Vesna-Strivozha/DSH-LLM-wiki-plugin#dsh-llm-wiki

@vesna-strivozha-2026/dsh-llm-wiki —— DeepSeek Harness 的「个人知识库」插件。 不需要写代码：像用 Obsidian 一样，把资料丢进去，AI 帮你整理成一本会累积、会互相引用、能直接提问的知识库。

English | 中文

---

这是什么（大白话）

普通的「检索问答（RAG）」是：每次提问时临时去翻原始文档、临时拼答案，用完就丢，什么也不沉淀。

LLM Wiki 不一样，它用的是 Karpathy 的「Wiki 方法论」：AI 持续维护一本会累积、会交叉引用、会自我检查的维基。

• 你只做两件事：把资料丢进去、向它提问。
• AI负责剩下所有事：读资料、写摘要、建页面、互相链接、维护目录、发现矛盾。

打个比方：你请了一个不知疲倦的知识管理员，帮你把散乱的资料整理成有条理、能交叉查询的活页笔记。

---

功能

功能	说明
🗂 一键建库	选一个文件夹，自动生成知识库骨架
📥 拖拽上传	拖文件进面板或点击选择，上传前确认
🧠 自动摄取	AI 读你的原始文件，自动生成/更新知识页，并维护索引与日志
📚 文件树浏览	像资源管理器一样浏览，点文件即可阅读
🕸 知识星图	把页面之间的关系画成可缩放、可拖拽的网状图
🩺 自动自检	检查孤儿页、孤立页等问题
📖 原地阅读	面板内看 Markdown 排版和 PDF
💬 聊天即问即答	聊天框提问，AI 基于知识库作答并附上出处路径

---

三步上手

1. 选工作区 + 建库：右侧面板点「选工作区」选一个文件夹，再点「建库」。
2. 上传 + 摄取：把 .md/.txt/.pdf 等拖进面板 → 上传确认 → 自动摄取（AI 生成知识页）。
3. 提问：回到聊天框，直接问知识库相关的问题。

详细的小白教程（界面速览、FAQ、名词解释）见客户端包 ui-llm-wiki。

---

聊天问答

插件注册了一个 wiki_query 工具，并注入提示段让模型在遇到知识库话题时先查知识库。所以你直接在聊天框问即可，例如：

“我导入的那篇 agent 论文里，agentic misalignment 是什么意思？”

AI 会检索知识库、基于内容作答，并在回答里给出页面路径（如 wiki/concepts/agentic-misalignment.md）方便核对原文。

---

知识库目录结构

<工作区>/llm-wiki/
├── raw/               # 原始来源（你上传的文件，只读，AI 不改）
│   └── .ingested.json # 摄取去重记录
├── wiki/              # AI 生成的知识页（AI 独占维护）
│   ├── entities/      # 实体页
│   ├── concepts/      # 概念页
│   └── sources/       # 来源摘要页
├── index.md           # 全库索引（自动重建）
├── log.md             # 时间线日志（只追加）
└── schema.md          # 知识库约定

---

架构（给开发者）

单个插件拆成两个包 + 一行 preset 贡献：

部件	位置	职责
Host 引擎（本包）	main（dsh.profile.bundles）	摄取/检索/星图/自检、RPC、wiki_query 工具、提示段
浏览器面板	@vesna-strivozha-2026/dsh-client-ui-llm-wiki	右侧栏文件树 / 上传 / 星图 / 阅读器
preset 行	用户自建 preset	把 wiki_query 工具暴露给 agent

平面归属：host 引擎发布服务，装在宿主组合（profile）；client 面板是 dsh.client 行。当前为本地可用形态，client 行跟随本包（host bundle）的 cordis.patch.yml 一起插入；若正式并入上游，需把 client 行归到 dsh-web-app bundle。

---

构建与安装（给开发者）

# 在 deepseek-harness 仓库内
pnpm install
pnpm run build

# 装入 profile（host + client）
dsh plugin --profile web add @vesna-strivozha-2026/dsh-llm-wiki

然后给 agent preset 加一行（拷贝 standard 后）暴露问答工具：

- id: llm-wiki
  name: '@vesna-strivozha-2026/dsh-llm-wiki'

重启客户端即可。

---

Model Experience

本包（host 引擎）在摄取和检索两处接触模型，客户端面板本身不直接调模型。

摄取引擎

What the model sees

每个 raw/ 源触发一次 LLM 调用：输入为源内容（截断到 maxSourceChars）与 schema.md 约定，要求输出结构化 JSON {"pages":[{"path":"...","content":"..."}],"logEntry":"..."}，落盘成 wiki/ 页面后自动重建 index.md、追加 log.md。

Token effect

单源输出受 ingestMaxTokens（默认 16384）约束；源内容按 maxSourceChars（默认 60000）截断；并发受 concurrency（默认 3）约束。

KV Cache effect

无跨请求缓存；每次摄取即时读取磁盘上的源文件与 markdown。

wiki_query 工具

What the model sees

wiki_query 检索 wiki/ 页面，返回 index.md 摘要与最匹配页面；llm-wiki-query 提示段指示模型优先用该工具回答知识库话题。

Token effect

结果被截断：索引 ≤1500 字、每页 ≤1200 字、最多 4 页。

KV Cache effect

无跨请求缓存；检索每次即时读盘。

---

Known Limitations and Deferred Work

• 「用指定应用打开」仅 macOS：PDF 应用列表（预览 Preview / Adobe / Skim）只在 macOS 提供；「用默认应用打开」「在文件管理器中显示」已跨平台（macOS open / Windows Invoke-Item / Linux xdg-open）。
• pypdf 依赖：摄取 PDF 需在任意平台安装 Python + pypdf（面板内 PDF 阅读不需要）。
• 面板占用 details 槽：替换 Harness 自带「工具详情」面板（工具结果仍在对话卡片可见）。
• 轻量 markdown 渲染器：知识库页面/索引用专用渲染器（支持 [[wikilink]] 点击跳转）；复杂 GFM（表格、脚注等）不在其覆盖范围内。
• 二进制上传走 JSON base64：大文件上传较慢，无流式上传。