本文是「LLM Wiki 实战」系列第 3 篇。上一篇用一批火电报告跑了完整实战。本篇拆解四个最有工程含金量的功能,讲清楚它们背后到底怎么运作——算法、依赖、配置、代码组织,而不只是「点这个按钮」。如果你只看 UI,LLM Wiki 像是个「导入 PDF → 聊天」的普通应用。但底下有四个模块决定了它的上限,也是本文要拆的:知识图谱 Louvain 社区检测—— 四信号关联度模型MCP Server—— 把 Claude Code / Codex 接进你的知识库深度研究—— 自我发现知识空白并联网补全两步思维链摄入—— 质量和可维护性的秘密亮点一:知识图谱与四信号关联度模型问题: wikilink 之外,怎么衡量「两个页面有多相关」?原始 Karpathy 方法论只有[[wikilink]]一种关联。但现实中两个页面可能没有直接链接,却共享同一份原始资料(来源重叠),或共享很多共同邻居(Adamic-Adar)。LLM Wiki 设计了一个四信号加权模型:信号权重含义来源重叠×4.0两页共享同一原始资料(靠 frontmattersources[]匹配)直接链接×3.0通过[[wikilink]]相连Adamic-Adar×1.5共享共同邻居,且按邻居度数倒数加权类型亲和×1.0同类型页面加分(实体↔实体、概念↔概念)最终关联度 Σ(信号命中 × 权重)。这个分数同时用在三个地方:图谱边的粗细/颜色(绿强、灰弱)、查询时的图谱扩展(第 4 篇详述)、知识空白的桥接节点识别。注意权重的设计哲学:来源重叠(×4.0)权重最高,因为「同源」是最强的语义证据——它来自结构化数据(frontmatter),不是 LLM 猜的链接。直接链接(×3.0)次之。Adamic-Adar 和类型亲和是补充信号。这种「结构化证据优先于推断」的排序,是工程上很稳的选择。可视化技术栈前端用sigma.js graphology做图渲染,ForceAtlas2(graphology-layout-forceatlas2)做力导向布局。几个工程细节:节点大小按度数√ 缩放(不是线性,避免枢纽节点过大撑爆画布)边按关联度分数映射粗细和颜色位置缓存:数据更新时不重跑布局,防止节点「跳来跳去」悬停时邻居保持可见、非邻居变暗,是 sigma 的典型交互模式对应前端代码在src/components/graph/。Louvain 社区检测光有节点和边还不够,你需要知道「这些页面自然分成几簇」。LLM Wiki 用Louvain 算法(graphology-communities-louvain)做社区检测——它只看链接拓扑,独立于预定义的页面类型,所以能发现「按类型看不出来,但确实是一组」的知识聚类。切换「类型 / 社区」两种着色模式,你能对比两种视角:按类型看是人为分类,按社区看是知识实际连成的样子。两者不一致的地方,往往就是值得审视的边界。内聚度评分给每个社区打分:内聚度 社区内实际边数 / 社区内可能边数( n(n-1)/2)低于0.15的社区(且 ≥ 3 个页面)会被标警告——意思是这几页虽然被算法归到一起,但彼此交叉引用很薄弱,知识还没真正串联起来。12 色调色板保证不同社区视觉上可区分。图谱洞察:惊奇连接与知识空白在图谱结构之上,系统自动产出可操作的洞察:惊奇连接:跨社区边、跨类型链接、边缘↔核心耦合,按复合惊奇度排序。这是「你以为没关系、其实关系很强」的发现。知识空白:孤立页面(度 ≤ 1)—— 被提取出来却没展开的实体稀疏社区(内聚度 0.15)—— 串联薄弱的领域桥接节点(连 3 集群)—— 维系多个领域的关键枢纽每个洞察卡片都能点击在图谱里高亮对应节点和边;知识空白和桥接节点还带Deep Research 按钮,这就引出下一个亮点。亮点二:MCP Server —— 把 Claude Code 接进你的知识库一句话理解 MCPMCP(Model Context Protocol)是让 AI 客户端(如 Claude Code、Cursor、Codex)调用外部工具的标准协议。LLM Wiki 内置了一个 MCP Server(mcp-server/),装上之后,你的 AI Agent 就能直接读写、检索你的知识库——而不是每次把文件复制粘贴进对话。