📄 工具详情 ⚙️ 安装教程 📚 使用教程
能力标签
🤖 Agent🔄 工作流👁 OCR💻 CLI🔗 REST API📚 RAG🧠 Claude
本地链接知识库
🛠
AI工具

本地链接知识库

基于 Rust · 开源免费，本地部署，数据完全自主可控
英文名：llm-wiki-desktop
⭐ 15 Stars 🍴 4 Forks 💻 Rust 📄 未公布协议 🏷 AI 7.5分
7.5AI 综合评分
AI知识库本地链接
🔍 查看原项目
✦ AI Skill Hub 推荐

AI Skill Hub 推荐使用：本地链接知识库 是一款优质的AI工具。AI 综合评分 7.5 分，在同类工具中表现稳健。如果你正在寻找可靠的AI工具解决方案，这是一个值得深入了解的选择。

📚 深度解析

本地链接知识库 是一款基于 Rust 的开源工具，在 GitHub 上收获 0k+ Star，是AI、知识库、本地链接领域中的优质开源项目。开源工具的最大优势在于代码完全透明，你可以审计每一行代码的安全性，也可以根据自身需求进行二次开发和定制。

**为什么要使用开源工具而非商业 SaaS？**
对于个人开发者和有隐私需求的用户，本地部署的开源工具意味着数据不离本机，不受第三方服务商的数据政策约束。同时，开源工具通常没有使用次数限制和月度费用，一次安装即可长期使用，对于高频使用场景的总拥有成本（TCO）远低于订阅制商业工具。

**安装与环境准备**
本地链接知识库 依赖 Rust 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 Rust 版本，避免全局环境污染。对于新手用户，推荐先创建虚拟环境（python -m venv venv && source venv/bin/activate），再安装依赖，这样即使出现问题也可以随时删除虚拟环境重新开始，不影响系统稳定性。

**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues（已关闭的问题），大多数常见问题都已有解答。遇到 Bug 时，提供 pip list 的输出、完整错误堆栈和最小可复现示例，能显著提高开发者响应速度。AI Skill Hub 将持续追踪 本地链接知识库 的版本更新，及时通知重要功能变化。

📋 工具概览

本地链接知识库 是一款基于 Rust 开发的开源工具，专注于 AI、知识库、本地链接 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。

GitHub Stars
⭐ 15
开发语言
Rust
支持平台
Windows / macOS / Linux
维护状态
轻量级项目，按需更新
开源协议
未公布
AI 综合评分
7.5 分
工具类型
AI工具
Forks
4

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

本地链接知识库 是一款基于 Rust 开发的开源工具，专注于 AI、知识库、本地链接 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。

📌 核心特色
  • 开源免费，支持本地部署，数据完全自主可控
  • 活跃的 GitHub 开源社区，持续迭代更新
  • 提供详细文档和使用示例，新手友好
  • 支持自定义配置，灵活适配不同使用环境
  • 可作为基础组件集成进现有技术栈或进行二次开发
🎯 主要使用场景
  • 本地部署运行，保护数据隐私，满足合规要求
  • 自定义集成到现有系统，扩展技术栈能力
  • 作为开源基础组件进行商业化二次开发
以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。
安装命令
# 方式一：cargo install（推荐）
cargo install llm-wiki-desktop

# 方式二：从源码编译
git clone https://github.com/Aidenwu0209/llm-wiki-desktop
cd llm-wiki-desktop
cargo build --release
# 二进制在 ./target/release/llm-wiki-desktop
📋 安装步骤说明
  1. 访问 GitHub 仓库页面
  2. 按照 README 文档完成依赖安装
  3. 根据系统环境完成初始化配置
  4. 参考官方示例或文档开始使用
  5. 遇到问题可在 GitHub Issues 中查找解答
以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。
常用命令 / 代码示例
# 查看帮助
llm-wiki-desktop --help

# 基本运行
llm-wiki-desktop [options] <input>

# 详细使用说明请查阅文档
# https://github.com/Aidenwu0209/llm-wiki-desktop
以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。
配置示例
# llm-wiki-desktop 配置说明
# 查看配置选项
llm-wiki-desktop --config-example > config.yml

# 常见配置项
# output_dir: ./output
# log_level: info
# workers: 4

# 环境变量（覆盖配置文件）
export LLM_WIKI_DESKTOP_CONFIG="/path/to/config.yml"
📑 README 深度解析 真实文档 完整度 49/100 查看 GitHub 原文 →
以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

LLM Wiki Desktop

本仓库是 open-llm-wiki 的本地优先桌面端外壳。桌面端负责 vault 管理、导入入口、任务编排、状态展示和错误恢复；知识生成、QA、review queue、writeback approval 等核心边界仍由 open-llm-wiki runtime 执行。

