• LLM Wiki
• 试用
• 如何搭建一个 LLM 可查询的个人知识库（Wiki）
  • 生成知识库
  • MCP 协议用法
  • Tools（工具）
    • 1. wiki_query — 核心检索入口
    • 2. wiki_get_article — 精读入口
    • 3. wiki_search_index — 快速发现
    • 4. wiki_get_graph — 可视化入口
  • 二、Resources（资源）
    • 为什么既有 Tools 又有 Resources？
  • 三、Prompts（提示词）
    • 1. wiki_query_system — 系统提示词
    • 2. tech_news_prompt — 新闻总结提示词
    • 为什么要单独暴露 Prompts？
  • 四、整体调用链路
  • 五、关键设计决策总结
  • 六、一句话总结

LLM Wiki

LLM Wiki 是由 Andrej Karpathy（OpenAI 联合创始人、前特斯拉 AI 总监）于 2026 年提出的个人知识库构建新范式，核心是让大语言模型（LLM）充当 “知识编译器” 和 “图书管理员”，自动将零散资料构建为可持久化、结构化、可复利增长的维基（Wiki）系统。

试用

在Cyeam.com任意网站点击页面头部的「求助架构师」或者输入cmd+K，即可调用 LLM Wiki 功能。

如何搭建一个 LLM 可查询的个人知识库（Wiki）

所有源码均在cyeam-mcp项目中。

因为Golang对本地Skills支持有限，我们采用MCP方式把知识库查询功能暴露给任意 AI 助手。

生成知识库

sequenceDiagram
    autonumber
    participant U as 用户
    participant W as Wiki System
    participant FS as 文件系统
    participant LLM as LLM Absorb Agent

    U->>W: /wiki ingest
    W->>FS: 读取 data/ 源文件
    W->>W: 格式识别 + 提取
    W->>FS: 写入 raw/entries/*.md
    W-->>U: 完成: N 条 entries

    U->>W: /wiki absorb all
    loop 逐条处理 entries
        W->>FS: 读取 entry + _index.md
        W->>LLM: 理解含义 + 匹配文章
        LLM-->>W: 更新/创建指令
        W->>FS: 写入/更新 wiki/**/*.md

        opt 每15条
            W->>FS: 重建 _index.md
            W->>FS: 重建 _backlinks.json
            W->>LLM: 审计质量
            LLM-->>W: 重写/拆分建议
            W->>FS: 应用修正
        end
    end
    W-->>U: 完成吸收

    U->>W: /wiki query "我的 MCP 项目"
    W->>FS: 读 _index.md + _backlinks.json
    W->>FS: 读 3-8 篇匹配文章
    W->>W: 格式化摘要
    W-->>U: 查询结果 + 引用文章

    U->>W: /wiki breakdown
    W->>LLM: 并行扫描所有文章
    LLM-->>W: 缺失文章候选列表
    W->>LLM: 并行创建新文章
    LLM->>FS: 写入新文章
    W->>FS: 更新 backlinks
    W-->>U: 完成扩展

MCP 协议用法

MCP (Model Context Protocol) 中，服务器向 LLM 客户端暴露的内容分为三类：

下面逐一说明本项目是如何设计这三类接口的。

Tools（工具）

Tools 是 LLM 主动调用的函数。本项目暴露了 5 个工具，其中 4 个是 Wiki 核心：

1. wiki_query — 核心检索入口

功能： 根据用户的自然语言问题，从知识库中找到 3-8 篇最相关的文章，拼接成上下文返回。

输入：

• question (string, required): 用户的问题
• depth (integer, default=2): Wikilink 展开的层数（1-3）

设计意图：

LLM 的上下文窗口是有限的，不可能把所有 Markdown 一次性塞进去。

所以必须有一个”相关性引擎”帮 LLM 做预筛选。wiki_query 内部做了四件事：

1. 索引匹配：把用户问题和 _index.md 里的标题、别名、描述做文本打分
2. 反向链接扩展：把引用过目标文章的其他文章也拉进来（如 [[Go 性能优化]] 被 [[2025 年技术栈]] 引用，后者也纳入）
3. Wikilink 展开：按 depth 层数递归追踪文章里的 [[...]] 链接，拉入关联文章
4. 截断组装：单篇超过 4000 字符自动截断，最终打包成 Markdown 返回