关键架构决策:不重复造轮子MCP Server 的 README 里有一句很关键的话:It doesnotscan project folders directly and does not copy the app’s search or graph logic. Every tool calls the local desktop API athttp://127.0.0.1:19828/api/v1.也就是说,MCP Server 是个薄封装——它自己不实现搜索、不实现图谱遍历、不直接碰文件系统,所有操作都转发给桌面应用内置的 HTTP API。好处很明显:MCP 客户端用的项目和 app 用的是同一套项目注册表、文件权限、搜索后端、图谱后端、Source Watch 规则。不会出现「Agent 看到的和 App 看到的不一致」。数据流是这样的:Claude Code ──MCP协议──▶ mcp-server(node)──HTTP──▶ 桌面App API(127.0.0.1:19828)──▶ Rust后端 (search / graph / fs)八个工具工具作用llm_wiki_status健康检查 当前项目概要llm_wiki_projects项目列表 活跃项目llm_wiki_files列出项目文件(project_id可传 UUID、路径或current)llm_wiki_read_file读允许的文本文件(如wiki/index.md)llm_wiki_reviews列出审核项(默认未处理,支持状态/类型/数量过滤)llm_wiki_search复用 app 的关键词向量混合检索llm_wiki_graph查询知识图谱llm_wiki_rescan_sources触发 Source Watch 重新扫描注意llm_wiki_search和llm_wiki_graph直接复用 app 后端——Agent 拿到的检索结果和你手动搜的完全一致。三步接入1. 在 App 里开启 API MCP(设置 → API MCP):勾选「Enable local HTTP API」和「Enable MCP access」,生成一个 Token(或选允许本机无鉴权)。2. 构建 MCP Server:cdmcp-servernpminstallnpmrun build# 产物:mcp-server/dist/src/index.js3. 在 MCP 客户端配置里注册。Claude Code 的配置(路径换成你机器上的绝对路径):{mcpServers:{llm-wiki:{command:node,args:[/absolute/path/to/llm_wiki/mcp-server/dist/src/index.js],env:{LLM_WIKI_API_TOKEN:your-token}}}}开启无鉴权模式时,省掉LLM_WIKI_API_TOKEN。App 的「设置 → API MCP」会自动填好你当前机器的真实入口路径,直接复制即可。安全模型技术博主会关心安全。这个 MCP Server 继承了桌面 API 的安全模型,有几条硬约束:只监听127.0.0.1—— 只本机可达,不暴露到网络Token 鉴权(或显式开启无鉴权)文件读走 allow-list—— 内部应用状态文件不暴露Token 用环境变量传,不要走命令行参数(避免出现在 shell history)还有一条更省事的路径:Agent Skill如果你不想手写 MCP 配置,LLM Wiki 还配套了一个 agent skill,一行命令装进 Claude Code / Codex:npx skillsaddhttps://github.com/nashsu/llm_wiki_skill.git--skillllm_wiki_skill装完就能对 Agent 说「我的 wiki 里关于 X 是怎么说的」「在我的知识库里搜 Y」「展示图谱里 Z 的邻居」,它默认只读,并引用 wiki 页面路径方便你核对。顺带一提,Rust 后端(src-tauri/src/commands/)里还有claude_cli.rs和codex_cli.rs——App 自己也能把claude/codexCLI 当子进程拉起(tokio which定位二进制),流式回传 stdout。也就是说接入是双向的:既能让 Agent 查 App,也能让 App 调 Agent。