LLM Wiki
把多智能体调研、来源与会话记忆编译成可查询的主题知识库。
证据显示查询配置可限制为只读工具，沙箱权限按具体路径说明，私有适配器采用读写根目录、远程资源白名单、计划哈希审批、预期修订、幂等键和收据；敏感数据清理还采用先预览、隐藏或标准输入及显式应用，因此最小权限、确认、数据流、敏感数据和外部效应处理充分。扣分在依赖安全：CI 使用按主版本而非提交固定的 GitHub Actions，并执行 npm 的 promptfoo@latest、远程 curl 和全局安装，所给材料没有锁定、校验或漏洞扫描证据。归档可恢复、命令有 dry-run，安装也可移除，但未展示研究、编译及批量写入的统一事务回滚，故 rollback 为 2。源文档要求 source/sources 元数据并提供审计流程，但未给出完整归因实现或输出样本，故 source_attribution 为 2。
生成式运行时镜像有明确单一事实源，并由同步、结构、文档版本、并发和行为检查覆盖，自洽性证据较强。多运行时安装、升级、权限诊断和本地模式提高了依赖可用性，但仍依赖 Claude、Codex、OpenCode、Pi、GitHub、npm、外部搜索和模型供应方，且未展示离线降级的完整保证，因此 dependency_availability 为 2。测试断言和沙箱诊断会返回具体错误，但所给材料没有覆盖所有用户工作流的统一错误分类、重试或恢复语义，因此 failure_messages 为 2。
README 针对 Claude Code、Codex、OpenCode、Pi/DS4 和通用代理给出查询、研究、采集、摄取、审计及产物生成场景，受众与环境覆盖充分。只读 query-lite 与完整写入协议、工具限制、沙箱路径和本地模式清楚划界。扣分在触发精度：只读 Codex 查询是显式触发，但完整入口可由自然语言或模糊路由自动激活，材料没有给出歧义处理或误触发评测结果，因此 trigger_precision 为 2。
文档具有清楚导航、架构说明、跨运行时安装/升级/移除/排障步骤和大量可复制示例；MIT 许可证完整；版本变更记录具体，且 CI 检查文档与版本一致。命名和迁移有兼容别名及生成镜像控制，但多个命令风格、运行时包装和近期术语变更仍带来一定稳定性成本，故 naming_stability 为 2。文档明确指出 OpenCode live-model 为 best effort、缓存及权限问题等限制，但没有集中、完整的已知限制清单，故 known_limitations 为 2。仓库、版权方、站点、社交账号和升级路径清楚，但出版者身份未经企业注册验证，材料也未明确维护承诺或支持责任，因此 maintenance_responsibility 为 2；未知身份本身未用于其他维度扣分。
产物覆盖知识库、报告、幻灯片、目录、数据集清单、项目审计和可查询 wiki，且结构化 frontmatter、索引与 Obsidian 兼容性支持直接使用，因此 output_usability 较强。并行研究、正反论证、摄取、编译、审计和跨运行时复用相对单一检索提供明确增量价值。扣分在成本收益：材料给出配置大小、token 基准和不同研究规模，但没有实际费用、延迟、资源上限或质量收益数据，且深度模式可启动 8至10 个代理并持续数小时，因此 cost_benefit 为 2。
frontmatter 检查强制 source/sources、时间、置信度和摘要字段，索引完整性也有静态断言，支持声明追踪。论文式研究声称搜集支持与反对证据，审计会跨产物、wiki 和新研究，但所给文件没有展示实际交叉来源规则、最低独立来源数或样例结果，故 cross_source_corroboration 为 2。置信度字段和证据导向流程有助于区分事实与判断，但未提供完整协议或输出样本来证明事实、推断和结论始终显式分离，因此 fact_inference_separation 为 2。
- 不要把 README 中的安全与质量声明视为已经独立验证；本评估未执行代码、测试、代理工作流或网络操作。
- CI 和安装流程包含 promptfoo@latest、按主版本引用的 Actions、全局 npm 安装及远程 curl 内容；在受控环境使用前应固定版本并校验完整性。
- 完整研究模式能够写入 wiki、访问外部目录、联网并启动多个代理；应优先使用 query-lite，只为明确需要的路径和操作授予写权限。
