Karpathy-wiki-graph
为企业级AI Agent提供结构化、可协作的长期知识库大脑。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：Karpathy-wiki-graph。 它的用途是：为企业级AI Agent提供结构化、可协作的长期知识库大脑。 完整的 Skill 内容见：https://321skill.com/skills/karpathy-wiki-graph/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“根据我们过去三个季度的销售报告和产品技术白皮书，总结一下高端客户最关注的三个产品特性及其演进趋势。” 它会先通过lcwiki快速扫描相关文档的摘要和概念图谱，精准定位到销售报告中的客户反馈章节以及白皮书中的特性说明部分，然后为你生成结构清晰、引证准确的回答，而无需消耗大量Token去读取全部原始文档。
介绍
lcwiki旨在解决企业AI Agent缺乏持久、结构化且可跨部门协同更新的知识库问题。传统RAG方案成本高、知识碎片化，而lcwiki将个人知识管理（PKM）理论、企业知识协同和智能检索相结合，为Agent构建一个能持续学习、精准调用的长期记忆中枢。
使用时，用户只需通过pip安装lcwiki，并将其挂载到Claude Code或OpenClaw等AI Agent平台上。随后，团队成员可将各类文档（如.docx、.pdf、.xlsx、图片、音频等）放入指定文件夹，lcwiki会自动将其转换为结构化Markdown，提取核心概念并构建交互式知识图谱，实现一次训练、长期查询。
它非常适合需要跨部门（如销售、研发、法务）共享和查询知识的企业团队，以及希望为AI助手赋予稳定、准确长期记忆的个人或组织。用户无需关心向量数据库、分块策略或嵌入模型调优等复杂技术细节。
与LangChain、LlamaIndex等传统RAG工具相比，lcwiki的核心区别在于其“知识库优先”的设计哲学。它并非简单的文档检索工具，而是一个具备PKM理论支撑、能自动构建概念关联和知识图谱的“训练型”大脑。其独创的三层回退查询机制（先扫描摘要，再查看文章主体，最后才触及原始内容）能以约10%的Token成本和约10倍更低的持续训练成本，实现精准的知识定位与分配。
核心特点
核心区别在于将个人知识管理（PKM）的原子化笔记、双向链接等理念深度融入企业级AI Agent的知识库构建中，通过自动构建概念图谱和三层精准检索，实现了远低于传统RAG的持续训练与查询成本。
注意事项
不适合需要实时、高频更新海量流式数据（如社交媒体动态）或进行复杂数值计算的场景。
常见问题
lcwiki和普通的RAG（检索增强生成）有什么区别？
lcwiki是“训练型”知识库大脑，基于PKM理论自动构建结构化图谱和概念关联，查询成本更低；普通RAG主要是“检索型”，依赖分块和嵌入，缺乏知识结构。
需要自己部署和维护向量数据库吗？
不需要。lcwiki无需向量数据库、分块或嵌入模型调优，通过LLM一次性读取文档并生成结构化wiki和知识图谱。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/karpathy-wiki-graph/raw/index.md 读取 Karpathy-wiki-graph 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/karpathy-wiki-graph/raw/index.md（查看排版版本）