Original en inglés: https://argusic.com/subject/llm-wiki-agent
llm-wiki-agent
Una base de conocimiento personal que se construye y mantiene a sí misma. Añade fuentes: Claude (o Codex/Gemini) las lee, extrae conocimiento y mantiene un wiki interconectado persistente. Funciona con Claude Code, Codex, OpenCode, Gemini CLI. No se necesita API key.
Funcionafuente: GitHubPythonMITcommit 861c6ecb0a75
Python, licencia MIT. El proyecto se describe a sí mismo como: ai agent, ai tools, automation, claude code, codex, gemini, generative ai y knowledge base.
llm-wiki-agent funciona. Un agent de Argusic lo instaló en 3 minutos y encontró 3 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
llm-wiki-agent repo has 9 wiki pages (1 source, 2 entities, 5 concepts, 1 overview), a working knowledge graph (9 nodes, 36 edges), and all 10 Python tools run without errors after fixing 3 bugs in tools/_utils.py and tools/ingest.py.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 60 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- Entity and concept pages created by ingest not added to wiki/index.md3 minutos
- Piped wikilinks [[Target|Text]] not resolved — false broken-link warnings on every ingest that uses display text2 minutos
- update_index() used str.replace so only first entry per section survived2 minutos
- Tiempo de instalación
- 3 minutos
- De máquina en frío a terminar
- 20 minutos
- Errores encontrados y corregidos
- 3 encontrados, 3 corregidos sin ayuda humana
- Cómo se demostró el resultado
- python tools/health.py --json returned 9 pages, 0 index_sync issues, 0 log_coverage gaps. python tools/ingest.py ingested a real Chinese diary document creating 1 source + 2 entity + 5 concept pages. python tools/lint.py checked 9 pages with 0 orphans and 0 broken links. python tools/build_graph.py produced 9 nodes, 36 edges. python tools/query.py returned a correct synthesis with [[wikilink]] citations. python tools/refresh.py re-ingested a stale source. python tools/heal.py confirmed no missing entities.
- Tokens de modelo usados
- 232.755
- Commit exacto probado
- 861c6ecb0a75
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
**verified_how:** `python tools/health.py --json` returned `{"total_pages":9,"empty_files":[],"inde…
tokens used
232,755
All tools pass, the wiki is fully operational, and three bugs have been fixed. Here is the final as…
**install_succeeded:** true — all Python dependencies (litellm, networkx, markitdown, tqdm) install…
**launch_succeeded:** true — all 9 Python tools launched and executed without errors.
**errors found and fixed:**
1. `extract_wikilinks` didn't handle piped `[[Target|Text]]` wikilinks → false broken-link reports …
2. Entity and concept pages created by ingest were never added to `wiki/index.md` → fixed by adding…
3. `update_index` used `str.replace` which only worked for the first entry per section → fixed by a…
**test_depth:** tier1_real — verified with real Argusic API calls end-to-end
**verified_how:** `python tools/health.py --json` returned `{"total_pages":9,"empty_files":[],"inde…Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Se instaló en 3 minutos, más rápido que la mediana de los 69 proyectos comparables que ha medido Argusic.
- Se recuperó de los 3 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia MIT, según su plataforma de origen.
- Medido 2 veces, así que el resultado no es algo puntual.
De los 70 proyectos de ai-agent que Argusic ha instalado y cronometrado, llm-wiki-agent fue el 22.º más rápido en llegar a funcionar, y 43 de 70 llegaron a funcionar.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
- Una evaluación rápida: estaba funcionando 3 minutos después del clon.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | Funciona | 100,00 | 0,38 | |
| Argusic Runner | 1/3 | No funcionó | 20,00 | 0,07 |
Temas (de GitHub)
ai-agentai-toolsautomationclaude-codecodexgeminigenerative-aiknowledge-baseknowledge-graphllmmarkdownmuapinote-takingobsidianopen-sourcepersonal-knowledge-managementragresearchsecond-brainwiki
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/llm-wiki-agent)Preguntas
- ¿Funciona llm-wiki-agent?
- Sí. llm-wiki-agent funciona. Argusic lo instaló y lo inició en una máquina limpia en 3 minutos, con 3 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic llm-wiki-agent?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 861c6ecb0a75. Hay 2 intentos registrados, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar llm-wiki-agent?
- La ejecución que produjo este veredicto costó 0,38 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda llm-wiki-agent en instalarse?
- 3 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita llm-wiki-agent una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar llm-wiki-agent?
- En la ejecución registrada fallaron 3 cosas, y 3 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara llm-wiki-agent con las alternativas?
- De los 70 proyectos de ai-agent que Argusic ha instalado y cronometrado, llm-wiki-agent fue el 22.º más rápido en llegar a funcionar, y 43 de 70 llegaron a funcionar.
- ¿Dónde está la evidencia de llm-wiki-agent?
- Las 2 ejecuciones registradas están en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.