跳到主要内容
prolist.
发现项目AI 收集我的项目我的模型
正在确认账号…
prolist.

发现有价值的项目,留下有依据的判断。

项目专题关于我的收藏
© 2026 prolist项目知识,由人判断。

IDEAS CONNECT PROJECTS

沿着兴趣,发现项目。

从一个标签出发,打开一份值得研究的档案。

收集项目线索
筛选与排序 · 已应用
地图列表
不限标签9知识管理7AI Agent5Markdown5Obsidian4LLM3RAG3混合检索2知识库2知识图谱2最佳实践2Claude Code2PGLite2

项目搜索结果

找到 9 个项目

清除筛选

以下内容已由 AI 根据历史资料整理,供本地测试,未经人工复核。

LLM Wiki Desktop (nashsu/llm_wiki) README 配图
知识管理GitHub 项目

LLM Wiki Desktop (nashsu/llm_wiki)

一款将文档编译为结构化、互相关联知识库的跨平台桌面应用

LLM Wiki 是一款跨平台桌面应用,由开发者 nashsu(Yong Su)基于 Andrej Karpathy 提出的 LLM Wiki 模式构建,将抽象设计模式转化为功能完整的桌面软件,能够自动将文档转化为结构化、互相关联的知识库。其核心定位是编译式知识管理,区别于传统 RAG 的检索式模式。应用采用三层架构(Schema 层、Wiki 层、Raw 层),支持 Ingest、Query、Lint 三大核心操作。其关键创新是 Two-Step Chain-of-Thought Ingest,将单步摄取拆分为分析和生成两步,以提升页面质量。知识图谱采用四信号模型(直接链接、来源重叠、共同邻居、类型亲和)并结合 Louvain 社区检测。查询采用多阶段检索管线,包含分词搜索、可选向量搜索、图谱扩展和预算控制。应用支持多格式文档导入、Chrome 扩展 Web Clip、Deep Research 等功能,数据完全本地化,Wiki 目录兼容 Obsidian。

知识管理知识图谱桌面应用
09.08
知识管理主题配图

LLM-Wiki

一套由 AI Agent 自动维护、面向 Agent 与人类共读的结构化知识库方法论

LLM-Wiki 是一套关于 AI Agent 如何建立和维护自身知识体系的最佳实践方法论,由卡比卡比(@jakevin7)设计并开源。其核心主张是“Vault 是 Agent 的外脑”,将传统知识库工具重新定义为 Agent-native 工具——由 Agent 写,给 Agent 和人类读。它通过 /ingest(知识摄入)、/query(知识查询与写回)、/lint(健康检查)、/research(外部研究)四个操作形成闭环,实现知识库随使用自增长。知识采用三层隔离:sources/ 存放不可修改的原始材料,wiki/ 存放 Agent 维护的提炼知识,wiki-log.md 记录操作日志。产物兼容 Obsidian 格式,可直接用 Obsidian 查看知识图谱。项目已集成到 OpenCLI 的项目管理中,其核心理念也可独立于 OpenCLI 实现。

知识管理知识图谱自增长知识库
09.08
知识管理主题配图

llm-knowledge-bases

以 LLM 为知识编译器的个人知识库构建方法

本条目整理自一份关于 Andrej Karpathy 个人知识库构建方法的技术拆解报告。报告指出,Karpathy 于 2026 年 4 月公开分享了一套基于 LLM 的知识库构建方法,其核心是从“操作代码”转向“操作知识”,将 LLM 视为知识库的核心引擎。系统采用五层架构:数据摄取层将网页、论文、代码等原始数据统一收集到 raw/ 目录;知识编译层由 LLM 将原始数据“编译”为结构化的 Markdown Wiki,包括摘要、概念文章、反向链接和索引文件;查看与浏览层使用 Obsidian 作为前端;问答层通过 LLM Agent 检索知识库并生成结构化回答;维护层通过 LLM 健康检查确保知识库一致性。报告强调,在约 40 万词的规模下,LLM 可以自动维护索引,无需传统 RAG 组件。每次查询的结果会回写知识库,实现增量增强。

个人知识管理知识管理知识库
09.08
zxfccmm4 的 GitHub 头像zxfccmm4/Obsidian-OpenCode-Knowledge
知识管理GitHub 项目

Obsidian OpenCode Knowledge

本地优先的 AI 知识管理方案,通过规则驱动实现自动录入、查询与维护

Obsidian OpenCode Knowledge 是一套面向非技术用户的本地 AI 知识管理方案,由开源项目 zxfccmm4/Obsidian-OpenCode-Knowledge 提供。它结合 Obsidian 笔记软件、OpenCode 终端 AI 助手和预配置的知识库规则(AGENTS.md),通过一键部署模板,让用户在 5 分钟内拥有完全本地化、AI 驱动的个人知识库。项目主要解决信息录入成本高、知识库混乱、查询效率低、缺乏维护以及隐私担忧等问题。其核心设计包括三目录隔离(raw/wiki/assets)、四触发行为(Ingest/Query/Lint/Social Ingest)、社交媒体知识域分类、可配置的 AI_CONFIG.md 以及完全本地存储。系统支持多种 LLM 后端,并预装 9 个技能包,实现素材消化、社交媒体采集、知识库体检和自然语言查询等功能。