MVP 能力

  • 创建或打开 open-llm-wiki vault；新建 vault 时会拒绝带尾随空格的路径段，避免生成跨设备不稳定的目录名。
  • 将 PDF / Markdown / txt / zip 导入到 raw/inbox/，并按 SHA-256 跳过重复文件；zip 会作为 corpus package 进入 plan，先提示解包再进入逐篇解析。
  • 文件夹导入会保留目录上下文，但不会跟随 symlink，避免把未显式选择的外部文件复制进 raw evidence。
  • 生成桌面端 ingest plan：递归扫描 raw/ 下的显式 evidence 文件与嵌套 *_markdown/combined.md，按 SHA-256 标记 desktop-only 的 ready、stageable、blocked、cached、published，并写入 _state/desktop-ingest-plan.json。
  • 对 Markdown / txt 输入执行本地 staging，生成 raw/<source>_markdown/combined.md、manifest.json 和 chunks.jsonl，再交给 open-llm-wiki runtime。
  • 对 PDF / 图片输入默认走 paddleocr-vl15 计划状态；配置齐全后由桌面端读取设置中选择的 API key 环境变量（默认 PADDLEOCR_API_KEY），再作为子进程环境覆盖传给 runtime pdf_to_markdown.py --parser layout-api --api-url <PaddleOCR endpoint>。未配置时不上传 raw document；用户显式切回 auto/local-text 才走本地 selectable-text fallback。
  • 一键运行串行 ingest pipeline：PDF parse -> source discovery -> corpus ingest -> claims -> normalize -> semantic QA -> contradictions -> science review -> concept revision -> lint -> dashboard refresh。
  • 成功完成 pipeline 后写入 _state/desktop-ingest-registry.jsonl，避免未变化输入反复触发整条 ingest 链路。
  • 规划时生成桌面侧核心 contract：desktop-source-registry.jsonl、desktop-artifacts.jsonl、desktop-ingest-jobs.jsonl、desktop-actions.jsonl、desktop-impact-graph.jsonl。
  • 检测 vault schema、runtime 是否安装、Obsidian profile 是否启用。
  • 调用白名单 runtime 命令：
  • pdf_to_markdown.py
  • wiki_lint.py
  • wiki_obsidian_setup.py
  • wiki_status.py
  • wiki_discover_sources.py
  • wiki_ingest_corpus.py
  • wiki_claims.py
  • wiki_normalize_metrics.py
  • wiki_semantic_qa.py
  • wiki_contradictions.py
  • wiki_science_review.py
  • wiki_concept_revision.py
  • wiki_writeback.py 的 proposal-first contract 在桌面端 writeback 流程中保持一致
  • 浏览 sources/、drafts/、concepts/、qa-reports/ 和 raw/inbox/。
  • 为每个 runtime command 保存可查看的任务日志到 log-archive/desktop/。
  • 显示 claims、science review queue、growth queue 等 review 状态。
  • 提供 Chat / Search 入口：搜索 sources、claims、concepts、reviews、traceability warnings 和 query writeback proposals，并把带 evidence map 的研究问题转成 proposal。
  • 提供基础 Graph 入口：展示 source -> claim -> concept / review / proposal / warning 的证据关系，并补充 Obsidian [[wikilink]]、frontmatter sources: / source_path: 共享来源关系、共享邻居推荐、同类型页面加权、桥接节点和意外连接 insight，并可把图谱 insight 送到 Query / Writeback 形成可审核研究主题，帮助定位 traceability break、阅读路径和 insight 写回位置。

软件使用教程

1. 启动桌面端

开发环境中最直接的启动方式：

cd /path/to/llm-wiki-desktop
npm ci
npm run desktop:dev

已经完成本地打包时，也可以直接打开 macOS app：

open "src-tauri/target/release/bundle/macos/LLM Wiki.app"

4. 运行处理流程

回到 仪表盘 或 原始资料 页面，点击 运行 ingest pipeline。桌面端会串行执行：

PDF parse -> source discovery -> corpus ingest -> claims -> normalize
-> semantic QA -> contradictions -> science review -> concept revision
-> lint -> dashboard refresh

运行期间可以在 活动 页面查看任务历史。所有 runtime 日志会写入当前 vault 的：

log-archive/desktop/

普通用户启动

本仓库当前以本地源码方式启动桌面端，适合内部试用、DeepSeek corpus 验证和 release candidate 检查。启动前需要 macOS、Node.js/npm、Rust/Cargo 和 Xcode Command Line Tools。

环境要求：

  • Node.js 与 npm。
  • Rust toolchain。
  • Tauri v2 所需的系统依赖。
cd /path/to/llm-wiki-desktop
npm install
npm run start

