鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

dsh-llm-wiki

Karpathy LLM Wiki 模式的 DSH 知识库系统：wiki-write/wiki-search 技能引导模型写读 Obsidian wiki，零依赖管线（lint/索引/mnemon 记忆体同步/质量闭环），极简生命周期插件注入守则与知识预览，Ollama 兼容代理接 SiliconFlow 语义召回。

记忆
访问 GitHub
文档README

dsh-llm-wiki

Karpathy LLM Wiki 模式的 DeepSeek Harness 知识库系统：模型写 wiki、管线维护、记忆体召回、质量闭环。 对齐 Google Research WikiSkill 三层架构 + OKF v0.2 知识格式规范。

基于 Karpathy 的 LLM Wiki 理念 的 Obsidian 知识库自动化方案。整套系统由 1 个极简插件 + 2 个技能 + 1 个管线脚本 + 1 个向量代理服务 组成，刻意保持低代码、零第三方插件依赖。

架构

▼
text
复制代码
写：wiki-write SKILL → 模型会话内写 Obsidian wiki 页面（frontmatter/wikilink 规范）
管：llm-wiki-pipeline.mjs（lint/okf/compile-patterns/索引/记忆体同步/usage/rate，零依赖，幂等）
     ├─ systemd timer 每日 10:00 自动运行
     └─ 插件 session/disposed 事件触发（60s 防重入）
记：mnemon 记忆体（向量语义召回）
读：wiki-search SKILL（rg + read 检索原文）
馈：--rate 质量反馈 / --usage 召回热度回写 queried_count
编：--compile-patterns 从孤立节点聚类生成 pattern 页（WikiSkill 核心创新）
向：embed-proxy.mjs（Ollama 兼容代理 → SiliconFlow /v1/embeddings，可选）
组件文件部署位置
生命周期插件plugin/dsh-llm-wiki.mjs~/.dsh/profiles/web/（cordis.patch.yml 挂载）
检索技能skills/wiki-search/SKILL.md~/.agents/skills/wiki-search/
写入技能skills/wiki-write/SKILL.md~/.agents/skills/wiki-write/
管线scripts/llm-wiki-pipeline.mjs~/bin/
向量代理scripts/embed-proxy.mjs~/bin/ + systemd 服务
定时systemd/llm-wiki-pipeline.timer~/.config/systemd/user/

依赖

  • dsh >= 0.1.1-rc.2（web profile）
  • Node.js >= 22.19（管线用 node:sqlite）
  • ripgrep（wiki-search 检索）
  • mnemon CLI + dsh-mnemon 插件（记忆体）
  • Obsidian vault（wiki 页面），目录结构见 wiki 结构
  • SiliconFlow API key（可选，用于向量召回；复用 ~/.modlens/config.json 或环境变量 EMBED_KEY）

安装

方式 A：bundle 包（推荐，含插件）

▼
bash
复制代码
dsh plugin --profile web add github:iwtown/dsh-llm-wiki

然后安装 SKILL / 管线 / systemd 服务（install.sh 只做这一步也行）：

▼
bash
复制代码
git clone https://github.com/iwtown/dsh-llm-wiki.git
cd dsh-llm-wiki && ./install.sh
systemctl --user restart dsh-web   # 让插件生效

方式 B：install.sh 全量本地部署（插件为 profile 本地文件，零 npm/零 node_modules，最反脆弱）

▼
bash
复制代码
git clone https://github.com/iwtown/dsh-llm-wiki.git
cd dsh-llm-wiki && ./install.sh
systemctl --user restart dsh-web

install.sh 会把各组件复制到标准位置并启用 systemd 服务。然后：

  1. 配置 vault 路径：默认 /mnt/d/DB/Obsidian/LLM-Wiki（管线可用环境变量 LLM_WIKI_VAULT 覆盖；插件在 cordis.patch.yml 的 config.vault 覆盖；SKILL 文件中的路径需按本机修改）
  2. 首次记忆体同步：node ~/bin/llm-wiki-pipeline.mjs --sync（把 wiki 精华导入 mnemon）
  3. 可选向量：确认 embed-proxy 服务运行后 mnemon embed --all 补齐向量

使用

  • 写入知识：直接说"把这个记到知识库"，模型按 wiki-write 技能写入对应分类
  • 检索知识：问"之前怎么做的"，模型按 wiki-search 技能检索并引用原文
  • 手动管线：node ~/bin/llm-wiki-pipeline.mjs --all
  • 质量反馈：node ~/bin/llm-wiki-pipeline.mjs --rate wiki/决策/xxx.md --rating useful|outdated

管线路由

▼
bash
复制代码
node ~/bin/llm-wiki-pipeline.mjs --lint          # frontmatter 完整性 + 孤立节点检测 + stale 报告
node ~/bin/llm-wiki-pipeline.mjs --okf           # OKF v0.2 字段补齐（幂等，verified 自动标记）
node ~/bin/llm-wiki-pipeline.mjs --compile-patterns  # 从孤立节点聚类生成 pattern 页
node ~/bin/llm-wiki-pipeline.mjs --index         # 重建导航页
node ~/bin/llm-wiki-pipeline.mjs --sync          # 变更同步到 mnemon 记忆体
node ~/bin/llm-wiki-pipeline.mjs --usage         # 回写召回热度到 frontmatter
node ~/bin/llm-wiki-pipeline.mjs --dsh-export    # 导出 DSH 会话到 raw/sessions/dsh/
node ~/bin/llm-wiki-pipeline.mjs --all           # 全量执行（含 --prune-memory）
node ~/bin/llm-wiki-pipeline.mjs --all --dry-run # 预览模式（零写入）

