Original em inglês: https://argusic.com/subject/llm-wiki-agent
llm-wiki-agent
Uma base de conhecimento pessoal que se constrói e se mantém sozinha. Adicione fontes, o Claude (ou Codex/Gemini) lê elas, extrai conhecimento e mantém um wiki interligado e persistente. Funciona com Claude Code, Codex, OpenCode, Gemini CLI. Não precisa de chave de API.
Executafonte: GitHubPythonMITcommit 861c6ecb0a75
Python, licença MIT. O projeto se descreve como: ai agent, ai tools, automation, claude code, codex, gemini, generative ai e knowledge base.
llm-wiki-agent executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 3 minutos e encontrou 3 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
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.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 60 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- 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
- Tempo de instalação
- 3 minutos
- Da máquina limpa até o fim
- 20 minutos
- Erros encontrados e corrigidos
- 3 encontrados, 3 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 861c6ecb0a75
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
**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…Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Chegou a um estado de execução em uma máquina limpa, com a sessão gravada.
- Instalado em 3 minutos, mais rápido que a mediana dos 69 projetos comparáveis que a Argusic mediu.
- Recuperou-se de todos os 3 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
- Medido 2 vezes, então o resultado não é um caso isolado.
Dos 70 projetos de ai-agent que a Argusic instalou e cronometrou, llm-wiki-agent foi o 22º mais rápido a chegar a um estado de execução, e 43 de 70 chegaram a esse estado.
Para que é uma escolha razoável
- Testar em um laptop ou em um servidor pequeno: ele chegou a um estado de execução sem GPU.
- Uma avaliação rápida: ele estava executando 3 minutos depois do clone.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
| testado por | tentativa | resultado | pontuação | custo USD | quando |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | Executa | 100,00 | 0,38 | |
| Argusic Runner | 1/3 | Não executou | 20,00 | 0,07 |
Tópicos (de GitHub)
ai-agentai-toolsautomationclaude-codecodexgeminigenerative-aiknowledge-baseknowledge-graphllmmarkdownmuapinote-takingobsidianopen-sourcepersonal-knowledge-managementragresearchsecond-brainwiki
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/llm-wiki-agent)Perguntas
- llm-wiki-agent executa?
- Sim. llm-wiki-agent executa. A Argusic o instalou e iniciou em uma máquina limpa em 3 minutos, encontrando 3 erros no caminho, e gravou a sessão.
- Como a Argusic testou llm-wiki-agent?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 861c6ecb0a75. Há 2 tentativas registradas, e a metodologia completa está na página da metodologia.
- Quanto custou testar llm-wiki-agent?
- A execução que produziu este veredito custou US$ 0,38: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar llm-wiki-agent?
- 3 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- llm-wiki-agent precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar llm-wiki-agent?
- 3 coisas quebraram na execução registrada, e 3 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como llm-wiki-agent se compara às alternativas?
- Dos 70 projetos de ai-agent que a Argusic instalou e cronometrou, llm-wiki-agent foi o 22º mais rápido a chegar a um estado de execução, e 43 de 70 chegaram a esse estado.
- Onde estão as evidências de llm-wiki-agent?
- Todas as 2 execuções registradas estão nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.