LLM Wiki：受Karpathy启发的持久化知识库构建工作流

LLM Wiki是基于Andrej Karpathy理念实现的多智能体兼容工作流，将原始资料转化为LLM持续维护的Markdown知识库，支持知识复利积累与审计追踪。它与传统RAG互补，适用于深度研究、长期项目等场景，核心原则包括Markdown优先、来源可追溯等。

传统RAG工作流每次查询临时检索文档片段，无持久结构，模型需反复理解相同内容。LLM Wiki核心理念来自Karpathy的gist文档：让LLM增量构建维护持久、互链的Markdown维基，实现知识复利积累，而非每次从零开始。

LLM Wiki定义清晰工作流程：

• 原始资料层（raw/）：存储不可变输入材料（PDF、网页等）作为可信来源。
• 维基层（wiki/）：核心积累区域，包含来源页面（结构化摘要+溯源链接）、实体页面（关键人物/组织/概念）、概念页面（跨来源抽象整合）、综合页面（多来源深度分析）、问题页面（待解/已解问题）、索引（结构化目录）、日志（变更历史）。

智能体无关设计：通过适配器转换核心Markdown工作流为各智能体原生格式（如OpenClaw、Claude Code、Codex等），避免工具锁定，知识库保持Markdown格式（可读、版本控制、可迁移）。 核心原则：Markdown优先（纯文本Git友好）、来源可追溯（页面链接原始资料）、知识累积性（临时输出转化为持久知识）、可审计性（通过索引日志追踪演变）。

典型使用流程：

1. 将新资料放入raw/目录
2. 指示智能体"摄取"该来源
3. 智能体创建/更新wiki/相关页面
4. 更新wiki/index.md并追加到wiki/log.md
5. 有价值回答保存为综合页面
6. 定期运行结构健康检查脚本验证完整性 项目含演示库（demo-vault）展示完整转换过程。

LLM Wiki并非取代RAG，而是互补：

• RAG适合：快速问答、临时查询、最新信息即时访问
• LLM Wiki适合：深度研究、长期项目、需持续积累反复引用的知识领域 两者可结合：RAG处理实时检索，LLM Wiki管理整理验证的核心知识。

适用场景：学术研究（文献综述、研究问题追踪）、投资决策（行业洞察、论点形成）、产品开发（竞品分析、用户研究）、个人学习（跨领域终身学习笔记）。 项目状态：当前版本0.3.0 draft，提供多智能体入门包、共享模板、验证脚本、演示库；路线图包括更丰富OpenClaw集成、结构化元数据、自动报告、CLI工具、发布自动化等。