等同的脚本入口：

./scripts/dev-start.sh

首次打开后，按这个顺序使用：

  1. 选择或创建一个 open-llm-wiki vault。
  2. 如果 vault 内还没有 runtime，在 UI 中选择本地 open-llm-wiki 仓库路径。
  3. 导入 PDF、Markdown、txt 或 zip 论文包到 raw/inbox/。
  4. 先查看 ingest plan 和 action panel，再运行 ingest pipeline。
  5. 需要浏览知识库时，从桌面端打开 Obsidian vault，而不是直接打开原始论文目录。
  6. 需要 query writeback 时，先生成 proposal 并检查 diff。没有人工批准时不要 apply 到 concepts/。

默认解析体验是 OCR-first 但配置门控：paddleocr-vl15 未配置时不会上传 raw document。layout-api hosted parser 和外部 LLM/API 仍需用户明确选择并批准。

开发者启动

推荐使用 lockfile 安装依赖：

npm ci
npm run desktop:dev

常用开发命令：

npm run start
npm run desktop:dev
npm run dev:web
npm test
npm run build
npm run build:app

脚本约定：

CommandPurpose
npm run start启动完整 Tauri 桌面端。
npm run desktop:dev启动 Tauri dev shell，内部会按 tauri.conf.json 拉起 Vite。
npm run dev:web只启动 Vite Web 视图，用于快速 UI 调试，不代表完整桌面能力。
npm test运行 TypeScript typecheck 和 Rust tests。
npm run build运行 typecheck 并生成前端 dist/。
npm run build:app运行 Tauri 本地应用打包。
./scripts/test.shshell 入口，等同于 npm test。
./scripts/build-app.shshell 入口，等同于 npm run build:app。

Release readiness, local packaging, CI scope and formal distribution requirements are tracked in docs/release-readiness.md.

Rust 侧单独检查：

cargo test --manifest-path src-tauri/Cargo.toml

界面预览

下面的截图来自本地 DeepSeek 论文语料验收流程，已裁掉菜单栏、Dock 和本机绝对路径，只保留软件窗口本身。

仪表盘

页面作用
![原始资料工作台](docs/screenshots/raw-sources.png)管理 raw/inbox/、source registry、解析 artifact、parser 信息和可追踪性状态。
![LLM provider 设置](docs/screenshots/settings-providers.png)配置本地 CLI 或远程 provider 的模型、上下文窗口和推理强度；API key 只通过环境变量或安全路径传入。
![问答与写回](docs/screenshots/chat-search.png)在 vault 内检索 sources、claims、concepts、reviews 和 writeback proposals，并生成 evidence-first answer draft。
![证据图谱](docs/screenshots/evidence-graph.png)查看 source、claim、concept、review、proposal 和 warning 之间的 evidence graph。

Agent / API 集成必须先通过只读 readiness gate；当前契约见 docs/agent-skill.md。通过 gate 后可在 Settings -> Agent API 启动 127.0.0.1 token-protected read API；在 gate 未通过前，不应启动 localhost API，也不应向 Codex/Claude Code 暴露写入、删除、apply 或后台 ingest 能力。

Tauri 配置状态

当前 src-tauri/tauri.conf.json 的 release 相关配置：

  • productName: LLM Wiki
  • window title: LLM Wiki
  • identifier: com.aidenwu.llmwiki.desktop
  • bundle.active: true
  • bundle.targets: ["app", "dmg"]
  • bundle.icon: src-tauri/icons/icon.png, src-tauri/icons/icon.icns, src-tauri/icons/icon.ico

这些字段与 package/Cargo 命名保持一致。当前图标资产包含 SVG master、1024/512/256/128/64/32 PNG、macOS .icns 和 Windows .ico。公开分发前仍需单独做签名和 notarization 检查。

Runtime 设置

桌面端优先使用当前 vault 内的：

<vault>/.open-llm-wiki/scripts/

如果 vault 还没有 runtime，可以在 UI 里选择 open-llm-wiki 仓库路径。创建 vault 时，桌面端会调用：

python scripts/wiki_init.py <vault> --repo-root <open-llm-wiki>

如启用 Obsidian，则追加：

--obsidian --obsidian-profile <minimal|research|full>
🎯 aiskill88 AI 点评 A 级 2026-05-27

高质量的AI工具，值得关注

📚 实用指南（长尾问题）
适合谁
  • 需要 llm-wiki-desktop 解决具体问题的开发者与运营人员
最佳实践
  • 先在测试环境跑通最小用例，再接入生产数据
常见错误
  • API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
部署方案
  • 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
相关搜索
llm-wiki-desktop 中文教程llm-wiki-desktop 安装报错怎么办llm-wiki-desktop 与同类工具对比llm-wiki-desktop 最佳实践llm-wiki-desktop 适合谁用

