Wiki Builder：构建LLM知识库的开源工具

在之前的两篇文章中，我先介绍了 LLM 知识库这一概念，接着讲解了如何仅使用 Markdown 文件、几个 prompt，以及一个遵循可重复循环的 Agent，手动构建这样的知识库。这套模式效果很好，但每次新建知识库时，我都发现自己要从头重新创建相同的目录结构、相同的 prompt 文件，以及相同的维护日志。

正是这种重复劳动促使我开发了 Wiki Builder。它是一个小巧的开源 Claude Code 插件，可以把 LLM 知识库的工作流变成一条命令即可完成的初始化流程。

Wiki Builder 能做什么

Wiki Builder 是一项只需在 Claude Code 中安装一次的 Skill。此后，你可以让 Claude 新建一个 wiki，它会搭建整洁的目录结构，放入该 wiki 专属的配置文件，并预置用于编译页面、归档答案和检查结构的 prompt。接下来，Agent 会先读取本地配置，再根据你当前处理的 wiki 调整自己的行为。

这项 Skill 的设计有意保持通用。它没有硬编码唯一的 wiki 结构，而是让每个 wiki 都拥有自己的 wiki.config.md，用来定义用途、受众、页面类型和更新规则。关于 Agent memory 的 wiki，与聚焦某篇 arXiv 论文的 wiki 看起来并不相同；而它们又都不同于用于梳理某家公司的知识库。使用的是同一个插件，却可以呈现不同形态。

目前开箱即用的类型包括 research、paper、domain、product、person、organization 和 project。在搭建 wiki 时传入相应类型，模板就会随之调整。

如果你读过这套工作流的手动构建版本，那么下面这个循环应该已经很熟悉了。

• 将未经处理的原始资料放入 raw/。

• 让 Agent 把资料编译成结构化页面，并写入 wiki/。

• 提出问题，再将答案归档到 wiki 的 wiki/questions/ 目录中。

• 执行一次维护流程，检查内容单薄的页面、缺失的反向链接，以及尚未编译的原始笔记。

Wiki Builder 并没有取代这个循环，它只是免去了初始化成本。你不必再为每个新主题反复搭建脚手架，可以把精力放到真正重要的事情上：阅读资料和组织页面。

案例展示：Agentic Engineering Wiki

与其抽象地解释这个插件，不如直接看看它在真实项目中产出了什么。

上周，我使用 Wiki Builder 初始化了 Agentic Engineering Wiki。这是一个由社区驱动的参考知识库，面向构建 AI Agent 的开发者。最初的 prompt 大致是：“使用 research 类型创建一个关于 agentic engineering 的 wiki。”从这里开始，Agent 循环便接管了后续工作。

经过几个小时的迭代，这个 wiki 已经包含：

• 分布在 7 个类别中的 51 条可操作建议，包括工具使用、prompting、评估、可靠性、memory、编排和部署

• 9 份公司档案，涵盖 Anthropic、OpenAI、Google DeepMind、Meta、Mistral、Cohere、DeepSeek、Stripe 和 Modal

• 10 篇面向实践者提炼的论文摘要

• 14 个开源工具条目

• 一个汇集精选 Hacker News 和 Reddit 内容的社区板块

• 一条 agentic engineering 发展时间线

每一项论述都会链接回资料来源。推测性内容会被明确标注。通过 wiki/index.md，可以完整浏览整个知识库的结构。除了插件本身，这一切不需要任何定制工具。

无论你让它处理什么内容，都可以沿用同一个循环。我已经用同一项 Skill 创建了关于评估、Agent memory，以及几个客户研究项目的 wiki。

底层工作原理

Wiki Builder 包含三个部分。

• 一个脚手架脚本。 init_wiki.sh 会创建目录结构、渲染模板并复制 prompt 文件。默认情况下，它会把文件写入 ~/dair-wikis/<slug>，但你可以通过 WIKI_ROOT 环境变量或 --root 参数覆盖这个位置。

• 一组 prompt 模板。 插件提供了可复用的 prompt，分别用于编译索引、编译来源页面、编译概念页面、查询并归档答案，以及检查 wiki。这些文件存放在每个 wiki 的 prompts/ 目录中，因此你无需修改全局 Skill，就可以单独编辑它们。

• 一个向 Claude 说明工作流的 SKILL.md。 该 Skill 文件会告诉 Claude 何时使用插件、新 wiki 应该放在哪里、修改前如何读取每个 wiki 的配置，以及编译页面必须达到怎样的质量标准。内容溯源不容妥协：每一项论述都必须关联回 sources.md。

一个新 wiki 的目录结构如下所示。

agentic-engineering-wiki/
├── wiki.config.md
├── raw/
├── wiki/
│   └── index.md
├── derived/
├── prompts/
│   ├── compile-index.md
│   ├── compile-source-page.md
│   ├── compile-concept-page.md
│   ├── query-and-file.md
│   └── lint-wiki.md
├── logs/
│   └── maintenance-log.md
└── sources.md

你可以添加 wiki/papers/、wiki/concepts/、wiki/people/、wiki/tools/，或者本地配置中要求的任何其他目录。这项 Skill 并不强制使用固定结构。

该插件位于 DAIR Academy Plugins marketplace。安装时，只需添加一次 marketplace，然后安装插件。

/plugin marketplace add dair-ai/dair-academy-plugins
/plugin install wiki-builder@dair-academy-plugins

完成后，你就可以向 Claude Code 提出这样的要求：“使用 research 类型创建一个关于 Agent memory 的新 wiki”，或者“将这些 arXiv 论文导入我的评估 wiki，并编译一个概念页面”。Claude 会解析任务，读取目标 wiki 的配置，然后按照既定循环执行。

如果你更愿意手动搭建脚手架，也可以直接调用脚本。

bash "${CLAUDE_PLUGIN_ROOT}/skills/wiki-builder/scripts/init_wiki.sh" \
  agent-memory \
  --title "Agent Memory" \
  --flavor research

我为什么喜欢这种构建方式

大多数“LLM 知识库”工具从第一天起，就会引入 embeddings、向量数据库和检索管线。在大规模场景下，这是正确答案。但在我们大多数人真正面对的规模下——几十篇论文、少量公司资料，再加上一些 Hacker News 讨论串——由 Coding Agent 维护的结构化 Markdown wiki，已经足以帮你完成大部分工作。

真正的价值在于让工作流具备持续积累的能力。Agent 产出的每个有用答案，都有明确的位置可以保存下来。wiki 会不断增长。以后再提出问题时，成本也会更低，因为答案往往已经记录在案，并且附有资料来源。

Wiki Builder 目前只是第一个版本。随着遇到新的使用场景，我会继续迭代模板并增加更多类型。如果你用它构建了什么项目，我很乐意看看成果。

观看操作演示

我录制了一场实时操作演示，展示了如何在一个真实主题上从头到尾使用这个插件，其中包括我使用的 prompt，以及首次编译完成后所遵循的维护循环。你可以在 DAIR Academy 观看这段演示。

该插件采用 MIT 许可证开源。源代码、README 和 LICENSE 均位于 DAIR Academy Plugins marketplace。

如果你准备创建一个研究 wiki、深入钻研某篇论文，或者为内部项目建立知识库，不妨试试这个插件。初始化只需要大约一分钟，而你用它构建的 wiki，或许会在未来几个月里成为你的工具体系中最有用的部分。