- 长时间并行研究可能产生显著模型费用、延迟和大量落盘内容；应预先设置预算、时限、来源范围和人工审核门槛。
- 归档支持恢复，但所给证据没有证明所有批量摄取、编译和研究写入都可原子回滚；重要 wiki 应另行备份或使用版本控制。
- 出版者身份未知；依赖采用、更新和安全响应责任应由部署方自行确认。
这个 Agent 能做什么，适合哪些场景？
LLM Wiki 是一套面向 AI 编程智能体的文件型知识库工作流，可将零散想法、网页、文件和研究结果整理为彼此隔离的主题 Wiki。它以 Claude Code 插件为主要发行与交互界面，同时提供 Codex 插件、OpenCode 与 Pi 技能文件，以及适用于其他智能体的便携式 AGENTS.md 和精简查询配置。系统能够并行研究、检验具体论题、摄取来源、编译文章、维护清单与数据集目录，并生成报告、幻灯片、时间线等成果。知识、原始来源、输出、日志和可选会话记忆均保存在本地 Markdown 目录中，并可作为独立 Obsidian vault 使用。它适合希望让研究过程可追溯、可持续维护的用户，但需要智能体具备文件读写能力；网络研究还需要联网和相应搜索能力。
端到端流程通常从 /wiki:research、/wiki:thesis、/wiki:ingest 或 /wiki:collect 开始：智能体搜索或读取网页、文件、PDF、文本、代码仓库、MediaWiki 数据、消息归档及 Wayback 快照，并把来源保存到主题 Wiki。研究模式可启动 5、8 或 10 个并行智能体，从学术、技术、应用、新闻、反方等角度调查；论题模式则拆解变量和证伪条件，分别收集支持与反对证据并给出结论。/wiki:compile 将原始材料综合为带交叉引用和置信度的文章，/wiki:query 按 quick、standard、deep 或 list 深度检索，/wiki:audit、/wiki:librarian 与 /wiki:lint 检查证据、陈旧内容和结构问题。Ideas、Projects、inventory、datasets、archive 和 portfolio 命令负责提案推进、持久清单、大型外部数据索引、主题归档及跨 Wiki 只读总览。/wiki:output 生成摘要、报告、学习指南、幻灯片、时间线、术语表和对比材料；可选的 .sessions/ 层保存脱敏会话摘要与反馈候选，只有显式 promote 后才进入主题知识。
- 研究人员需要围绕一个新领域持续搜集多角度证据时，可用
/wiki:research "主题" --new-topic --deep建立独立 Wiki，并让多组智能体并行调查。 - 需要验证一项具体主张的分析者，可用
/wiki:thesis同时寻找支持、反对、机制和综述证据，再获得 supported、mixed 或 insufficient evidence 等结论。 - 团队已有大量网页、PDF、Git 文档仓库、MediaWiki 转储或消息 CSV 时，可通过 ingest 与 ingest-collection 工作流统一摄取、编译并建立可查询索引。
- 经常在 Claude Code、Codex、OpenCode 或 Pi 之间切换的用户，可把同一个本地 Wiki 作为共享知识层，并使用各运行时对应的插件或技能。
- Obsidian 用户希望让智能体维护知识库时，可将每个主题目录作为独立 vault，利用双格式链接、标签、别名和 Markdown 文件继续人工浏览编辑。
- 长期项目需要保存阶段性上下文但不想默认存储完整对话时，可启用脱敏会话捕获，并有选择地将摘要或反馈提升为主题笔记。
这个 Agent 有哪些优点和局限？
- 提供从并行研究、来源摄取和编译，到查询、审计和成果生成的完整闭环，而不只是一次性问答。
- 同一行为层覆盖 Claude Code、Codex、OpenCode、Pi 和便携式智能体配置，并为只读查询提供约 2.8 KB 的精简协议。
- 每个主题使用独立 Markdown Wiki，原始来源、综合文章、输出和日志分层保存，并兼容 Obsidian 双链接。
- 论题研究明确分配支持与反对路线，并在后续轮次加强较弱一侧，以降低确认偏误。
- 会话摘要和反馈默认停留在独立候选层，必须显式 promote 才会进入长期主题知识。
