把知识连接可视化LLM Wiki 四信号知识图谱与 Louvain 社区检测深度解读【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_wikiLLM Wiki 是一款跨平台桌面知识管理工具能把你的文档自动整理成相互链接的 Wiki 知识库。它的核心亮点之一是内置的知识图谱可视化用四信号关联度模型量化页面之间的亲疏远近再用Louvain 社区检测算法自动发现知识聚类让你的笔记结构一目了然。本文带你完整看懂这套图谱引擎是怎么工作的。为什么需要知识图谱从 RAG 到持久化 Wiki传统 RAG 的做法是每次提问都从零检索、即时回答知识用完即弃。LLM Wiki 换了个思路让 LLM增量地构建并维护一份持久化 Wiki每个页面通过[[wikilinks]]互相引用。问题来了——当页面多到几十、上百个时链接关系已经多到人眼难以把握。LLM Wiki 的答案就是把整份 Wiki建模成一张图节点 每个 Markdown 页面含标题、类型、路径、链接数边 页面之间的关联粗细和颜色由关联度分数决定绿色强关联灰色弱关联颜色 可按页面类型或社区两种模式着色图谱的核心逻辑实现在 src/lib/wiki-graph.ts并行读取全部 Markdown 文件并发 16 路解析 frontmatter 和[[wikilinks]]去重边、计算权重最后输出节点 边 社区三件套。四信号关联度模型两条页面凭什么相关这是 LLM Wiki 知识图谱最有趣的设计。它不只看谁链接了谁而是同时考察4 个信号加权求和得到一条边的权重代码位于src/lib/graph-relevance.ts信号权重含义 直接链接×3.0双方通过[[wikilinks]]互相/单向引用 来源重叠×4.0两个页面出自同一批原始资料frontmatter 的sources[]共享条目权重最高 共同邻居Adamic-Adar×1.5共享邻居越多越相关且冷门邻居比枢纽邻居贡献更大️ 类型亲和×1.0相同/相近页面类型加分如实体↔概念得 1.2 分资料↔资料只得 0.5 分几个值得注意的细节来源重叠权重最高×4.0——两页笔记出自同一份 PDF即使互不链接也天然相关Adamic-Adar 公式1/log(度数)让都引用了同一个冷门页面比都引用了首页更能说明问题类型亲和表覆盖了实体、概念、资料、综述、查询 5 种页面类型每种组合都有独立分值。这套打分结果直接渲染到图上边越粗越深 关系越强。悬停任意节点时非邻居会变暗相关边会高亮并显示具体分数非常适合顺藤摸瓜式浏览。Louvain 社区检测让知识聚类自己浮现出来如果说关联度模型回答两个页面有多相关Louvain 社区检测回答的就是哪些页面天然属于同一主题。Louvain 算法来自graphology-communities-louvain库是一种经典的模块度最大化聚类算法LLM Wiki 在src/lib/wiki-graph-analysis.ts中用它做了三件事自动聚类根据链接拓扑发现页面自然分组完全不依赖你预先定义的页面类型内聚度评分每个社区计算实际内部边数 ÷ 理论最大边数得到 0~1 的内聚度。内聚度低于 0.15 且成员 ≥ 3 页的社区会被标记为稀疏社区核心节点提取每个社区列出链接数最多的 Top 5 页面作为该主题的代表。在界面上你只需一键切换类型/社区着色模式12 色调色板就会把不同知识聚类清晰区分开图例同步显示每个社区的核心节点、成员数与内聚度。工程细节节点数超过 3000 时社区检测会自动移交到 Web Worker 后台线程执行避免大图谱卡死界面见wiki-graph.ts中的COMMUNITY_WORKER_THRESHOLD 3_000。图谱洞察惊奇连接与知识空白聚类完成后LLM Wiki 还会进一步分析图结构在src/lib/graph-insights.ts中产出两类可操作的洞察 惊奇连接Surprising Connections自动找出意外的关联边按惊奇度评分排序横跨两个社区的边3 分远距离类型之间的链接如资料↔综述2 分边缘页面直连枢纽页面2 分权重低但确实存在的弱连接1 分每条洞察都可以消除标记已读点击卡片还能在图谱中高亮对应节点和边。️ 知识空白Knowledge Gaps图谱也能告诉你哪里还不够孤立页面链接数 ≤ 1建议补充[[wikilinks]]或展开研究稀疏社区内聚度 0.15说明该主题内部交叉引用薄弱桥接节点同时连接 3 个以上社区的关键枢纽页面——它一旦变薄整个知识网络都会受影响值得重点维护。知识空白和桥接节点还附带Deep Research 按钮可直接触发 LLM 针对该主题做深度调研把发现问题和补齐知识连成闭环。渲染层sigma.js ForceAtlas2 的组合拳图谱渲染由src/components/graph/graph-view.tsx承担基于sigma.js graphology ForceAtlas2 力导向布局节点大小按链接数做 √ 缩放枢纽页面自然更大位置缓存防止数据更新时布局跳动大图谱的布局计算同样交给graph-layout-worker.ts后台执行。小结LLM Wiki 的知识图谱体系可以浓缩为一句话四信号模型量化页面间多相关Louvain 社区检测发现哪些页面是一伙的图谱洞察指出哪里值得深挖最后由 sigma.js 力导向图呈现出来。对于个人知识管理而言它把整理笔记结构这件最费脑的脏活变成了全自动流程——你只管持续摄入资料图谱会自动生长、自动聚类、自动提醒你去补全空白。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考