All in One LLM Wiki

中文版 | English

▶️ 视频演示 ｜ 🖼️ 一图流

把你的数字生活导出成一个 AI 可读的 LLM Wiki,让 Agent 不再从零认识你。

这不是一个"给人看的漂亮知识库"。它更像一个给 AI/Agent 使用的长期上下文层:把笔记、AI 记忆、音乐、影视、视频平台、浏览器、健康、游戏、工具链、NAS 等数据整理成结构化 Markdown Wiki,让 Agent 能在回答、推荐、规划和自动化时读懂你的真实背景。

就像你不会一次性读完所有笔记,而是先看目录再翻到感兴趣的那页。Wiki 把各平台的原始数据蒸馏成一份 index,Agent 按需加载,不需要遍历全部数据。

兼容 Agent

本项目是通用 Agent Skill,任何能读取 SKILL.md 和本地文件的 Agent 均可使用:

• OpenClaw
• Hermes Agent
• WorkBuddy
• Claude Code
• HanaAgent
• 其他支持 Skill / Tool / MCP 机制的 LLM Agent

快速安装

git clone https://github.com/perinchiang/all-in-one-llm-wiki

或者直接发给你的 LLM Agent:

Use https://github.com/perinchiang/all-in-one-llm-wiki to create a private .wiki/ in my Obsidian vault from my exported Bilibili/Spotify/AI memory files.

Before / After

没有 LLM Wiki 时:

你：推荐一部电影
Agent：《盗梦空间》是诺兰的经典作品，评分很高……（泛泛而谈）

有了 LLM Wiki 之后：

你：推荐一部电影
Agent：你豆瓣标记了 327 部“看过”，评分集中在 7-8 分，
你偏好悬疑和科幻，对纯爱情片评分普遍偏低。
最近你的 B 站收藏了几个“高智商烧脑”剪辑，我去找找看……
找到啦！我会推荐《看不见的客人》—— 西班牙悬疑片，节奏紧凑，
这么适合你的电影居然没看过也太可惜了。还是今天想放松一下大脑，看点轻松的呢？

Wiki 让 Agent 从"通用百科"变成"了解你的助手"。

它解决什么问题

普通 AI 对话的问题是:每次都要重新解释自己是谁、在做什么、喜欢什么、有哪些工具、现在处于什么阶段。

All in One LLM Wiki 的目标是:

• 把分散在各个平台的数据整理成 AI 能检索和引用的 Wiki。
• 保留来源、置信度和隐私边界,避免变成不可审计的"人格猜测"。
• 让 Agent 基于真实上下文做事,而不是只给泛泛建议。

例如:

• 导入 Spotify 后,Agent 可以按你的音乐品味和当前场景选择歌单。
• 导入豆瓣后,Agent 推荐影视和书时不再只看热门榜。
• 导入 B 站 / YouTube 后,Agent 能知道你最近真正关注的学习和娱乐主题。
• 导入 Chrome / Google Takeout 后,Agent 能理解你的工具链、项目现场和注意力分布。
• 导入 Garmin / Apple Health 后,Agent 可以结合睡眠、步数、运动记录给更接地气的生活建议。
• 导入 AI 平台记忆后,Agent 可以合并多个 AI 对你的片段理解,减少重复解释。
• 导入 IMA 知识库后,Agent 能搜索你订阅的公域知识库(菜谱大全、旅行攻略、AI 资料等),回答更专业。

数据入口总表

入口	推荐导出方式	适合沉淀成什么	隐私级别
Obsidian / 本地笔记	直接读取 Markdown 文件夹	学习阶段、项目、概念、术语	中
AI 平台记忆	向平台询问/导出长期记忆,手动保存 Markdown	跨平台自我画像、偏好、长期目标	高
B 站	bilibili-cli 登录后导出 history / favorites / following	当前兴趣、学习视频、创作者偏好	中高
Garmin	Python garminconnect 脚本拉取摘要	睡眠、步数、运动、恢复建议	高
Apple Health	iPhone 健康 App 头像 → 导出全部健康数据	长期健康趋势、运动历史	高
Spotify	Spotify Web API / OAuth	音乐品味、场景歌单、艺术家偏好	中
豆瓣	个人主页/条目数据保存或自爬,解析评分和短评	影视、书、游戏口味	中
Google Takeout	Chrome / YouTube 导出	浏览器工具链、YouTube 订阅和播放列表	高
Steam	Steam Web API	游戏库、游玩时长、游戏类型偏好	中
NAS / 媒体库	SSH 扫描 + qBittorrent/Jellyfin API	本地媒体库、自动化能力	高
IMA 知识库	IMA 客户端订阅 + OpenAPI 搜索	公域知识库内容、技术文档、行业资料	中
日历	ICS / CalDAV / 平台导出	时间安排、低频/高频日程	高
服务账号 / 工具链	手动清单、邮箱摘要、密码管理器分类导出	可用工具、云服务、自动化平台	高

点击表格中对应的链接，即可获得配置指南

目录结构

.wiki/                    # 私有知识库,默认不要提交到 Git
  SCHEMA.md
  index.md
  log.md
  raw/
    ai-memory/
    platform-exports/
    health/
    notes/
  entities/
  concepts/
  queries/
  _archive/

基本流程:

1. 先建 Wiki 结构:SCHEMA.md、index.md、log.md、raw/、entities/、concepts/。
2. 每导入一个来源,先把原始导出放进 raw/ 的对应目录。
3. 再生成一个或多个 entities/ 或 concepts/ 页面。
4. 在 index.md 写一行摘要,方便 Agent 先读目录。
5. 在 log.md 记录来源、时间、导入方式、隐私处理。
6. 对敏感来源,只保存聚合摘要,不公开原始数据。

安全与隐私

默认原则:本地优先、私有优先、脱敏后再共享。

核心措施:.wiki/ 隐藏文件夹 + .gitignore 排除 raw 数据 + 权限分层(Agent 默认只读摘要层,不读 raw 层)。

完整的安全方案、.gitignore 模板、权限分层、加密建议:docs/security.md

页面模板

每个实体页建议包含:

---
title: Example Profile
created: YYYY-MM-DD
updated: YYYY-MM-DD
type: entity
tags: [profile, source-name]
sources: [raw/platform-exports/example.json]
confidence: high
---

# Example Profile

> 一句话说明这个页面能让 Agent 理解什么。

## Overview

| Dimension | Value |
| --- | --- |
| Source | API / export / manual |
| Date range | YYYY-MM-DD to YYYY-MM-DD |
| Confidence | high |

## Findings

- 事实 1
- 事实 2
- 推测:需要标注为推测

## Agent affordances

- Agent 现在可以做什么。
- Agent 应该避免什么。

## Open questions

- 需要用户确认的点。

## Cross-links

- [[related-page]]

推荐的 log.md 记录格式

## [YYYY-MM-DD] ingest | Source name
- Source: export/API/manual source
- Method: command, script, or manual steps
- Created:
  - entities/example.md - summary
- Updated:
  - index.md - added source summary
- Privacy: raw data private; public version uses aggregates only
- Notes: parser assumptions, skipped files, anomalies

附录

• 本项目受 Karpathy 的 LLM-Wiki 概念启发,可作为 llm-wiki 的数据入口层。
• 开源或发布前请按 PUBLISHING_CHECKLIST.md 做最后检查。