LLM Wiki: база знаний, которая строит себя сама

«Вместо того чтобы каждый раз заново искать ответы, LLM один раз строит вики — и поддерживает её в актуальном состоянии».

LLM Wiki — кросс-платформенное десктопное приложение, которое автоматически превращает ваши документы в организованную, взаимосвязанную базу знаний. Вместо классического RAG, где знания «переоткрываются» при каждом запросе, LLM инкрементально строит и поддерживает постоянную вики из ваших источников.

Проект основан на концепции LLM Wiki от Андрея Карпатого — методологии построения персональных баз знаний с помощью больших языковых моделей.

Почему не RAG?

Большинство знакомо с RAG: вы загружаете документы, LLM извлекает релевантные фрагменты в момент запроса и генерирует ответ. Это работает, но LLM каждый раз заново «открывает» знания из документов — накопления нет. Задайте тонкий вопрос, требующий синтеза пяти документов, — и модели придётся каждый раз собирать фрагменты заново.

В LLM Wiki знания компилируются один раз и поддерживаются в актуальном состоянии, а не пересчитываются при каждом запросе.

graph TD
    A[📄 Ваши документы\nPDF, EPUB, Office, URL...] --> B[Ingest: двухшаговый\nChain-of-Thought анализ]
    B --> C[Wiki-страницы с\nисточниками и перекрёстными ссылками]
    C --> D[Граф знаний\n4-сигнальная модель релевантности]
    D --> E[Louvain кластеризация\nкластеры тем]
    E --> F[Чат / Поиск / Deep Research]
    F --> G[💡 Накопленный ответ\nбез пересчёта с нуля]

Ключевые возможности

🧠 Двухшаговый Chain-of-Thought Ingest

LLM сначала анализирует исходные документы, выявляя сущности, концепции и связи, а затем генерирует вики-страницы на основе этого анализа. Такой последовательный подход улучшает качество результата по сравнению с одношаговыми методами.

🗂 Мультиформатный парсинг документов

Поддерживается загрузка PDF, Office-документов, EPUB/MOBI, Org mode, изображений, медиафайлов, веб-клипов и пакетных URL с поддержкой встроенного, облачного или локального MinerU для обработки PDF.

🖼 Мультимодальная работа с изображениями

Встроенные изображения извлекаются из PDF, для них генерируются фактические подписи с помощью vision-LLM, и они появляются в результатах поиска с предпросмотром и возможностью перехода к источнику.

🔗 Граф знаний с кластеризацией

Система строит граф знаний по 4-сигнальной модели релевантности (прямые ссылки, перекрытие источников, метрика Adamic-Adar, типовое сходство) и использует алгоритм Louvain для автоматической кластеризации связанных знаний — выявляя неожиданные связи и пробелы.

🔍 Векторный семантический поиск

Опциональный поиск на основе эмбеддингов через LanceDB поддерживает любой OpenAI-совместимый endpoint, расширяя возможности поиска по базе знаний.

🌐 Chrome Web Clipper и HTTP API

В приложении есть Chrome Web Clipper для захвата веб-страниц одним кликом с автозагрузкой в базу знаний, а также локальный HTTP API и MCP-сервер для гибридного поиска, чтения файлов, обхода графа и повторного сканирования источников; готовый агент-скилл устанавливается в Claude Code / Codex одной командой.

🖥 Интерфейс и персистентность

Трёхколоночный макет: дерево знаний / дерево файлов (слева) + чат (центр) + предпросмотр (справа). Панели изменяются перетаскиванием. Панель активности показывает статус обработки файл за файлом в реальном времени. Все состояния (диалоги, настройки, элементы на проверку, конфигурация проекта) сохраняются между перезапусками.

Технический стек

Приложение построено на Tauri v2, сочетая высокопроизводительный Rust-бэкенд с React 19 фронтендом.

Frontend: React 19, Tailwind CSS 4, Zustand (состояние), Milkdown (редактор), Sigma.js (граф). Backend: Rust (Tauri), LanceDB (векторное хранилище), pdfium-render (обработка PDF), tokio (async runtime).

Установка из исходников

Для сборки требуются Node.js 20+ и Rust 1.70+.

git clone https://github.com/nashsu/llm_wiki.git
cd llm_wiki
npm install
npm run tauri dev    # Режим разработки
npm run tauri build  # Продакшн-сборка

Для большинства пользователей проще скачать готовые бинарники со страницы Releases (macOS .dmg, Windows .msi, Linux .deb/.AppImage).

Для работы необходима настройка LLM-провайдера (OpenAI, Anthropic, Google, Ollama, Custom) с API-ключами.

Поддерживаемые LLM-провайдеры

Приложение поддерживает OpenAI, Anthropic, Google, Ollama и кастомные провайдеры — каждый со своим стримингом и заголовками. Настройки провайдера, API-ключа, модели, размера контекста и языка сохраняются через Tauri Store.

Цены и лицензия

Проект распространяется под лицензией GNU GPL v3.0. Само приложение полностью бесплатно. Функциональность зависит от внешних LLM API, которые могут нести затраты и добавлять задержку.

Плюсы и минусы

Сравнение с альтернативами

Среди платных альтернатив — Google NotebookLM (бесплатный, но ограниченный и только облако), Notion AI ($10/пользователь/мес), Mem.ai ($15–25/мес), Roam Research ($15/мес).

Вердикт

LLM Wiki — одна из самых концептуально интересных open-source разработок в нише knowledge management 2026 года. Идея не просто «спрашивать у документов», а строить из них живую, самообновляющуюся вики — принципиально отличает инструмент от всех RAG-чат-систем.

Вместо того чтобы воспринимать ИИ как поисковик, LLM Wiki предлагает относиться к нему как к библиотекарю, который по-настоящему поддерживает библиотеку: каждый новый документ читается, анализируется, перекрёстно ссылается на всё остальное и помещается в постоянную взаимосвязанную базу знаний.

Кому идеально подойдёт:

• Исследователям и академикам с большим корпусом литературы
• Аналитикам, которые работают с разнородными источниками
• Разработчикам, строящим AI-агентов (MCP / API из коробки)
• Энтузиастам PKM (Personal Knowledge Management), ищущим альтернативу Obsidian + плагины

Кому пока не подойдёт:

• Тем, кто хочет решение «без настройки» и без API-ключей
• Командам, которым нужна облачная синхронизация и совместная работа

Рейтинг: 8.5 / 10