配置（环境变量）

变量默认说明
LLM_WIKI_VAULT/mnt/d/DB/Obsidian/LLM-Wikivault 路径
LLM_WIKI_STATE~/.dsh/llm-wiki/pipeline-state.json管线增量状态文件
EMBED_KEY读 ~/.modlens/config.jsonSiliconFlow API key
EMBED_MODELBAAI/bge-m3向量模型

wiki 结构

▼
text
复制代码
LLM-Wiki/
├── schema.md                # 运行时守则（插件注入到系统提示）
├── log.md                   # 操作日志（管线追加）
├── raw/                     # [Raw Layer] 原始素材（追加写入，永不删除）
│   ├── sessions/dsh/        # DSH 会话导出（管线 --dsh-export 自动生成）
│   └── zinbox-index/        # ZInBox 剪藏原始源
├── wiki/                    # [Wiki Layer] 编译后的结构化知识
│   ├── index.md             # 导航页（管线 --index 自动生成）
│   ├── evolution/
│   │   ├── logs.md          # 编译日志（pattern 创建/合并/归档事件）
│   │   └── skill-impact.md  # 技能影响追踪表
│   ├── patterns/            # WikiSkill 模式页（管线 --compile-patterns 自动生成）
│   │   ├── TEMPLATE.md      # Pattern 页模板
│   │   └── *-pattern.md     # 自动生成的可复用经验页
│   └── <12 分类>/           # 发现/决策/概念/流程/命令/规则/提示/记忆/项目/引用/索引/基因
└── skills/                  # [Skills Layer] 可执行技能追溯（扩展点）
    └── _template/PURPOSE.md # Skill 回溯到 inspire 它的 pattern 页

OKF v0.2 字段

字段类型写入方说明
sourcesstring[]模型填写；管线 okfAlign 补全知识来源（URL / session / 配置路径）
generated{ by, at }管线自动补充生成者（agent/dsh-llm-wiki 或 human:<id>）
verified{ by, at }quality_score≥4 自动标记 / --rate 确认信任分级：agent verified / human reviewed
statusactive|draft|archived管线 stale 检测 + --rate 更新生命周期状态
stale_afterISO 日期管线 okfAlign 自动计算created/updated + 90 天
descriptionstring管线 okfAlign 从内容摘要推导一句话知识描述
quality_score1-5管线 usage 回写 + --rate 更新知识质量评分

信任分级

级别条件置信度
✅ human-reviewedverified.by 含 human:高置信，优先召回
⚙️ machine-confirmedquality_score ≥ 4 且无 human verified中置信，管线自动验证
⚠️ unverified新页面或 quality_score < 3低置信，需人工确认

WikiSkill 三层架构对齐

WikiSkill 层dsh-llm-wiki 对应说明
Raw Layerraw/sessions/, raw/zinbox-index/原始素材；管线 --dsh-export 自动导入
Wiki Layerwiki/（12 分类 + patterns/ + evolution/）结构化知识；管线 --lint/--okf/--compile-patterns 自动维护
Skills Layerskills/ + DSH ~/.agents/skills/可执行技能；每个 skill 可选配 PURPOSE.md 回溯 pattern

核心创新：Pattern 层 — 从孤立节点聚类提取可复用经验，由管线 --compile-patterns 自动生成，写入 wiki/evolution/logs.md 编译日志。

设计原则

  • 反脆弱：检索/写入用 SKILL + DSH 原生工具（零插件故障面）；只有"必须进程内"的注入与事件钩子才进插件（~90 行）
  • 幂等：管线 mtime 增量检测，重复运行无副作用；--okf / --compile-patterns 均幂等
  • 闭环：使用数据（recall 命中）→ queried_count → quality_score → 影响召回 → verified 信任分级
  • 本地优先：wiki 与记忆体全本地，向量可选云端
  • 编译进化：孤立节点 → pattern 聚类 → 可复用经验，知识随使用不断提炼

License

MIT

记忆

快捷安装

复制到终端去安装插件

dshplugin--profilewebaddgithub:iwtown/dsh-llm-wiki

温馨提示

装插件等于在本机跑第三方代码，权限与你相同，能读文件、用凭据、访问网络，工具审批管不到。请只装可信来源，并尽量锁定 commit。

站长：程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
站长：程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题
dsh 插件推荐
dsh-memory-eternal
给 DeepSeek Harness 装上自研「第二大脑」：对话结束自动把值得复用的内容沉淀成本地 Markdown 知识卡（自研去重、CJK 检索、可 git 管理），设置页提供图形化知识库 + 交互式知识图谱（图例过滤、时间维、框选、合并、导入导出）。
dsh-decision-log
DeepSeek Harness 决策日志：通过 decision_log / decision_list / decision_audit 工具把关键决策（选了什么 + 为什么）沉淀为可版本化的 DECISIONS.md，并在后续会话自动注入摘要，让决策可追溯、不重复、不推翻。
dsh-flomo-report
生成 AI 叙事的 DSH 会话报告（日报/周报/月报、任意区间）并同步到 flomo：单一可配置标签（默认
dsh-memory-plugin
为 DeepSeek Harness 提供人工记忆、自动对话保留以及图谱和向量排序召回的持久记忆插件。
dsh-cc-haha-dream
DeepSeek Harness 自动做梦插件：后台定期回顾近期会话与记忆，整合去重、更新过时、删除矛盾、修剪索引，支持 hybrid/volume 自动触发、/dream 手动执行与设置面板配置。