原文链接：https://mp.weixin.qq.com/s/S9xgpRoyRaX72FSQNKXzeA

Multi-Agent-LLM-Wiki Kills

claude code\openlaw\hermes\workbuddy 适用

痛点先行

你是否存在这样的困扰：

•收藏夹积灰，真正用到的内容不到 10%

•每次查资料，都要重新从原始文件读一遍

•笔记越记越多，但脑子里能调用的知识却越来越少

问题的根源不在于知识太多，而在于我们一直用错误的方式管理知识。

传统的知识管理逻辑是：

存储 → 人工整理 → 需要时重新读 → 效率极低

Karpathy 提出了一个反直觉的观点：

“Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase.”

翻译：知识库应该像代码仓库一样，先编译（LLM消化），再运行（直接查询），而不是每次临时解析。

这就是 Multi-Agent-LLM-Wiki Skills的核心理念。

底层逻辑：蚁群协作模式

这个 Skill 最值得深入理解的部分——它的底层协作模式。

项目名里的 “Multi-Agent” 不是噱头，而是真实的多 Agent 协作架构：

`用户输入
    ↓
Lead（蚁后/主修）— 协调任务、分解工作、汇总结果
    ↓
┌─────────────────────────────────────┐
│ 蚁群生命周期                         │
│ 🔍 Scout → ⚒️ Worker → 🛡️ Reviewer │
│ 侦察  → 执行  → 审查                 │
└─────────────────────────────────────┘
    ↓
结果输出`

四个角色，各司其职

Lead（蚁后/主修）— sonnet 模型
协调任务、分解子任务、汇总输出

Scout（侦察蚁）— haiku 模型
快速探索源文件，提取关键概念（成本最低）

Worker（工蚁）— sonnet 模型
创建/更新 Wiki 页面

Reviewer（护法）— sonnet 模型
审查质量、检查矛盾、验证交叉引用

信息素传递机制

蚂蚁协作的核心是「信息素」——每只蚂蚁留下线索，下一只蚂蚁基于前一只的结果继续工作。

LLM Wiki 的信息素传递：

`1. Lead 接收用户任务，协调分解
       ↓
2. Scout 侦察（haiku，低成本）
   输出：文件路径、主旨、关键概念、来源元数据、复杂度评估
       ↓ 信息素传递
3. Worker 执行（sonnet，高质量）
   基于 Scout 发现，创建摘要页+概念页，更新索引和日志
       ↓ 信息素传递
4. Reviewer 审查（sonnet）
   检查格式规范、交叉引用、矛盾冲突
       ↓
5. Lead 汇总结果，输出报告`

这个模式的精妙之处：

•成本分层：Scout 用最便宜的 haiku 做探索，Worker/Reviewer 用更强的 sonnet 做执行和质量把控

•专业分工：每个 Agent 只做一件事，但串联起来完成复杂任务

•可迭代：Reviewer 发现问题，Worker 可以针对性修改，不是从头来

三层架构设计

LLM Wiki 采用「源文件层 → 整理层 → 说明层」三层架构：

第一层：Raw Sources（源文件层）
你的原材料：文章、论文、笔记、图片
特点：不可变，LLM 只读不改

第二层：Wiki（整理层）
LLM 对原材料的二次加工
产出：摘要页 + 概念页 + 相互链接

第三层：Schema（说明层）
CLAUDE.md，告诉你如何使用这个知识库

架构优势：

•源文件与整理结果分离，原始材料不被污染

•编译一次，随时查询，不用每次重新读源文件

•Wiki 页面是 LLM 维护，人只做质量把控

安装配置

前置要求

•Claude Code 已安装（openlaw\hermes\workbuddy均可）

•Node.js 环境（用于运行验证脚本）

安装方式

方式一：Git 克隆

`class="language-bash">"color:#6a9955"># 克隆仓库
git clone https://github.com/muruai2021/Multi-Agent-LLM-Wiki.git

