cookyman74/llmwiki-harness
让LLM自动维护Obsidian笔记库的工具,能整理知识也能主动遗忘过时信息
llmwiki-harness在Obsidian知识库里植入一套供Claude Code使用的智能体、技能和脚本,用户只需把原始资料放进raw文件夹,LLM就会代为完成摘要、交叉引用、标记矛盾和整理工作。与每次提问都要重新检索的常规RAG不同,它把信息按工作记忆、情景记忆、语义记忆、程序记忆四层逐步晋升,让知识库本身随时间不断积累增值。最新版本v2.1让导入过程变轻量,把耗费资源的合并与判断工作集中放到定期的lint检查阶段处理,大幅降低了成本和延迟。
它做什么
- 把文档放进raw文件夹并要求'导入',LLM只会生成轻量的证据摘要(L2)和新概念草稿(L3);与已有页面的合并、可信度计算、关系整理都推迟到之后统一的lint批处理阶段完成。
- 信息仿照人类记忆被分为四层(会话草稿、会话摘要、事实与概念、重复出现的操作步骤),同一主张出现3次以上会被晋升为'事实'页面,同一流程被观察到2次以上会被晋升为'操作手册'。
- 每条信息会根据来源数量和类型(官方文档还是口头会议记录)获得0到1之间的可信度分数,长期未被确认的信息会像艾宾浩斯遗忘曲线那样呈指数衰减,被标记为需要复查而不是直接删除。
- 为避免每次提问都要重新扫描整个知识库,系统先用关键词定位种子页面,再沿链接只扩展一跳,实测显示这种做法在事实简报类问题上比旧的全量索引读取方式减少了约55%的token消耗。
- 像导入这类重复性任务交给成本较低的模型(sonnet)处理,而需要判断的综合与审查任务则交给能力更强的模型(opus),据作者测算,这使每页的实际成本降低约4.6倍,延迟降低约3倍。
为什么重要
它针对笔记越堆越多却无人整理的普遍问题,让LLM承担起持续维护者的角色,并提供了一套可直接套用的开源框架,能用于个人知识管理、会议纪要整理或团队知识库运营。
本仓库术语
- RAG · 每次提问都重新检索相关文档片段来生成答案的方法,检索结果不会被沉淀复用
- Frontmatter · 放在markdown文件顶部的元数据区块,记录标题、标签、可信度等信息
- 艾宾浩斯遗忘曲线 · 记忆随时间呈指数衰减的理论,这里被用来计算存储信息的'新鲜度'
- 可信度分数 · 根据支持某一主张的来源数量和来源类型计算出的0到1之间的评分
- Supersession(替代标记) · 当新信息与旧信息不同时,不删除旧页面而是标记为过期并链接到新页面,从而保留变更历史
仓库简介（英文）
cookyman74/llmwiki-harness
在 GitHub 打开热门仓库
- vorssaint/vorssaint-utils一个免费菜单栏应用,顶替十几款付费Mac工具
- Alishahryar1/free-claude-code一个本地代理,把编程AI助手接到49家免费或低价模型服务商,不再只能用一家付费服务
- freestylefly/awesome-gpt-image-2把532个GPT-Image2案例拆解成可复用模板的提示词工程库
- block/buzz一个让人类和AI智能体在同一空间里聊天、写代码、做审查的开源协作平台
- NousResearch/hermes-agentNous Research推出的Hermes是一款越用越聪明的AI智能体
- virgiliojr94/book-to-skill把技术类书籍PDF变成AI编程助手随时可查阅的技能包
- VoltAgent/awesome-agent-skills把上千份让AI编程助手秒变专家的操作手册集中放在一个地方
- anthropics/claude-plugins-community一个把大家做的Claude插件集中起来供安装的仓库