Show HN: 10x better performance from the Coding Harnesses with LLM-wiki

背景

在当前的 AI 辅助开发与研究工作流中，大型语言模型（LLM）虽然强大，但往往面临上下文窗口限制、信息碎片化以及缺乏持久化记忆的问题。当用户进行长时间、多轮次的复杂研究或代码生成任务时，早期的对话上下文容易因压缩或终端关闭而丢失，导致 Agent（智能体）失去方向感。此外，传统的 Chat 模式难以有效管理来源证明（Provenance）、去重、以及从原始数据到结构化知识的转化过程。

在此背景下，开发者 nvk 发布了 LLM Wiki。这是一个旨在通过并行多智能体研究、主题驱动的调查以及严格的来源摄入机制，显著提升 Coding Harnesses（编码工具链，如 Claude Code、OpenAI Codex 等）性能的项目。它不仅仅是一个聊天插件，更是一个结构化的知识管理引擎，旨在让 AI 的输出从“一次性总结”转变为“可累积、可追溯、可验证”的持久化资产。

核心内容

LLM Wiki 是一个开源项目，它通过以下方式重构 AI Agent 的工作流：

1. 并行多智能体研究架构

LLM Wiki 的核心机制是启动 5–10 个并行 Agent，针对特定主题进行全方位搜索。这些 Agent 分别探索学术、技术、应用、新闻以及反直觉（Contrarian）等多个角度。

• 轮次迭代：系统以轮次（Rounds）运行，每轮至少持续 2 小时（可通过 --min-time 配置）。
• 深度挖掘：每一轮都会基于上一轮发现的空白点进行钻取，不断缩小知识缺口。
• 论点驱动：研究从假设或声明（Claim）开始，Agent 会分裂为支持、反对、机制分析、元分析和相邻领域等多个视角。最终输出不是简单的摘要，而是一个经过辩论后的“裁决”（Verdict）。第二轮研究专门用于对抗确认偏误（Confirmation Bias）。

2. 多源数据摄入与固化

LLM Wiki 支持广泛的原始数据来源，包括 URL、文件、PDF、邮件投递、Git 文档仓库、MediaWiki 转储、消息归档以及 Wayback CDX 快照。

• 不可变性原则：原始来源保持不可变（Immutable），所有的文章和报告都是基于这些来源合成的。
• 模糊路由：通过 /wiki add <URL> 或 /wiki what do we know about <Topic>? 等命令，系统会自动判断是进行摄入（Ingest）还是查询（Query）。

3. 结构化知识管理与资产追踪

除了文本内容，LLM Wiki 还具备强大的元数据管理能力：

• 库存追踪（Inventory Tracking）：发现、去重、下载受限的公共媒体，并目录化可发现的工件、示例、迷因（Memes）、工具、实体和来源候选项。它捕获别名、上下文来源证明、本地资产路径、哈希值、规模、媒体策略等信息。
• 持久化状态（Durable State）：追踪 Wiki 应该记住的关键事项，如项目、来源候选项、语料库、实体、开放性问题、监控项和下一步行动。
• 数据集清单（Dataset Manifests）：通过清单、样本、配置档案和查询配方索引大型、外部、可变或操作型数据。Wiki 成为接口，而数据保留在其原始位置，无需复制。

4. 会话记忆与反馈策展

为了解决长会话上下文丢失的问题，LLM Wiki 引入了隐藏的操作层：

• 会话摘要（Session Digests）：默认开启的钩子捕获功能会在 .sessions/ 目录下写入脱敏事件、状态 JSON 和 Markdown 摘要。这使得未来的对话轮次可以以紧凑的上下文重新水合（Rehydrate），只提升属于该主题的内容，避免将私密聊天变成主题证据。
• 反馈策展（Feedback Curation）：在 .sessions/feedback/ 下收集高信号修正、偏好、批准和计划接受情况。通用的确认被忽略，只有持久的教训会被明确提升。
• 文章评分：对每篇文章进行陈旧度和质量评分。采用两级扫描：快速元数据检查，然后对标记的文章进行深度内容阅读。

5. 输出与交付物生成

LLM Wiki 将来源编译为交叉引用的文章，并生成多种交付物：

• 报告类型：报告、幻灯片演示、学习指南、操作手册、实施计划、时间表、词汇表、比较分析等。
• 证据引用：所有输出都回传到 Wiki，以便下一次输出建立在之前的所有成果之上。
• 实施计划：基于 Wiki 知识的实施计划会阅读知识库，就需求采访用户，通过针对性研究填补空白，并生成分阶段计划，引用 Wiki 文章作为证据。支持 RFC、ADR、Spec 等格式。

6. 信任审计与真相寻求

• 真相寻求审计（Truth-seeking Audits）：回答更广泛的信任问题。复用图书管理员模式，追踪输出跨越 raw/、wiki/ 和 output/ 目录，检测漂移，检查来源证明，并在本地证据不足时进行新研究。
• 规则提取：从当前会话中提取经验教训（错误->修复模式、用户修正、发现），保存为 Wiki 可查询的结构化笔记。--rules 标志可输出可执行的规则而非纯文本。

7. 多平台集成与部署

LLM Wiki 以多种形态分发，兼容主流 AI 编码工具：

• Claude Code 插件：推荐方式。通过 claude plugin install wiki@llm-wiki 安装，重启后生效。
• OpenAI Codex 插件：通过市场安装 nvk/llm-wiki，或在本地通过脚本引导。Codex 树是 Claude 源真理的生成镜像。
• OpenCode 指令文件：在 opencode.json 中配置指令路径，或复制到 ~/.config/opencode/AGENTS.md。
• Pi 本地模型支持：利用 Pi 的 1K 系统提示空间，将完整的 Wiki 技能放入 32K 上下文的本地模型中。
• 便携式 AGENTS.md：通过 curl 下载 AGENTS.md 文件放入任何 Agent 的上下文或项目根目录，适用于任何能读写文件和搜索网络的工具。

8. 核心工作流示例

• 启动研究：/wiki:research "gut microbiome" --new-topic --min-time 1h
• 深度研究：/wiki:research "fasting" --deep --min-time 2h
• 论点驱动：/wiki:research --mode thesis "fiber reduces neuroinflammation via SCFAs"
• 查询与恢复：/wiki:query "How does fiber affect mood?" 或 /wiki:query --resume
• 数据摄入：/wiki add https://example.com/article
• 编译输出：/wiki:output report --topic gut-brain

关键要点

• 并行智能体协作：通过 5-10 个并行 Agent 从多角度（学术、技术、反直觉等）进行搜索，显著优于单线程查询，能有效对抗确认偏误。
• 持久化知识资产：研究结果不以临时的聊天形式存在，而是转化为结构化的 Markdown 文章、报告和知识库，支持跨会话累积。
• 严格的来源管理：原始数据保持不可变，合成内容附带交叉引用和置信度评分，支持完整的来源追踪（Provenance）。
• 上下文智能管理：通过会话摘要、脱敏事件记录和反馈策展，解决了长会话中上下文丢失和噪音过多的问题，实现“紧凑上下文”下的精准重水合。
• 多平台无缝集成：原生支持 Claude Code、OpenAI Codex、OpenCode 及本地 Pi 模型，提供插件、指令文件和便携式 Markdown 多种部署方式。
• 审计与质量控制：内置文章陈旧度评分、真相寻求审计机制，