"color:#6a9955"># 复制到 Claude Code skills 目录
cp -r Multi-Agent-LLM-Wiki ~/.claude/skills/multi-agent-llm-wiki`

方式二：手动下载

1下载本仓库

2解压到 ~/.claude/skills/multi-agent-llm-wiki/ 目录

验证安装

1 2	`class="language-bash">"color:#6a9955"># 运行验证脚本 node ~/.claude/skills/multi-agent-llm-wiki/scripts/validate.js`

看到以下输出即安装成功：

1 2	`✅ Multi-Agent LLM Wiki 验证通过 📁 Vault 配置: ~/.claude/llm-wiki-vault.json`

初始化知识库

`class="language-bash">"color:#6a9955"># 启动 Claude Code
claude

"color:#6a9955"># 初始化（首次使用会自动引导）
> /llm-wiki init

"color:#6a9955"># 或指定路径
> /llm-wiki init --path /path/to/your/vault`

初始化后会自动创建目录结构：

`vault_root/
├── raw/                    # 原始文档（不可变）
│   ├── articles/           # 文章
│   ├── papers/             # 论文
│   └── assets/             # 图片/附件
├── wiki/                   # Wiki 页面（LLM 维护）
│   ├── index.md            # 全局索引
│   ├── log.md              # 操作日志
│   └── concepts/           # 概念页面
├── .claude/                # Claude Code 配置
└── CLAUDE.md               # Schema 说明`

核心操作：三个命令覆盖全流程

① Ingest（消化）—— 把源文件编译成知识

1	`class="language-bash">> /llm-wiki ingest raw/articles/my-article.md`

背后发生的事情：

`Scout 读取源文件 → 提取核心概念 + 主旨 + 来源元数据
      ↓
Worker 创建摘要页 + 概念页 + 更新 index.md + 记录 log.md
      ↓
Reviewer 检查格式规范 + 交叉引用 + 矛盾冲突
      ↓
输出：创建页面列表 + 审查结果`

实际效果：一篇技术文章进去，出来的是一张相互链接的知识网。

② Query（查询）—— 直接问知识库

1	`class="language-bash">> /llm-wiki query RAG和Wiki有什么区别`

AI 直接综合 Wiki 页面中的信息回答你，不用每次重新读原始文件。

③ Lint（健康检查）—— 保持知识库健康

1	`class="language-bash">> /llm-wiki lint`

自动检查六项健康指标：

⚠️ orphan_pages — 没有页面引用它

❌ outdated_assertions — 被新来源否定的旧说法

❌ contradictions — 页面间的矛盾陈述

ℹ️ missing_pages — 重要概念被提及但无独立页面

⚠️ stale_pages — 超过 30 天未更新的页面

ℹ️ missing_links — 可以添加但缺失的链接

这个 Skill 的核心优势

多 Agent 真实协作
不是单一 AI 调用，而是 Scout/Worker/Reviewer 真实分工协作

成本分层
Scout 用 haiku（最便宜），Worker/Reviewer 用 sonnet（更强），成本可控

一次编译，多次查询
知识不用每次重新读，直接从 Wiki 页面查询

自动纠错
Reviewer 审查 + Lint 健康检查，知识库不会腐化

符合 Karpathy 理念
“Human curates, LLM does the grunt work”，人做判断，AI 执行

金句收尾

“Human’s job is to curate sources, guide analysis, ask good questions, and think about meaning. LLM’s job is everything else.”

AI 时代，人的核心价值不是做执行，而是做判断——判断什么值得存，什么值得分析，什么值得链接。https://skillhub.cn/skills/multi-agent-llm-wiki

💬 本文评论区已开启，但暂无读者留言。

本文转载自微信公众号，如有侵权请联系删除。

Multi-Agent-LLM-Wiki Skills：让 AI 像蚂蚁群一样协作管理知识库