本地优先社交媒体采集知识管理
09.08
garrytan 的 GitHub 头像garrytan/gbrain
知识管理GitHub 项目

GBrain

为 AI Agent 提供长期记忆的 Markdown 知识库与混合检索工具

GBrain 是一个为 AI Agent 提供长期记忆的开源工具,由 Garry Tan 开发。它通过 Markdown 知识库、混合检索和实体图谱,解决 AI 每次对话从零开始、无法积累个人知识的问题。其核心是一个“读-答-写-同步”四步循环:Agent 在回答前先查询大脑获取上下文,对话后更新大脑页面,使知识像复利一样增长。GBrain 采用 Markdown 即数据库的设计,每个实体对应一个文件,人类可读可编辑,并用 Git 管理。存储层默认使用嵌入式 PGLite,2 秒启动,零配置,长大后可迁移到 Supabase。检索层采用向量搜索、关键词搜索与 RRF 融合排序的混合检索,兼顾语义理解和精确匹配。集成层通过 Markdown 食谱声明式描述,Agent 读取后即可自动安装。

个人知识库混合检索实体图谱
09.08
Claude Code Best Practice README 配图
开发工具GitHub 项目

Claude Code Best Practice

Claude Code 的“使用说明书”——系统化的技能、代理、命令最佳实践

Claude Code Best Practice 是一套围绕 Claude Code 构建的开源工具体系,定位为 Claude Code 的“使用说明书”,提供系统化的技能、代理、命令最佳实践。它旨在解决 Claude Code 功能丰富但官方文档分散、缺乏“什么场景用什么方案”决策指导的问题。项目采用 Commands → Agents → Skills 三层编排,简单任务用 Commands,复杂任务用 Agents,可复用能力用 Skills;并采用 Best Practice + Implementation 双轨制,每个功能都有最佳实践文档和实际实现代码。项目汇集了 Everything Claude Code、Superpowers、Spec Kit 等社区顶级方案,提供场景驱动、对比矩阵式的决策指导,帮助开发者降低学习曲线,提升功能利用率。

工作流知识库最佳实践
09.08
AI 智能体主题配图

Claude Code AI Agent 生态工具全景(Best Practice + GBrain + GStack)

围绕 Claude Code 的开源工具体系,覆盖最佳实践、个人知识记忆与虚拟工程团队三大维度

该收藏条目围绕 Claude Code 构建的开源工具体系展开,涵盖最佳实践知识库、个人知识大脑和虚拟工程团队三大维度。报告指出,Claude Code 功能丰富但官方文档分散,缺乏场景决策指导;AI Agent 缺乏记忆,无法积累个人知识;个人开发者缺少团队级工程保障。针对这些问题,Best Practice 提供功能-场景-工具三维决策矩阵,指导用户选择 Commands、Skills、Agents 等扩展机制;GBrain 通过 Markdown 知识库、混合检索和实体图谱,实现“读-答-写-同步”的知识积累循环;GStack 提供 23 个角色 Skill 和 8 个工具 Skill,以斜杠命令形式模拟虚拟工程团队。三者可独立使用,组合使用效果最大化。报告还包含安装部署、应用场景及与相似技术的对比。

混合检索虚拟工程团队知识管理
09.08
知识管理主题配图

LLM Wiki — 用 LLM 构建持久化个人知识库

让 LLM 成为知识库的编译器和维护者,实现知识的持续积累与复利增长

LLM Wiki 是 Karpathy 于 2026 年 4 月提出的一种用 LLM 构建和维护个人知识库的方法论。其核心主张是不再把 LLM 当作临时问答工具,而是让它成为知识库的编译器和维护者,像程序员维护代码库一样,持续读取源材料、写入 Wiki 页面、更新交叉引用、标记矛盾。该方法论横跨个人知识管理、LLM 应用范式和知识编译三个领域,旨在解决传统 RAG 模式没有知识积累、无法发现矛盾、无法跨文档综合、查询结果无法沉淀以及人类维护负担过重等痛点。其核心思想是让 LLM 成为知识库的编译器和维护者,而非临时检索引擎。底层基于三层架构:Raw Sources(原始源材料)、The Wiki(知识库)和 The Schema(配置规范),并通过 Ingest(摄入)、Query(查询)、Lint(健康检查)三个核心操作实现知识的增量编译和持续维护。该方法论适合长期深度研究、个人知识管理等场景,但存在 Token 消耗高、冷启动成本高、幻觉风险等局限。

知识编译知识管理Git
09.08
开发工具主题配图

企业平台WebCoding开发指南

在六大企业平台内嵌入自定义Web功能的工程实践指南

本指南系统介绍了在企业级SaaS平台(如Confluence、Jira、Dify、VSCode、GitLab)及内部知识库(dp)框架内,利用平台扩展机制开发自定义Web功能模块的工程实践。内容涵盖六大平台的定位、扩展机制、前端技术栈,以及核心设计思想,包括沙箱隔离、声明式与命令式混合、平台即基础设施、原生嵌入优于外部链接、API-First架构和渐进式复杂度。指南详细阐述了各平台的核心原理与开发流程,如Confluence的Forge宏机制、Jira的Forge App模块体系、dp知识库的API集成与iframe嵌入方案、Dify的Plugin架构、VSCode的Extension与Webview架构,以及GitLab的Web IDE与Editor Extension路径。此外,还提供了系统架构图、能力矩阵、数据流时序图、真实应用场景、工程落地速查表、安全注意事项、优缺点与局限分析,以及常见误区澄清,为开发者提供了从理论到实践的全面参考。

ConfluenceDifyExtension
09.08