandShiftL剪藏当前页扩展用 Readability.js 去掉广告和导航把正文转成 Markdown 并自动触发摄入不用复制粘贴。每周去Lint跑一次它检查矛盾、孤页和失效链接**审核Review**队列里存着 LLM 标记的待人工判断项有空处理掉。顺带一提在设置里开启本地 HTTP API默认端口 19828Claude Code 等 AI Agent 就能通过随包的 MCP Server 查询这个知识库说明见 mcp-server 目录。验证信号剪藏成功后扩展弹出已保存/已连接提示Sources 页多出这份网页资料活动面板再次出现页面生成记录Lint 跑完给出一份问题清单Review 队列的待办数下降。⚠️避坑现象是图谱显得空、引用稀疏原因是 Review 队列里没处理的项正是缺失的一环规避方法是先清空 Review 队列再回看图谱是否补全。到这里你拥有了一个会自己整理、自己更新、还能画出关系网的个人知识库。下一步把最近读的一份报告丢进 Sources看它几分钟里长出多少页面。【免费下载链接】llm_wikiLLM Wiki is a cross-platform desktop application that turns your documents into an organized, interlinked knowledge base — automatically. Instead of traditional RAG (retrieve-and-answer from scratch every time), the LLM incrementally builds and maintains a persistent wiki from your sources。项目地址: https://gitcode.com/GitHub_Trending/ll/llm_wiki创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考