대리인을 위한 headless 위키 엔진. 24 MCP 도구. 1 Rust 바이너리. 안쪽으로 LLM 없음.

** 화합물의 구조 지식 - 증발하지 않는 대답. **

git-backed Markdown wiki - 검색 가능, 유형, 그래프 연결. 오시는 길 모든 MCP 호환 에이전트 또는 ACP를 통해 IDE에서 명령 행.

RAG와 문제

대부분의 AI 지식 도구 검색 및 모든 쿼리에 생성. 각 응답은 일회용 - 아무것도 배운, 아무것도 유지되지 않습니다. 같은 질문을 두 번 그리고 찰상에서 LLM 이유.

llm-wiki는 다른 패턴을 구현합니다. —Dynamic Knowledge Repository (DKR), Andrej Karpathy에 의해 소개:

제스처에서 프로세스 소스, 쿼리 시간. LLM은 각각 통합 wiki에 소스 — updating 개념 페이지, 생성 소스 요약, 기적 금전 - 결과가 커집니다. 지식 화합물과 모든 것.

| | 전통 RAG | llm-wiki (DKR) | 인포메이션 센터 | 지식이 내장되었을 때 | 자주 묻는 질문 자주 묻는 질문 | 횡단보도 | Ad hoc or missed | 사전 제작, 형 그래프 | | 지식 축적 | 각 쿼리 재설정 | 시간 이상 화합물 |

llm-wiki

A headless wiki engine for agents. 24 MCP tools. One Rust binary. No LLM inside.

Build knowledge that compounds — not answers that evaporate.

A git-backed Markdown wiki — searchable, typed, graph-linked. Accessible from the command line, from any MCP-compatible agent, or from any IDE via ACP.

The problem with RAG

Most AI knowledge tools retrieve and generate on every query. Each answer is disposable — nothing is learned, nothing is kept. Ask the same question twice and the LLM reasons from scratch.

llm-wiki implements a different pattern — the Dynamic Knowledge Repository (DKR), introduced by Andrej Karpathy:

Process sources at ingest time, not query time. The LLM integrates each source into the wiki — updating concept pages, creating source summaries, flagging contradictions — and commits the result. Knowledge compounds with every addition.

How it works

The engine is pure infrastructure. It manages files, git, full-text search, and graph structure. The LLM is always external — it calls the engine’s tools via MCP, reads pages, writes pages, and commits knowledge. Intelligence flows through skills, not the binary.

LLM agent
  │
  ├── wiki_list(format: "llms")             → all pages grouped by type
  ├── wiki_search("mixture of experts")     → ranked results + facets
  ├── wiki_content_read("concepts/moe")     → full page + backlinks
  ├── wiki_graph(root: "concepts/moe")      → typed graph in Mermaid/DOT
  ├── wiki_suggest("concepts/moe")          → pages worth linking
  ├── wiki_content_new("concepts/new-page") → scaffold + returns local path
  ├── [write directly to path]              → no MCP round-trip
  └── wiki_ingest(path: "concepts/")        → validate, index, commit

A wiki page is a plain Markdown file with typed frontmatter:

---
type: concept
title: Mixture of Experts
status: active
confidence: 0.9
tags: [routing, scaling, efficiency]
sources:
  - sources/switch-transformer-2021
  - sources/mixtral-2024
concepts:
  - concepts/sparse-routing
  - concepts/scaling-laws
---

Sparse routing of tokens to expert subnetworks...

The engine validates frontmatter against a JSON Schema, extracts typed graph edges from sources and concepts, and indexes everything in tantivy. The graph is live the moment a page is committed.

Install