- 项目明确以 Claude Code 为优先设计目标；Codex 与 OpenCode 包装由 Claude 源生成，其他运行时可能在交互和验证强度上有所差异。
- OpenCode 配置被标为 best effort，没有绑定特定模型的实时质量门槛；查询会话还应关闭写入和 shell 权限。
- 中心 Wiki 通常位于项目目录之外，因此 Codex、OpenCode 或 nono 用户必须维护额外的文件系统与沙箱权限。
- 在线研究依赖宿主智能体的网络与搜索能力；例如 OpenCode 的网页搜索需要设置
OPENCODE_ENABLE_EXA=1。 - 仓库在超过约 100 篇文章时推荐额外使用 qmd 本地搜索引擎，较大的知识库可能需要补充检索工具。
- 自动会话捕获依赖可信 hooks；不启用或不信任 hooks 时，仍可使用主技能，但无法获得同样的自动记忆流程。
如何安装或部署这个 Agent？
需要选择一个受支持的智能体运行时，并允许它访问 Wiki 所在的文件目录；在线研究还需要网络和搜索能力。Claude Code 原生插件安装：claude plugin install wiki@llm-wiki。Codex 安装：codex plugin marketplace add nvk/llm-wiki，然后执行 codex plugin add wiki@llm-wiki 并新建 Codex 会话。OpenCode 可在 opencode.json 的 instructions 中加入 https://raw.githubusercontent.com/nvk/llm-wiki/master/plugins/llm-wiki-opencode/skills/wiki-manager/SKILL.md，并在 permission.external_directory 中允许 ~/.config/llm-wiki/** 与实际 Wiki 路径；只读使用可改为 wiki-query/SKILL.md。Pi 可执行 pi --skill path/to/llm-wiki/plugins/llm-wiki-opencode/skills/wiki-manager/SKILL.md。其他支持读写文件的智能体可将仓库根目录 AGENTS.md 复制到项目；只读查询则复制 profiles/query-lite/SKILL.md。文档没有要求独立 API 密钥，但具体运行时及其联网搜索功能可能需要由用户自行配置。
如何使用这个 Agent？
首次建立主题库可运行 /wiki:research "nutrition" --new-topic；它会创建主题 Wiki 并开始研究。已有 Wiki 可用 /wiki:ingest https://example.com/article 添加来源，再运行 /wiki:compile 编译未处理材料，最后用 /wiki:query "How does fiber affect mood?" 查询。Codex 中的等价入口包括 @wiki research "hardware wallet threat models" 和显式只读查询 $wiki-query "What does the wiki say about hardware wallet threat models?"。深度调查可加入 --deep 或 --min-time 1h，具体主张应使用 /wiki:thesis "claim"。使用自动会话捕获前，可在 Codex 的 /hooks 中检查并信任所附 hooks；不信任 hooks 也不影响 @wiki 主技能。若 Wiki 位于项目目录之外，应先配置 hub path，并在 Codex、OpenCode 或 nono 的沙箱中授予准确路径权限。
常见问题
是否必须使用 Claude Code？
它会把完整聊天记录存进知识库吗？
只想查询、不希望智能体修改文件怎么办？
$wiki-query，其他智能体可加载 profiles/query-lite/SKILL.md。该配置只读，并面向能够读取和搜索文件的智能体。需要哪些目录权限？
~/.config/llm-wiki 和实际 Wiki 数据目录；写入型工作流需要对 Wiki 目录的读写权限。Codex 插件安装还需要对 $HOME/.codex 的读写权限，OpenCode 同时需要配置 external_directory。