Безголовый вики-движок для агентов. 24 инструмента MCP. Один ржавый бинар. Нет LLM внутри.

Постройте знания, которые соединяют, а не ответы, которые испаряются.

A git-backed Markdown wiki — доступный для поиска, типизированный, связанный с графом. Доступно из командная строка от любого MCP-совместимого агента или от любой IDE через ACP.

##Проблема с RAG

Большинство инструментов знаний ИИ извлекают и генерируют на каждом запросе. Каждый ответ является одноразовый — ничему не учат, ничего не хранят. Задайте один и тот же вопрос дважды и LLM причины с нуля.

llm-wiki реализует иную схему — динамическое хранилище знаний (DKR), представленный Андреем Карпати:

Источники обработки в момент глотания, а не время запроса. LLM объединяет все

source in the wiki — обновление концептуальных страниц, создание резюме источников; • затушевывание противоречий — и фиксирует результат. Соединения знаний с «Каждое дополнение».

Традиционный RAG | llm-wiki (DKR)

Когда знание строится В момент запроса Во время глотания Перекрестные ссылки. Ad hoc или miss | Предварительно построенный, типизированный граф | Накопление знаний | Сбрасывает каждый запрос | Соединения с течением времени |

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