llm-wiki-cli

About

AI Agent 很擅长阅读文档和解决当前问题，但会话结束后，已经完成的调查和整理往往也随之消失。下次遇到相似任务时，它又要重新搜索、重新阅读、重新建立上下文。 LLM Wiki CLI（命令名为 lwc）尝试解决这个问题：让 Agent 把经过筛选的本地文档整理成一份能够长期维护、来源可追溯的 Wiki。 Agent 负责理解、综合和修订知识，LWC 负责保存原始来源、Wiki 页面、引用关系、页面链接、检索索引和修改历史。这样，Agent 完成的有效工作可以跨会话继续积累，而不是每次都从原始资料重新开始。 思想来源 项目基于 Andrej Karpathy 提出的 LLM Wiki 概念： 让 LLM 增量构建并持续维护一份互相关联的 Wiki，而不是每次查询时重新从原始文档拼装答案。 LWC 将这个概念实现为一个基于 Rust 和 SQLite 的本地命令行工具，并提供配套的 Agent Skill。 与普通 RAG 的区别 典型的 RAG 工作方式是： text 查询 → 检索原始片段 → 生成一次性答案 LWC 的工作方式是： text 任务 → 读取已有 Wiki 和原始来源 → Agent 完成推理 → 将值得复用的结论写回 Wiki 检索只是 LWC 的一项能力，它的核心产物是一份持续修订的 Wiki。来源、引用、页面关系、矛盾和历史都会被保留下来。 LWC 可以与 RAG 配合，但它本身不依赖 embedding 或向量数据库。 主要特点 本地优先：使用 Rust 和 SQLite，日常存储与检索不依赖云端服务、后台守护进程或数据库服务器。 来源可追溯：原始资料保存为不可变快照，Wiki 页面可以明确引用对应来源。 知识持续写回：Agent 可以在完成任务后创建或修订页面，让有效结论跨会话复用。 项目与全局记忆分离：支持项目级 .lwc/ 和用户级 ~/.lwc/，避免不同项目的知识混在一起。 中英文词法检索：基于 SQLite FTS5/BM25，支持中文、英文和混合技术术语。 Wiki 关系图：保存页面之间的链接和引用关系，可以查询相关页面及结构化证据。 Markdown 投影：SQLite 是规范数据源，同时可以生成供人工审阅或 Obsidian 使用的 Markdown Wiki。 安全维护：提供 lint、索引重建、压缩、检查点和恢复等命令。 面向 Agent 的接口：命令以结构化 JSON 返回结果，仓库还提供配套的 using-lwc Skill。 安装 bash curl --proto '=https' --tlsv1.2 -fsSL \ | sh 也可以通过 Cargo 从源码安装： bash cargo install --locked --git README 中还提供了一段完整配置提示词，可以直接交给 Agent，由它完成 CLI、Skill 和全局记忆的安装配置。 适用场景 LWC 目前定位为单机、单用户的 Agent 知识库，适合长期软件项目、技术文档整理、研究资料维护，以及任何需要让 AI Agent 跨会话保留项目知识的工作流。

Discovery history

1. 阮一峰周刊·用户投稿

   Aug 3, 2026 · 1 observations