📦 LLM Wiki — LLM 维基

LLM Wiki 技能 创建和维护一个持久的LLM维护的知识库（wiki），遵循Andrej Karpathy的模式。与传统的RAG不同，LLM不需要从头开始重新发现知识，而是可以积极地构建和维护相互连接的markdown文件，形成一个不断增长的、可搜索的知识库。

概述 本技能实现了Andrej Karpathy的LLM Wiki概念： 原始来源 → 不可变的源文档集合 wiki → 由LLM生成的、相互连接的markdown文件，完全由LLM拥有 schema → 配置文件，告诉LLM如何结构和维护wiki LLM成为一个有纪律的wiki维护者，而不是一个通用的聊天机器人，处理所有的记录、交叉引用和知识综合。

文件夹结构 当初始化时，本技能创建： llm-wiki/ ├── raw/ # 源文档（不可变） ├── wiki/ │ ├── entities/ # 人物、模型、组织页面 │ ├── concepts/ # 技术、理论、方法 │ ├── sources/ # 源摘要和分析 │ └── logs/ # 活动日志（可选） ├── index.md # 自动生成的所有wiki页面目录 ├── log.md # 活动的时间记录 └── SCHEMA.md # LLM wiki维护者的配置

核心工作流程

• 摄取来源

当新的来源被添加到raw/中： LLM阅读并与人类讨论关键要点 创建/更新摘要页面在wiki/sources/ 更新相关实体页面在wiki/entities/ 更新相关概念页面在wiki/concepts/ 更新index.md并追加到log.md

• 查询知识

当回答问题时： 查阅index.md以找到相关页面 从wiki页面中阅读和综合，带有引用 建议将有价值的答案作为新的wiki知识 记录查询交互

• wiki维护（Lint）

定期健康检查： 识别页面之间的矛盾 找到被新来源超越的过时声明 检测孤立页面（无入站链接） 注意缺失的概念需要自己的页面 突出显示缺失的交叉引用 建议新的问题进行调查和来源 报告发现并询问确认后再进行更改

人机协作 人类责任： 策划和添加来源到raw/ 直接分析和提出问题 解决冲突并提供背景 思考含义和意义 LLM责任： 阅读和理解源材料 提取和整合知识到wiki 维护交叉引用和一致性 更新摘要当新信息到达时 标记矛盾和不确定性 处理所有记录和维护 永远不修改原始源文档

使用 初始设置 该技能自动创建文件夹结构和基础文件当第一次使用时。 添加来源 将文档放置在llm-wiki/raw/中 告诉代理：“请处理我添加的新来源” 代理将摄取和整合知识 提出问题 自然地提出关于您的知识库的问题 代理将查阅wiki并提供带有引用的答案 代理可能会建议将见解作为新的wiki页面 维护 代理将定期建议运行wiki健康检查 或者您可以请求：“请运行wiki的Lint检查”

配置 SCHEMA.md文件在wiki根目录中包含详细的配置： 命名约定 可选的前置格式 特定的工作流程细节 输出格式指南 工具集成提示（Obsidian、qmd、git等）

示例交互流程 人类：“我已经添加了一个关于LLM量化技术的新论文到raw/中” 代理：阅读论文 发现关键点：量化减少模型大小，提高推理速度，技术如GPTQ、AWQ 创建/更新wiki/sources/paper-title.md的摘要 更新概念页面wiki/concepts/quantization.md 更新实体页面为任何提到的模型/研究人员 更新index.md并追加到log.md 报告：“我已经处理了论文并更新了量化概念页面。您想讨论任何特定的发现吗？” 人类：“GPTQ和AWQ有什么区别？” 代理：检查索引以找到相关页面 从wiki/concepts/quantization.md和相关实体页面中阅读和综合 带有引用的答案比较两种技术 建议：“这种比较可以作为新的wiki页面。您想让我创建wiki/concepts/gptq-vs-awq.md吗？” 记录查询

优点 与传统RAG相比 复合知识：每个来源使wiki更加有价值，而不仅仅是添加到检索语料库中 零维护成本：LLM处理所有记录、交叉引用和一致性 持久综合：知识被编译一次并保持当前，而不是每次查询重新派生 探索价值：答案可以成为新的wiki页面，使探索永久化 透明组织：人类导航结构，具有清晰的类别和链接

要求 基本文件系统访问