企业官网建设流程全解析

AI自动帮你补链接：LLM Wiki wikilink补全机制让知识网络越织越密

【免费下载链接】llm_wikiLLM Wiki is a cross-platform desktop application that turns your documents into an organized, interlinked knowledge base — automatically. Instead of traditional RAG (retrieve-and-answer from scratch every time), the LLM incrementally builds and maintains a persistent wiki from your sources。项目地址: https://gitcode.com/GitHub_Trending/ll/llm_wiki

LLM Wiki 是一款跨平台桌面知识库应用，它的wikilink 自动补全机制会调用大语言模型（LLM）扫描你保存的 Wiki 页面，自动找出应指向已有页面的术语，并安全地插入[[双链]]，让你的知识网络越织越密——全程不改动你的一个正文字符。

写知识笔记最痛苦的事，莫过于手动补交叉引用：写完一页综述，要逐个回忆"Transformer"该链到哪篇概念页，"注意力机制"该用哪个别名。LLM Wiki 把这个脏活交给了 AI，同时用一套**"LLM 只报答案、代码负责落笔"** 的设计，保证了自动补链既聪明又可靠。

wikilink 为什么是知识库的"黏合剂"

LLM Wiki 的 Wiki 目录采用 Obsidian 风格的[[wikilink]]语法做页面交叉引用。这些双链不只是好看：

• 知识图谱：应用会解析每个页面里的[[链接]]，构建节点-边图结构，计算关联度、发现社区聚类（Louvain 算法）
• Obsidian 兼容：整个 Wiki 目录可直接作为 Obsidian 仓库打开，双链无缝迁移

可以说，wikilink 补全质量直接决定了知识网络的密度。链接越多越准，图谱里的"惊奇连接"和"知识空白"检测就越有价值。

核心机制：AI 只给"替换清单"，代码动手改文件

整个补链逻辑集中在 enrich-wikilinks.ts。设计注释里有一段很有启发：早期版本让 LLM 直接返回"插好链接的完整页面"，结果不少模型把页面重写、扩写甚至翻译了一遍，用户内容被毁。于是团队改成了现在的 v2 方案——AI 只输出一张 JSON 替换清单，字符串替换全部由代码完成（见 enrich-wikilinks.ts#L8-L25）。

这个分工带来四个"硬保证"：

一次补链的完整流程

1. 并行读取三样东西：目标页面正文、wiki/index.md（已有页面目录）、整个 wiki 目录树（见 enrich-wikilinks.ts#L33-L37）
2. LLM 返回 JSON 清单：提示词要求模型只输出{"links": [{"term": "原文里的词", "target": "目录中的页面名"}]}，并规定 term 必须是正文中逐字存在的子串、target 必须是目录中真实存在的页面（见 enrich-wikilinks.ts#L52-L77）
3. 代码做安全校验：模型说得天花乱坠也没用——每个 target 都会与磁盘上真实存在的.md页面对账，对不上的链接直接丢弃；目录读取失败时宁可整轮跳过，也不引入死链（见 enrich-wikilinks.ts#L99-L104）
4. 精准替换：对每个词只在首次出现处替换，且跳过 frontmatter 和已处于[[...]]中的文本；词面与目标名一致时写[[Transformer]]，不一致时保留原文展示、写成[[目标页|原文]]（见 applyLinks 实现）

为什么"JSON 清单 + 代码替换"比"整页重写"高明

这套设计本质上把判断权和修改权分离了：

• 模型最擅长判断——"Attention 这个词应该链到 attention 页"
• 代码最擅长修改——精确的字符串插入、跳过已有链接（findUnlinkedOccurrence）、防止二次链接（linkedTargets去重）

容错解析器（parseLinkResponse）还能容忍模型多嘴：自动剥掉 ``` 围栏、从杂音中抠出第一个配平的{...}，解析失败就返回空清单，宁可什么都不做，也不冒险。相关行为由场景化测试固化下来，例如"给综述页补上 Transformer/Attention 双链"、"frontmatter 永不被动"（见 enrich-scenarios.ts）。

补上的链接去哪了：从双链到知识图谱

自动补链不是终点，链接落盘后，LLM Wiki 的图谱引擎会接管：

• 建图：wiki-graph.ts 用正则提取每页全部[[链接]]，通过大小写/连字符归一化解析目标，去重边、统计链接数（见 extractWikilinks 与 buildWikiGraph）
• 渲染：阅读视图中，wikilink-transform.ts 把[[target|alias]]转成标准 markdown 链接显示，且不会误伤代码块里的示例语法
• 洞察：图谱之上跑 Louvain 社区检测，自动发现知识聚类、惊奇连接与知识空白

与此同时，Lint 检查还会反向督促网络密度——检测到某页面没有任何出站 wikilink时，会主动建议"添加与相关实体和概念的交叉引用"（见 zh.json#L431）。

这套机制给新手用户的 3 个实用提示

1. 先攒页面，再谈密度：补链的 target 必须是index.md里已存在的页面。Wiki 越丰富，可链目标越多，AI 能补出的网络越密
2. 命名要稳定：页面文件名就是链接锚点，transformer.md和Transformer.md这类同名页会让解析产生歧义而被跳过（见 collectWikiPageSlugs 的处理），保持命名风格统一即可
3. 放心让 AI 补：最坏情况是"这轮没补上"，不存在"补坏了"——JSON 清单 + 磁盘对账的双重防线，决定了这个机制可以默认开启、无需人盯

小结

LLM Wiki 的 wikilink 补全机制是一个典型的"AI 判断、代码执行"工程范本：LLM 负责发现哪些词该链到哪个页面，代码负责校验目标真实存在并做字节级安全的插入。你只管写笔记，交叉引用由 AI 悄悄织好；链接织密了，知识图谱、社区洞察和 Obsidian 互通的价值才真正兑现。核心实现都摆在 enrich-wikilinks.ts 里，值得想理解"如何安全地让 LLM 改用户文件"的开发者一读。

【免费下载链接】llm_wikiLLM Wiki is a cross-platform desktop application that turns your documents into an organized, interlinked knowledge base — automatically. Instead of traditional RAG (retrieve-and-answer from scratch every time), the LLM incrementally builds and maintains a persistent wiki from your sources。项目地址: https://gitcode.com/GitHub_Trending/ll/llm_wiki