📚 llm-wiki-kit

Hören Sie auf, Ihrem KI-Agenten in jeder Sitzung Ihre Recherche neu zu erklären.

👁 License: MIT
👁 Python 3.10+

llm-wiki-kit verleiht Ihrem KI-Agenten ein persistentes, strukturiertes Gedächtnis, das mit der Zeit wächst. Fügen Sie PDFs, URLs oder YouTube-Videos hinzu — Ihr Agent erstellt ein Wiki, verbindet die Punkte und erinnert sich an alles über Sitzungen hinweg.

Basierend auf Karpathys LLM Wiki-Muster. Funktioniert mit Claude, Codex, Cursor, Windsurf und jedem MCP-kompatiblen Agenten.

https://github.com/user-attachments/assets/8814a581-1832-4e94-a5df-9e9b6b041507

Das Problem

Jedes Mal, wenn Sie einen neuen Chat starten:

You: "Remember that paper on speculative decoding I shared last week?"
Agent: "I don't have access to previous conversations..."
You: *sighs, re-uploads PDF, re-explains context*

Sie sind ständig dabei, Ihrem Agenten Dinge neu beizubringen, die er eigentlich schon wissen sollte.

Related MCP server: Notemd MCP Server

Die Lösung

Mit llm-wiki-kit pflegt Ihr Agent seine eigene Wissensdatenbank:

You: "What did we learn about speculative decoding?"
Agent: *searches wiki* "Based on the 3 papers you've shared, the Eagle 
 architecture shows the best efficiency tradeoffs because..."

Das Wiki bleibt bestehen. Querverweise bauen sich auf. Ihr Agent wird mit jeder Quelle, die Sie hinzufügen, intelligenter.

⚡ Schnellstart (2 Minuten)

1. Installation

pip install "llm-wiki-kit[all] @ git+https://github.com/iamsashank09/llm-wiki-kit.git"

2. Ein Wiki initialisieren

mkdir my-research && cd my-research
llm-wiki-kit init --agent claude

3. Verbinden Sie Ihren Agenten

Fügen Sie dies zur Claude Desktop-Konfiguration (claude_desktop_config.json) hinzu:

{
 "mcpServers": {
 "llm-wiki-kit": {
 "command": "llm-wiki-kit",
 "args": ["serve", "--root", "/path/to/my-research"]
 }
 }
}

OpenAI Codex

codex mcp add llm-wiki-kit -- llm-wiki-kit serve --root /path/to/my-research

Cursor

Fügen Sie dies zu .cursor/mcp.json hinzu:

{
 "mcpServers": {
 "llm-wiki-kit": {
 "command": "llm-wiki-kit",
 "args": ["serve", "--root", "/path/to/my-research"]
 }
 }
}

Windsurf

Fügen Sie dies zu ~/.codeium/windsurf/mcp_config.json hinzu:

{
 "mcpServers": {
 "llm-wiki-kit": {
 "command": "llm-wiki-kit",
 "args": ["serve", "--root", "/path/to/my-research"]
 }
 }
}

4. Verwendung

You: "Ingest this paper: raw/attention-is-all-you-need.pdf"
Agent: *creates wiki pages, cross-references concepts, updates index*

You: "Now ingest https://youtube.com/watch?v=kCc8FmEb1nY"
Agent: *extracts transcript, links to existing transformer concepts*

You: "How does the attention mechanism in the paper relate to Karpathy's explanation?"
Agent: *searches wiki, synthesizes answer from both sources*

Ihr Agent verfügt nun über ein persistentes Gedächtnis, das über Sitzungen hinweg erhalten bleibt.

🔥 Was macht dies anders

📥 Unterstützte Quellen

Ihr Agent kann alles aufnehmen:

Installieren Sie, was Sie benötigen:

pip install "llm-wiki-kit[pdf]" # PDF support
pip install "llm-wiki-kit[web]" # URL extraction 
pip install "llm-wiki-kit[youtube]" # YouTube transcripts
pip install "llm-wiki-kit[all]" # Everything

🧠 Wie es funktioniert

┌─────────────────────────────────────────────────────────┐
│ YOU │
│ "Ingest this paper. How does it relate to X?" │
└───────────────────────┬─────────────────────────────────┘
 │
┌───────────────────────▼─────────────────────────────────┐
│ WIKI (agent-maintained) │
│ │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
│ │ concepts/ │ │ sources/ │ │ synthesis/ │ │
│ │ attention.md │◄─┤ paper-1.md │──► cache.md │ │
│ │ [[linked]] │ │ [[linked]] │ │ [[linked]] │ │
│ └──────────────┘ └──────────────┘ └──────────────┘ │
│ │
│ + index.md (table of contents) │
│ + log.md (what happened when) │
└───────────────────────┬─────────────────────────────────┘
 │
┌───────────────────────▼─────────────────────────────────┐
│ RAW SOURCES (immutable) │
│ paper.pdf, article.html, transcript.md │
└─────────────────────────────────────────────────────────┘

Der Agent liest Rohquellen, schreibt Wiki-Seiten und pflegt die Verbindungen. Sie berühren das Wiki nie direkt — der Agent erledigt die ganze Arbeit.

📊 Wissensgraph

wiki_graph generiert eine interaktive HTML-Visualisierung der Struktur Ihres Wikis:

Knoten sind nach Typ farblich gekennzeichnet (Quellen, Konzepte, Synthese). Klicken und ziehen Sie, um Verbindungen zu erkunden.

🛠 Verfügbare Tools

Ihr Agent erhält diese MCP-Tools:

💡 Anwendungsfälle

Recherche: Füttern Sie Ihr Wiki über Wochen hinweg mit Papern. Stellen Sie Synthese-Fragen, die sich über Ihre gesamte Lektüre erstrecken.

Technisches Onboarding: Nehmen Sie die Dokumentation einer Codebasis auf. Ihr Agent beantwortet Architekturfragen aus dem angesammelten Kontext.

Wettbewerbsanalyse: Fügen Sie Marktberichte, Earnings Calls und Nachrichten hinzu. Der Agent pflegt eine lebendige Landschaft, die sich aktualisiert, während Sie mehr hinzufügen.

Lernen: Schauen Sie YouTube-Tutorials, lesen Sie Blog-Posts. Der Agent erstellt ein personalisiertes Wiki von allem, was Sie studiert haben.

Buchnotizen: Nehmen Sie Kapitel auf, während Sie lesen. Der Agent verfolgt Charaktere, Themen, Handlungsstränge und Verbindungen.

🔍 Profi-Tipps

• Verwenden Sie Obsidian, um den Graphen Ihres Wikis zu visualisieren — es ist nur ein Ordner mit Markdown-Dateien

• Git init für Ihr Wiki-Verzeichnis — erhalten Sie die Versionshistorie kostenlos

• Lassen Sie den Agenten aggressiv verlinken — der Wert wächst durch die Verbindungen

• Führen Sie regelmäßig Linting durch — erkennt Widersprüche und Lücken in Ihrer Wissensdatenbank

• Fangen Sie klein an — schon 5-10 Quellen erzeugen ein überraschend nützliches Wiki

📦 Entwicklung

git clone https://github.com/iamsashank09/llm-wiki-kit
cd llm-wiki-kit
uv venv && source .venv/bin/activate
uv pip install -e ".[all]"

🙏 Credits

Basierend auf der LLM Wiki-Idee von Andrej Karpathy.

📄 Lizenz

MIT — machen Sie damit, was Sie wollen.

Maintenance

Resources

• GitHub Repository
Need Help?Related Servers