亮点三:深度研究 —— 自我发现并补全知识空白触发点深度研究不是无脑联网,它有明确的触发场景:图谱洞察—— 点知识空白/桥接节点上的 Deep Research 按钮审核队列—— 处理 LLM 标记的「需要补资料」项手动—— 你主动想研究某个主题主题生成:为什么不是泛泛关键词普通联网搜索的通病是查询太泛(比如直接拿「调峰 环保」去搜),结果噪音大。LLM Wiki 的做法是让 LLM 先读overview.mdpurpose.md获取领域上下文,再生成研究主题和针对搜索引擎优化的多条查询。[overview.md purpose.md] │ LLM 读取领域上下文 ▼ 研究主题(领域精准) 多条搜索查询(SEO 友好) │ 可编辑确认框(你可改主题和查询) ▼ Tavily / SerpApi / SearXNG 多查询并发搜索,返回完整内容 │ LLM 综合 ▼ Wiki 研究页 交叉引用现有 wiki │ 自动走两步摄入 ▼ 新实体/概念吸进知识网络那个可编辑确认框是关键设计——LLM 生成的主题和查询你先过目、可修改,确认后才花钱去搜。把「确认权」留给人类,避免 Agent 跑偏烧 API 额度。Provider 各自配置三个搜索 Provider 独立配置,各有适配:Tavily—— 自己的 API Key,专为 AI 优化的搜索SerpApi—— 自己的 API Key,可选搜索引擎(Google/Bing/…),抓完整内容而非截断摘要SearXNG—— 自建实例 URL 搜索分类,完全自托管、无 Key任务队列最多3 个并发,专用侧边面板实时流式进度,综合过程中的think块(针对 DeepSeek、QwQ 等会输出思维链的模型)显示为可折叠区域。闭环价值深度研究把「发现空白 → 补全」自动化了。结合上一篇火电案例:报告偏安全/寿命,对「调峰环保影响」着墨少 → 图谱标为稀疏 → 一键研究 → 联网补全 → 自动入库 → 知识网络更完整。知识库开始自我生长。亮点四:两步思维链摄入 —— 质量的秘密为什么拆成两步原始方法论是「LLM 同时阅读和写入」的单步摄入——一边理解一边生成,质量不稳定。LLM Wiki 把它拆成两次顺序 LLM 调用:第一步:分析(只读不写)LLM 阅读资料,产出结构化分析:关键实体、概念、论点与现有 Wiki 内容的关联(能链到哪些已有页面)与现有知识的矛盾和张力(主动发现冲突)Wiki 结构建议(该建/更新哪些页)第二步:生成(基于分析写)LLM 基于第一步的分析,产出:带 frontmatter 的资料摘要页(type/title/sources[])实体页、概念页及[[wikilink]]交叉引用更新index.md、log.md、overview.md审核项(需人工判断的)和深度研究搜索查询拆两步的好处是关注点分离:第一步专注「理解 找关联 找矛盾」,第二步专注「按 schema 规范落地」。这比让模型一次性「边读边写」质量高得多,也更容易让生成结果符合 schema 约束。配套的工程保障光拆两步还不够,摄入管线还有几个保障可靠性的机制:SHA256 增量缓存—— 摄入前算源文件哈希,没变就跳过。省 token,也避免重复覆盖。持久化串行队列—— 严格串行,防止并发 LLM 调用同时改 wiki 文件导致覆盖;队列落盘,崩溃/重启自动恢复;失败重试最多 3 次。15 分钟超时—— 长 PDF 的两步摄入可能要几分钟,超时设宽,不误判失败。保证资料摘要生成—— 兜底机制,即使第二步 LLM 漏了摘要页,也强制创建。语言感知—— 按你配置的语言(中文/英文)生成 wiki 内容。overview.md 自动重生成—— 每次摄入后刷新全局概要,反映最新状态。小结这四个亮点合在一起,构成了 LLM Wiki 区别于「又一个 RAG 套壳」的工程含金量:四信号关联度 Louvain让知识结构可视化、可分析,而不只是存起来MCP让你的知识库成为 AI Agent 的一等工具,融入 Claude Code 工作流深度研究让知识库能自我补全,而不是被动等投喂两步摄入用关注点分离 工程保障,把「自动构建」这件事做得可靠下一篇也是最后一篇,我们再往底层挖一层:三层架构的职责边界、四阶段检索管线的数据流、关联度算法的具体计算、缓存与队列的实现——把整个系统的运作原理讲透。系列下一篇:技术原理剖析 —— 三层架构与四阶段检索管线