🧠 LLM Wiki — 轻量个人知识库 MCP Server

编译一次，持续复利 · 替代传统 RAG 的"每次从零检索"

15 个源文件 · 4 个运行时依赖 · 无 PyTorch / Chroma / LangGraph

---

这是什么

LLM Wiki 是一个以 编译复利 为核心的个人知识库工具。它将原始素材编译为带双向链接的结构化 Wiki 页面，而不是像传统 RAG 那样每次查询从零检索碎片。

                     ┌─ 原始素材 ──→  LLM 编译 ──→  互联 Wiki 页
  ┌─ query ────┤                                                   ├─→ 结构化回答
  └─ 检索 ──────→  BM25 + [可选向量] + RRF + 链接扩展 ──────→ 相关片段

可作为 MCP Server 接入 Claude Desktop / Cursor 等任意 MCP Agent，也自带交互式对话框。

---

快速开始

安装

pip install fastmcp openai pyyaml python-dotenv

或克隆后本地安装：

git clone https://github.com/COOLFEATHER/LLMwiki_mcp.git
cd LLMwiki_mcp
pip install -e .

启动对话

python3 chat.py

界面：

  ╔══════════════════════════════════════════════╗
  ║       🧠  LLM Wiki  —  个人知识库对话        ║
  ╚══════════════════════════════════════════════╝

  📡 检索:   向量 + BM25 + RRF + 链接扩展
  🎯 Embed:  本地 TF-IDF
  🤖 回答:   纯检索
  📚 Wiki:   6 页

  you> 查一下 Agent 是什么
  📄 Agent → Agent 是能感知环境、自主决策、执行动作的系统...

作为 MCP Server 启动

llm-wiki-server

---

两种回答模式

模式	命令	说明
纯检索（默认）	python3 chat.py	直接返回 Wiki 片段，零延迟，无需 API key
LLM 回答	python3 chat.py --llm	检索后让 LLM 组织回答，更易读，需要 API key

对话中输入 /llm 随时切换。

---

5 个 MCP 工具

工具	说明	需要 API key
query(question)	混合检索 + 链接扩展，返回相关 Wiki 片段	❌
read_wiki(page)	读取 Wiki 页全文（含 frontmatter）	❌
write_wiki(title, body, type, tags)	新建 Wiki 页，自动建索引	❌
ingest(raw_path)	编译原始素材为 Wiki 页（提取概念/建链/标矛盾）	✅
rebuild_index()	全量重建检索索引	❌

直接调用示例

import server

# 查知识库（无需 API key）
print(server.query("什么是 Agent"))

# 读 Wiki 页
print(server.read_wiki("LLM_Wiki"))

# 写新页（自动建索引）
server.write_wiki("设计模式", "# 设计模式\n\n正文...", tags="编程,架构")

# 编译素材（需要 API key）
print(server.ingest("data/raw/笔记.md"))

---

环境变量

变量	默认值	说明
OPENAI_API_KEY	—	LLM chat API key（ingest 和 --llm 模式需要）
OPENAI_BASE_URL	—	兼容 OpenAI 接口的地址，如 https://api.deepseek.com
CHAT_MODEL	deepseek-chat	对话模型名
EMBED_PROVIDER	local	Embedding 模式：api / local / off
EMBED_API_KEY	—	Embedding API key（EMBED_PROVIDER=api 时需要）
EMBED_API_URL	—	Embedding API 地址
EMBED_MODEL	text-embedding-3-small	Embedding 模型名

---

Embedding 三模式

模式	设置	检索链路	依赖	效果
local（默认）	EMBED_PROVIDER=local	TF-IDF 向量 + BM25 + RRF + 链接扩展	纯 numpy	本地可用，零配置
api	+ EMBED_API_KEY	语义向量 + BM25 + RRF + 链接扩展	openai	语义理解更好
off	EMBED_PROVIDER=off	BM25 + 链接扩展	无	最轻量

---

数据架构

data/
├── raw/              原始素材（只增不改，不可变真源）
├── wiki/             编译产物（frontmatter + markdown）
│   ├── Agent.md
│   ├── LLM_Wiki.md
│   └── ...
├── links.json        双向链接图谱（自动维护）
└── index.json        检索索引（自动重建）

三层架构：

1. Raw Sources — 原始素材，不可变、可重编译
2. Wiki — LLM 编译产物，[[双向链接]] 互联，派生可重建
3. Schema — SCHEMA.md 维护手册，约束页面规范

---

轻量化对比

重量级依赖	本项目的替代	节省
sentence-transformers + PyTorch (~2GB)	API embedding / 本地 TF-IDF	~2GB
chromadb + duckdb (~500MB)	扁平 JSON 向量索引（纯 Python）	~500MB
langgraph + langchain-core (~50MB)	5 个 MCP 工具直接调用	~50MB
rank-bm25 + jieba (~10MB)	自实现 BM25（80 行）	~10MB
watchdog (~1MB)	按需重建，无常驻监听	~1MB

安装体积 < 30MB，核心代码 ~1600 行。

---

设计要点

• 无 reranker：Wiki 编译期已做整合/交叉引用/矛盾标注，检索对象是预蒸馏结构，"Wiki 即 reranker"
• 链接扩展检索：BM25/向量找入口页 → 沿 [[双向链接]] 图遍历扩 N 跳，比纯语义召回更准、更可解释
• 自实现 BM25：纯 Python ~80 行，内置中文分词 fallback，无外部依赖
• Ingest 编译循环：1 份原始素材 → LLM 提取概念 → 自动创建/更新 3-15 个互联 Wiki 页

---

接入 MCP Agent

{
  "mcpServers": {
    "llm-wiki": {
      "command": "llm-wiki-server",
      "env": {
        "OPENAI_API_KEY": "sk-...",
        "OPENAI_BASE_URL": "https://api.deepseek.com"
      }
    }
  }
}

---

许可证

MIT