wudishenhaiyu

Offline RAG Teamwiki — AI skill for Claude Code

AI community

离线 RAG + 编译式 LLM-wiki 知识库模板：raw 原文一次性编译成互链 Markdown 图谱，bge-m3 本机多语言嵌入、中文优先开箱即用；git 多人/多 agent 共建用确定性对账(R1 再生 + merge 驱动)取代人肉 merge.

How to install Offline RAG Teamwiki

This entry records only its repository, not the path inside it, so there is no exact command to give. Open wudishenhaiyu/offline-rag-teamwiki and copy the folder into ~/.claude/skills/, or the file into ~/.claude/agents/.

What Offline RAG Teamwiki does

离线 RAG + 编译式 LLM-wiki 知识库模板：raw 原文一次性编译成互链 Markdown 图谱，bge-m3 本机多语言嵌入、中文优先开箱即用；git 多人/多 agent 共建用确定性对账(R1 再生 + merge 驱动)取代人肉 merge。零 keyed LLM，接 Claude Code / DeepSeek / 任意自带 LLM 的 agent。| An offline-RAG + Karpathy-LLM-wiki kit: compiled bilingual-first Markdown wiki, local bge-m3 retrieval, deterministic git-team reconciliation.

Alternatives in AI

WeKnora — Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, an 26.9k ★
AI Guide — 程序员鱼皮的 AI 资源大全 + Vibe Coding 零基础教程，分享 OpenClaw 保姆级教程、大模型玩法（DeepSeek / GPT / Gemini / Claude）、最新 AI 资讯、Prompt 提 11.8k ★
Open Knowledge — Beautiful, AI-native markdown IDE and LLM wiki 3.7k ★

README

Knowledge-Wiki 使用文档（面向使用者）

一个「**静态知识图谱（wiki）＋本地召回（RAG）＋ git 团队协作**」的个人/团队知识库。本文档帮你开箱用起来：**① 单人单机**把知识文档放进来即用；**② 接外部知识库**（Notion / Confluence / 自建 API…）；**③ 团队**成员 clone 后接上共享 git 库协作。

**文档分工（防漂移）**：本文 = 上手使用；规则权威 = 仓库根 [`CLAUDE.md`](CLAUDE.md)（行为契约）与 [`USER_GUIDE.md`](USER_GUIDE.md)（操作手册）；产品细节 = [`kb/README.md`](kb/README.md)。冲突以 `CLAUDE.md` 为准。

0. 三条路，先选一条
✦ 和同类项目比，特别在哪（选型对比）
1. 前置准备（首次必看）
2. 单人单机：把知识文档放哪、怎么用
3. 接外部知识库（API / 已有系统）
4. 团队协作：clone 后接上 git 云库、落地使用
5. 注意事项（重要，先读）

0. 三条路，先选一条

你想干什么	走哪节	一句话
自己一个人用，把文档变成可检索的知识库	§2	文档放进 `external_db/` 或 `raw/`，几条命令即可召回
已有/想接一个外部知识库系统（有 API）	§3	登记一个「连接器」，自动拉取、镜像、检索
多人共用一份知识库（git 云库协作）	§4	clone + 一次性本机初始化，之后提案/review/合入

用 AI 助手（Claude Code / DeepSeek harness 等）操作本库时：先安装 `kb plugin install` 出来的技能（`kb-setup` = 搭库接库、`kb-operate` = 召回问答/摄入/维护/团队协作），再告诉它你的意图即可——正文生成由你用的那个模型负责，本库不内置大模型接口。

✦ 和同类项目比，特别在哪（选型对比）

三者都源于 Andrej Karpathy 2026-04 的「LLM Wiki」模式：把原文**一次性编译成互链的 wiki 图谱**（而非纯 RAG 每次现检索现拼）；共同点是「raw 原文 → 你用自带的 LLM 提炼 → 问答基于已编译页、以 `[[wikilink]]` 溯源」，并都兼容 Obsidian。真正的差别在**定位与面向的场景**：

维度	本项目 `offline-rag-teamwiki`	`praneybehl/llm-wiki-plugin`	`nashsu/llm_wiki`
形态	纯文件 + CLI + 随库分发的 agent 技能（无 GUI）	agent 技能（另配 Claude Code 插件入口）	桌面应用（GUI：图谱 / 社区发现 / 深研）
协作模型	git 多人 + 多 AI 共建同一知识库：提案/裁决、聚合对账、merge 驱动	单人个人 wiki（`~/wiki/` 或项目内）	单人桌面应用（本机）
LLM / 密钥	零 keyed LLM：正文生成走宿主 agent；召回本地 `bge-m3`	零 provider（生成走宿主 agent；检索用 FastEmbed 本地）	需自配模型：OpenAI / Anthropic / Google / Ollama；可选向量另需 embedding 端点
中文支持	中文优先：wiki 正文中文 + 中英 aliases；`bge-m3` 多语言嵌入，中文召回离线开箱即用	面向英文：默认本地检索用英文专用 `bge-small-en-v1.5`，模板/slug 英文约定，无中文分词适配	支持中文（CJK 分词 + 中英界面），但嵌入须走外部端点，非离线多语言
检索策略	编译图谱 + 冷语料双轨：蒸馏图谱供精读；不提炼原文放 `external_db/` 直接召回；L3 带相关度门禁	编译图谱为主，本地混合检索兜底	编译图谱 +（可选）向量 / Deep Research 补漏
外部知识库	REST 连接器：`kb add-source` / `sy