LLM Wiki Agent：Karpathy Wiki模式的开源实现，支持离线运行

基于Andrej Karpathy提出的LLM Wiki模式构建的知识管理Agent，采用奖章架构分层存储，支持本地Ollama推理与云端Gemini混合部署，完全离线可用。

LLM Wiki Agent直接源于Andrej Karpathy分享的一个设计模式。这个模式的核心思想是：将知识库组织为Wiki风格的单概念页面，通过[[wiki链接]]建立概念间的关联，并利用图遍历作为导航机制。

与传统的文档管理系统不同，Wiki模式强调概念的离散化和关联化。每个页面只承载一个核心概念，通过链接与其他概念形成知识网络。这种结构天然适合大语言模型的理解和推理。

项目实现了 medallion architecture（奖章架构），将知识分为三个层级：

只读的核心知识源，包含经过验证的权威信息。Agent可以读取但永远不会覆盖这一层的内容。在搜索排序中，黄金层结果具有最高优先级。

Agent可写的知识存储层，用于保存Agent整理、归纳和生成的知识。这是Agent进行知识工作的主要场所，搜索结果中优先级次于黄金层。

原始数据源，包括导入的文档、网页抓取内容等未经处理的信息。作为知识加工的原材料，搜索优先级最低。

这种分层设计确保了知识的质量控制和溯源能力，避免了原始噪声污染核心知识库。

项目的一大亮点是灵活的推理模式选择，用户可以根据隐私和性能需求自由组合：

使用场景	对话推理	嵌入向量	网络需求
完全本地	Ollama（本地）	Ollama（本地）	无
混合模式	Ollama（本地或云端）	Gemini（云端）	仅嵌入
完全云端	Ollama Cloud	Gemini（云端）	需要网络

这种设计打破了本地必慢、云端必泄露的二元对立，让用户能够根据具体任务选择最合适的推理模式。敏感内容使用本地模型处理，复杂推理任务可以调用云端能力。

项目构建了丰富的知识图谱，支持六种边类型来描述概念间的关系：

• SIMILAR：概念相似性
• INTER_FILE：文件间关联
• CROSS_DOMAIN：跨领域联系
• PARENT_CHILD：层级从属关系
• REFERENCES：引用关系
• RELATES_TO：一般关联

每条边都携带来源信息（link_text、link_kind、evidence），确保图谱的可解释性和可追溯性。