英文原文: https://argusic.com/subject/llm-wiki-agent

llm-wiki-agent

一个个人知识库，能够自我构建和维护。放入来源，Claude（或 Codex/Gemini）读取它们，提取知识，并维护一个持久的相互链接的 wiki。适用于 Claude Code、Codex、OpenCode、Gemini CLI。无需 API 密钥。

可运行来源：GitHubPythonMITcommit 861c6ecb0a75

Python，MIT 许可证. 项目的自我描述：ai agent、ai tools、automation、claude code、codex、gemini、generative ai 和 knowledge base.

llm-wiki-agent 可以运行。一个 Argusic agent 在一台没有 GPU 的干净机器上用 3 分钟完成了安装，遇到 3 个错误，并在无人协助的情况下全部修复，整个会话都被记录了下来。

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.

agent 在干净的机器上最终得到的结果，用它自己的话说。 测量方式

每一次都由 Argusic 在全新机器上实测。每个数字都链接到对应的证据。 Argusic 评分 60，满分 100（该项目各次运行得分的平均值）。

概览

结论
可运行
Argusic 评分
60 / 100
验证运行的成本
0.38 USD（实测）
已记录的运行次数
2
最近测试
星标
3,673
fork 数
428
未关闭的 issue
13
关注者
34
大小
0 MB
创建于
最近推送

项目数据来自 GitHub，链接见本页顶部，更新于 。测试数据由 Argusic 提供 (CC BY 4.0)；每个数字都链接到一个运行页面，附完整的 log、录屏及其 sha256 哈希。

测量了什么

来自决定该结论的那次运行。 每一行都是记录下来的数值，而非估算。

测试 llm-wiki-agent 时每个故障耗费的时间，取自已记录的运行
每一根柱子都是 agent 记录的一次失败，以及它耗费的时间。数据仅取自本次运行。

哪里出了问题，用 agent 自己的话说

agent 的原话，最严重的排在最前，从不改写成建议。

  • Entity and concept pages created by ingest not added to wiki/index.md3 分钟
  • Piped wikilinks [[Target|Text]] not resolved — false broken-link warnings on every ingest that uses display text2 分钟
  • update_index() used str.replace so only first entry per section survived2 分钟
安装时间
3 分钟
从冷启动机器到完成
20 分钟
遇到并修复的错误
遇到 3 个，在无人协助的情况下修复了 3 个
结果是如何证明的
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.
使用的模型 token
232,755
测试的确切 commit
861c6ecb0a75
容器镜像
sha256:cdd920bce783

没有测量什么

另一半内容，让你清楚看到这些证据能说明到什么程度。缺失的数据就标为缺失，从不填补。

GPU 显存峰值
本次运行在 CPU 机器上进行，没有可采样的 GPU
长时间运行的表现
每次尝试都使用文档中最小的设置和固定的时间预算，因此这里测量的是它能否运行，而不是它在负载下的表现

录屏的结尾

决定该结论的终端会话的最后几行，与录制时完全一致。

**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…

回放完整会话，从干净的机器到此刻的每一条命令。

测试方式

一个 agent，一个容器，没有人工协助。它按照项目自身文档所写的方式安装项目，运行它，并修复出错的地方。下面的一切都按实际发生的过程记录：终端会话、log 和确切的 commit。 完整方法论.

优势与局限

均为实测事实，而非观点。内容是如何撰写的.

顺利的部分

  • 在干净的机器上达到了运行状态，会话有完整记录。
  • 用 3 分钟完成安装，快于 Argusic 测量过的 69 个同类项目的中位数。
  • 在无人介入的情况下从全部 3 个错误中恢复，说明这些故障的文档足以让人解决。
  • 无需 GPU 即可运行，因此启动它并不需要 GPU。
  • 采用 MIT 许可证，以其托管平台报告的信息为准。
  • 已测量 2 次，因此结果并非偶然。

在 Argusic 安装并计时过的 70 个 ai-agent 项目中，llm-wiki-agent 达到运行状态的速度排名第 22，70 个项目中有 43 个达到了运行状态。

适合用于

  • 在笔记本电脑或小型服务器上试用：它无需 GPU 即达到了运行状态。
  • 快速评估：克隆后 3 分钟它就已经运行起来。

同一领域中也测试过的项目

这里的每个项目都由 Argusic 在干净的机器上安装并运行过。未经测试的项目不会出现在这里。

  • obsidian-wiki 已测试，未验证 · Python · 7 个共同主题
  • graphify 已验证可运行 · Python · 6 个共同主题
  • claude-obsidian 已验证可运行 · Python · 6 个共同主题
  • obsidian-second-brain 已验证可运行 · Python · 6 个共同主题
  • llm-wiki 已验证可运行 · Python · 6 个共同主题
  • Trail-Code 已验证可运行 · TypeScript · 5 个共同主题

运行历史

测试者尝试结果评分成本 USD时间
Argusic Runner2/3可运行100.000.38
Argusic Runner1/3未能运行20.000.07

主题 (来自 GitHub)

ai-agentai-toolsautomationclaude-codecodexgeminigenerative-aiknowledge-baseknowledge-graphllmmarkdownmuapinote-takingobsidianopen-sourcepersonal-knowledge-managementragresearchsecond-brainwiki

嵌入徽章

用于项目 README 的 Markdown。徽章链接回本页；使用条款见 条款页面.

[![Tested by Argusic](https://argusic.com/badge/llm-wiki-agent.svg)](https://argusic.com/subject/llm-wiki-agent)

常见问题

llm-wiki-agent 能运行吗？
是的。llm-wiki-agent 可以运行. Argusic 在一台干净的机器上安装并启动了它，用时 3 分钟，过程中遇到 3 个错误，并记录了整个会话。
Argusic 是如何测试 llm-wiki-agent 的？
在一台全新的一次性机器上进行，每条命令都被记录，仓库固定在 commit 861c6ecb0a75。共记录了 2 次尝试，完整方法见方法论页面。
测试 llm-wiki-agent 花了多少钱？
得出该结论的那次运行花费 0.38 USD：这是真实的算力和模型成本，而不是按每百万 token 计的标价。该数字记录在那次运行的页面上。
llm-wiki-agent 安装需要多长时间？
在决定该结论的那次运行中，从干净的机器到运行状态用了 3 分钟。这是一次实测的尝试，不是平均值。
llm-wiki-agent 需要 GPU 吗？
启动它不需要。Argusic 在一台没有 GPU 的机器上让它达到了运行状态。
安装 llm-wiki-agent 时会出现什么问题？
已记录的运行中出现了 3 个问题，其中 3 个在无人协助的情况下被修复。每个问题及其耗费的时间都列在本页上。
llm-wiki-agent 与其他替代方案相比如何？
在 Argusic 安装并计时过的 70 个 ai-agent 项目中，llm-wiki-agent 达到运行状态的速度排名第 22，70 个项目中有 43 个达到了运行状态。
llm-wiki-agent 的证据在哪里？
全部 2 次已记录的运行都在本页上，每次都链接到完整的 log 和终端录屏，并连同 sha256 指纹一起保存，因此无法被悄悄篡改。

Discussion