⚡ 核心功能

👥 适合谁
  • 需要 llm-wiki-desktop 解决具体问题的开发者与运营人员
⭐ 最佳实践
  • 先在测试环境跑通最小用例，再接入生产数据
⚠️ 常见错误
  • API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）

👥 适合人群

AI 技术爱好者研究人员和学生开发者和工程师技术创业者

🎯 使用场景

  • 本地部署运行，保护数据隐私，满足合规要求
  • 自定义集成到现有系统，扩展技术栈能力
  • 作为开源基础组件进行商业化二次开发

⚖️ 优点与不足

✅ 优点
  • +完全开源免费，无授权费用
  • +本地部署，数据完全自主可控
  • +开发者社区支持，遇问题可查可问
⚠️ 不足
  • −未明确开源协议，商用场景需谨慎评估
  • −安装和初始配置可能需要一定技术基础
  • −功能完整性通常不如成熟商业产品
  • −技术支持主要依赖开源社区，响应速度不稳定
⚠️ 使用须知

该工具未明确声明开源协议，商业使用前请联系原作者确认授权范围，避免侵权风险。

AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。

🔗 相关工具推荐

transformers AI技能包
Hugging Face开源的深度学习框架，提供预训练语言模型、视觉模型和多模态模型。集成BERT、GPT、Llama等
ComfyUI 节点式AI图像生成
强大的开源扩散模型可视化工具，提供图形界面、API和后端服务。采用节点图式设计，支持模块化工作流构建，适合AI绘图、图像
llama-cpp AI技能包
高效的大语言模型C/C++推理框架，支持在本地CPU/GPU上运行量化LLM模型，具有内存占用小、推理速度快的特点。适合
yt-dlp 视频下载
功能强大的开源视频下载工具，支持YouTube、TikTok等数千个视频平台，可自动下载视频、字幕、封面和元数据。适合内
📰 相关 AI 新闻
AI 前沿资讯：We need some polls on many top…
AI 资讯 · 知识关联
AI 前沿资讯：Added an old 2070 Super to my …
AI 资讯 · 知识关联
AI 前沿资讯：The biggest AI productivity ga…
AI 资讯 · 知识关联
AI Agent 自主化能力最新进展
AI 资讯 · 知识关联
🍿 AI 圈相关吃瓜
设计 Agent 说能生成 71 个系统，我信了
AI 圈观察
我用了个 Claude 优化提示词，代码质量没变，我的脾气变好了
AI 圈观察
Karpathy 的编程陷阱清单，我用来当 Claude 的「紧箍咒」
AI 圈观察
🗺️ 相关解决方案
agent
ai-agent-workflow
workflow
ai-workflow-templates
ocr
document-ocr-pipeline
cli
cli-productivity
🧩 你可能还需要
基于当前 Skill 的能力图谱，自动补全的工具组合
技能寻求者
MCP · Agent · 工作流
total-agent-memory MCP工具
为Claude Code和Codex CLI提供持久化记忆功能的开源MCP工具。自动提取知识图谱，支持多轮对话上下文保留，适合需要长期记忆和
natively-cluely-ai-assistant — Claude Skill 中文使用文档
免费开源的AI面试助手，实时转录，隐蔽模式，局部RAG，BYOK。无订阅，防止数据泄露。
CrewAI 多代理协作平台
MCP · Agent · 工作流
DeepCode Agent工作流
MCP · Agent · 工作流
LEANN AI技能包
MCP · Agent · 工作流

❓ 常见问题 FAQ

llm-wiki-desktop 是一款Rust开发的AI辅助工具。开源AI工具：Compile your documents into a local, linked, LLM-maintained wiki.。⭐15 · Rust 主要应用场景包括：文档管理和知识整理。
💡 AI Skill Hub 点评

总体来看，本地链接知识库 是一款质量良好的AI工具，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。

📚 深入学习 本地链接知识库
查看分步骤安装教程和完整使用指南，快速上手这款工具
⚙️ 安装教程 📚 使用教程
🌐 原始信息
原始名称 llm-wiki-desktop
原始描述 开源AI工具：Compile your documents into a local, linked, LLM-maintained wiki.。⭐15 · Rust
Topics AI知识库本地链接
GitHub https://github.com/Aidenwu0209/llm-wiki-desktop
语言 Rust
🔗 原始来源
🐙 GitHub 仓库  https://github.com/Aidenwu0209/llm-wiki-desktop

收录时间：2026-05-27 · 更新时间：2026-05-30 · License：未公布 · AI Skill Hub 不对第三方内容的准确性作法律背书。