效果： LLM 拿到的是”刚好够回答这个问题”的上下文，而非全部笔记。

2. wiki_get_article — 精读入口

功能： 按名字或路径读取单篇文章的完整内容。

输入：

• name (string, required): 文章标题或相对路径（不含 .md）

设计意图：

当 wiki_query 返回的摘要不够详细时，LLM 可以用这个工具深入读某一篇。实现”先粗后精”的查询策略。

3. wiki_search_index — 快速发现

功能： 在 _index.md 的标题、别名、描述中搜索关键词，快速列出相关文章清单。

输入：

• keyword (string, required): 搜索关键词

设计意图：

用户说”找一下 Claude 相关的”时，先列清单比直接读全文更高效。LLM 拿到列表后可以决定读哪几篇。

4. wiki_get_graph — 可视化入口

功能： 返回知识图谱图片（static/graph.png 或 static/graph.svg）。

设计意图：

用户问”这些概念之间什么关系”“有没有可视化”时，LLM 可以读取这张图并描述给用户。适合整体概览类的问题。

二、Resources（资源）

Resources 是 LLM 可以直接通过 URI 读取的原始内容，相当于把文件系统映射成网络资源。它是被动暴露的数据源，AI 客户端可以像访问 URI 一样直接读取，不需要参数计算。：

flowchart LR
    subgraph Resources["Resources (URI 标识)"]
        direction TB
        R1["wiki://index<br/>MIME: text/markdown"]
        R2["wiki://backlinks<br/>MIME: application/json"]
        R3["wiki://graph<br/>MIME: image/png"]
        R4["wiki://article/{name}<br/>MIME: text/markdown<br/>(动态文章)"]
    end

    subgraph Files["底层文件"]
        F1["_index.md"]
        F2["_backlinks.json"]
        F3["graph.png / graph.svg"]
        F4["**/*.md"]
    end

    R1 --> F1
    R2 --> F2
    R3 -->|"优先实时渲染 SVG，fallback 静态文件"| F3
    R4 --> F4

为什么既有 Tools 又有 Resources？

因为使用场景不同：

• Tools 是”智能的” — 带算法、带筛选。LLM 不需要知道文件在哪，调用 wiki_query("Claude Code 怎么用")，引擎自动找相关文章。
• Resources 是”原始的” — 不带算法，直接暴露原始数据。适合 LLM 想”我自己来翻”的场景，或客户端想直接展示索引列表。

设计哲学：

对于”查询类”需求，LLM 不擅长在海量文本里做精确检索，所以用 Tool 封装检索逻辑；对于”已知要找什么”的需求，直接用 Resource URI 读取更高效。

三、Prompts（提示词）

Prompts 是预定义的提示词模板，教 LLM 如何正确使用这个 Wiki：

1. wiki_query_system — 系统提示词

核心规则：

1. 优先使用 wiki_query — 用户问任何知识库相关问题，直接调工具，不要自己猜
2. 不读 raw entries，只读 wiki 文章 — 防止 LLM hallucination
3. 内容不够时再用 wiki_get_article — 先粗后精
4. 关系图问题用 wiki_get_graph — 不要编造图中不存在的节点
5. 不要编造 — 知识库没覆盖就明确告知用户

2. tech_news_prompt — 新闻总结提示词

模板化的新闻总结指令，供 LLM 在获取 tech_news 数据后调用。

为什么要单独暴露 Prompts？

MCP 协议允许客户端在连接时自动拉取服务器的提示词。这意味着：

• 换不同的 LLM 客户端（Claude Code、Cursor、自研 Agent），它们都能自动获取”如何查询这个 wiki”的说明书
• 提示词和代码解耦，想改查询策略时不用改每个客户端的配置

四、整体调用链路

用户提问
    │
    ▼
LLM 收到问题 + wiki_query_system 提示词
    │
    ├── 判断需要查询 ──► 调用 wiki_query(question)
    │                      │
    │                      ▼
    │                   引擎做 relevance scoring
    │                   ├── 索引匹配
    │                   ├── 反向链接扩展
    │                   ├── Wikilink 展开 (depth=2)
    │                   └── 截断组装
    │                      │
    │                      ▼
    │                   返回 3-8 篇相关文章摘要
    │                      │
    │                      ▼
    │                   LLM 基于上下文综合回答
    │                      │
    └────── 如需精读 ──► 调用 wiki_get_article(name)
                              │
                              ▼
                           返回完整文章内容

五、关键设计决策总结

六、一句话总结

Wiki 本身只是一堆 Markdown 文件，真正让它成为”LLM Wiki”的是 MCP 层暴露的这套检索接口。

LLM 不需要理解文件系统，只需要调用 wiki_query，引擎帮它找到”刚好够回答这个问题”的上下文，然后 LLM 负责把内容组织成人类可读的回答。

原文链接： LLM Wiki：Andrej Karpathy的个人知识库新范式详解 ，转载请注明来源！