LLM Wiki 知识库系统

要解决的具体问题

在处理大量文档时，传统的检索增强生成系统面临一个根本瓶颈：知识是临时性的。每次查询都从头遍历原始文档，导致系统无法积累从多源数据中洞察到的矛盾、关联与深层合成。当文档数量超过数百份时，维护信息的一致性与可追溯性变得极为困难。

技能如何工作：核心能力与关键步骤

本技能的核心思想是将 LLM 从文档检索器转变为 Wiki 构建与维护代理。它通过一个增量、结构化的流程，将原始文档“编译”成一个持久化的 Markdown 知识库。其工作围绕三个关键操作展开：

1. 知识摄入 (Ingest 操作)

这是知识库构建的基础。技能会解析新加入的源文档，并自动执行以下步骤：

• 提取与标记：识别文档中的关键实体、概念，并为它们创建或更新独立的 Markdown 页面。
• 建立关联：使用 [[page-name]] 语法自动添加交叉引用，构建知识图谱。
• 生成索引与日志：更新 index.md 索引和 log.md 操作日志，保持系统可导航和可审计。

技能支持两种模式：对于关键文档，采用 交互模式 与用户讨论重点；对于次要文档，则采用 批处理模式 自动处理。

2. 知识查询与回写 (Query 操作)

针对 Wiki 的提问不再是简单的检索。LLM 会综合 Wiki 中已编译的知识来生成答案，例如进行概念对比或关系分析。更重要的是，有价值的新分析（如对比表格、关联发现）会被建议写回 Wiki，成为知识库的新增部分，避免洞察消失在聊天记录中。

3. 健康检查 (Lint 操作)

为保证 Wiki 的长期质量，技能提供了 Lint 功能。它可以定期扫描 Wiki，检查页面元数据完整性、悬挂链接、一致性冲突等问题，并生成结构化的健康报告，防微杜渐。

适用场景与注意点

适用边界：

• 适合构建需要长期维护、持续演进的专题知识库（如技术栈文档、研究资料库、项目知识沉淀）。
• 最佳实践是 保持 raw/ 源目录不变，Wiki 作为可变的知识层，这便于版本管理（推荐 Git 提交）。
• 对于超过 100 份源的大型 Wiki，建议集成 qmd 搜索引擎或利用 Obsidian 的图谱视图进行导航。

关键注意点：

• 这是一个 后台构建过程，而非实时聊天系统。其价值体现在知识随时间推移的积累和提纯。
• 人类的角色是策展源材料、引导分析方向和提出好问题。LLM 负责执行具体的摘要、关联、归档和维护工作。
• 初始配置（通过 WIKI.md）和定期执行 Lint 操作对于维持系统健康至关重要。