项目导读
第一章:技术概述
什么是 LLM-Wiki
LLM-Wiki 是一套关于 AI Agent 如何建立和维护自己的知识体系 的最佳实践方法论,由卡比卡比(@jakevin7,OpenCLI 核心开发者,Apache Arrow/Doris PMC 成员)设计并开源。它将传统的人类知识库工具(如 Obsidian、Notion)重新定义为 Agent-native 工具——由 Agent 写、给 Agent 和人类读。
项目定位
- 所属体系:AI Agent × 知识管理 × Agent Team 架构
- 作者:jakevin7(卡比卡比),OpenCLI 项目核心贡献者
- 运行平台:已集成到 OpenCLI(16.6k Stars)的项目管理中
- 兼容性:知识产物兼容 Obsidian 格式,可直接用 Obsidian 查看
- 许可协议:开源(具体协议待确认)
核心主张
Vault 是 Agent 的外脑。 LLM-Wiki 把"知识库"从人类工具变成了 Agent-native 工具:由 Agent 写,给 Agent 和人类读。
解决的问题
传统知识管理工具是为人类设计的——人类手动整理笔记、手动建立链接、手动维护索引。但在 AI Agent 的工作流中,Agent 本身就是最大的知识生产者和消费者。LLM-Wiki 让 Agent 成为自己的知识管理员,实现知识库随使用自增长。
第二章:问题背景与痛点
传统 AI Agent 知识管理的五大痛点
当 Agent 变得越来越强大,它的"记忆力"却成了最大的瓶颈。1. Agent 没有"长期记忆"
大多数 AI Agent(包括 Claude Code、Cursor 等)的上下文窗口有限,对话结束后记忆就消失了。虽然有些工具提供了 memory 机制,但往往只是简单的 key-value 存储,缺乏结构化知识体系。
2. 人类知识库 ≠ Agent 知识库
Obsidian、Notion、飞书文档——这些工具的 UI 和交互是为人类设计的。Agent 无法高效使用它们来"思考"。Agent 需要的是:
- 可以被程序化读写的格式
- 支持自动链接和推理的结构
- 可以被搜索和查询的知识图谱
3. 知识碎片化
Agent 在工作中产生的知识散落在:
- 代码注释里
- commit message 里
- 对话历史里
- 临时文件里
- 各种工具的私有存储里
没有一个统一的"知识汇聚点"。
4. 知识不增值
传统知识库是静态的——写入后就不会再变化。但 Agent 的知识应该是活的:每次查询都可能产生新的综合(synthesis),新的综合应该写回知识库,让知识库越来越完整。
5. Agent Team 缺乏"集体记忆"
当多个 Agent 协作时,它们之间的知识传递靠的是 prompt 中的上下文传递,效率低且容易丢失。需要一个共享的、Agent 可读写的知识空间。
LLM-Wiki 本质上优化的链路
知识生产层:从"人类手动整理"优化为"Agent 自动摄入" 知识消费层:从"人类搜索"优化为"Agent 查询 + 自动综合" :从"静态文档"优化为"每次查询都可能增值"

