Skip to main content
Glama

pj102-engine

LLM Wiki 编译知识库引擎 —— 把录音转写/对话纪要编译成结构化、可检索、可溯源的 wiki 知识库。 引擎与实例彻底分离:本仓库只含能力,不含任何数据——你的知识库由你自己的文件生成,全部数据只存在你自己的电脑上。

Python 3.10+ License: Apache-2.0 Platform

这是什么

一套把"非结构化对话文本"变成"结构化知识库"的完整编译管线:

能力

说明

13 步 LLM 编译管线

转写原文 → 实体抽取 → 关系构建 → 概念沉淀 → 判断定义 → 洞察归纳 → wiki 页生成(Meetings / Judgments / Scenarios / Synthesis / Entities / Summaries 等分区)

五类内容分型

多人会议纪要 / 双人通话 / 判断 / 情景 / 综合等,按文件名与内容形态自动分型

12 维质量门(lint)

链接完整性 / 孤页 / 日期规范 / 空页 / 重名等十二个维度的自动巡检

两级检索栈

L1 实体导航(纯规则,毫秒级,实体卡直出)/ L2 综合问答(三改写扩召回 → wiki 上下文 → LLM 综合 → 行内编号引用可溯源)

MCP 三工具

kb_query 问答 / kb_lint 质检 / kb_stats 统计——可注册进任何支持 MCP 的 AI 客户端(WorkBuddy / Codex 等)

工程红线内建

幂等可重跑 / 断点续跑 / 预算熔断 / 占位符守卫 / 异常注入自检

依赖极简:Python ≥3.10 + PyYAML,纯标准库风格实现,无平台专属调用(whl 为 py3-none-any)。

Related MCP server: llm-wiki-mcp

架构总览

你的源文件(.md 转写/纪要)
      │  pj102 ingest —— 扫描 / 五类分型 / 幂等记账
      ▼
   索引 state
      │  pj102 run —— 13 步 LLM 编译管线(s1…s15)
      ▼
   粗编 wiki ── 后处理链: polish → merger → backlink → fix_index → lint → dispute → log
      ▼
 你的 wiki 知识库(Obsidian 可直接打开的 markdown 目录)
      │
      ├── pj102 ask "……"        检索问答(L1 实体 / L2 综合引用)
      ├── pj102 lint / stats      质检与统计
      └── MCP 三工具              kb_query / kb_lint / kb_stats

快速开始(三通道任选)

通道 ① git clone(开发者推荐)

git clone https://github.com/<owner>/pj102-engine.git
cd pj102-engine
pip install -e .
pj102 init 我的知识库

通道 ② 直接 pip 安装

pip install git+https://github.com/foreverkol/pj102-engine.git
pj102 init 我的知识库

通道 ③ 绿色包(Windows 小白 / 离线环境)

到 Releases 页下载 pj102-green-*.zip,解压后双击 install.bat, 照着包内 FRIEND_INSTALL_GUIDE.md 做即可(含 Python / WorkBuddy / Obsidian 全链路指引)。

通用四步(通道 ① ② 用户)

pj102 init 我的知识库                    # 1. 生成空白实例(全占位符配置)
# 2. 编辑 我的知识库/config/project.yaml:
#    source_dir 指向你的转写文件目录;填核心人物与业务关键词
# 3. 编辑 我的知识库/.env:填入你的 LLM API key
pj102 ingest                             # 4. 分型入库(幂等可重跑)
pj102 run                                # 5. 运行 13 步管线,生成你的 wiki
pj102 ask "某人相关的合作事项有哪些"       # 6. 检索问答

生成的 wiki 用 Obsidian 打开实例目录下的 wiki/ 即可图谱化浏览。

CLI 命令表

命令

作用

pj102 init <目录>

创建全新空白知识库实例

pj102 ingest

扫描源目录、分型入库(幂等可重跑)

pj102 run

运行 13 步全管线,生成 wiki(需 API key,有预算熔断)

pj102 ask "问题"

检索问答(L1 实体卡 / L2 综合引用)

pj102 lint

12 维质量巡检

pj102 stats

知识库规模统计

pj102 mcp

启动 MCP 服务器(stdio,供 AI 客户端接入)

pj102 version

引擎/实例版本

MCP 接入(AI 客户端三工具)

任何支持 MCP(Model Context Protocol)的客户端都可接入:

// 客户端 mcp 配置示例(WorkBuddy: ~/.workbuddy/mcp.json;Codex: ~/.codex/config.toml 的 [mcp_servers])
{
  "mcpServers": {
    "pj102-kb": {
      "command": "pj102",
      "args": ["mcp", "-i", "/你的/实例目录"]
    }
  }
}

工具

作用

kb_query

知识库问答(自动 L1/L2 路由,答案带可溯源引用)

kb_lint

12 维质量巡检

kb_stats

知识库统计

环境要求

  • Python ≥ 3.10(Windows / Linux / macOS 均可)

  • 一个 LLM API key(MiniMax 推荐;任何 OpenAI 兼容接口亦可,经 .env 配置)

  • LLM 用量:编译为主,检索级查询为分钱级;pj102 run 内置预算熔断(--budget-yuan)

文档

文档

内容

QUICKSTART.md

三步上手(给用户)

docs/SETUP_AGENT.md

部署手册(给 AI Agent 的操作指引,问答式完成配置)

docs/FRIEND_INSTALL_GUIDE.md

Windows 新机全链路安装指引(含 WorkBuddy / Obsidian)

docs/REQUIREMENTS_SPEC.md

需求规格:能力边界与功能契约

docs/DETAILED_DESIGN.md

详细设计:13 步管线 / 分型规则 / 检索栈架构

docs/INGEST_FILE_TYPES.md

摄入分型规格:支持的文件类型与命名规范

docs/VERSIONING_GUIDE.md

版本管理指南

docs/adr/

架构决策记录(ADR)

目录结构

pj102-engine/
├── src/pj102_engine/     # 引擎源码
│   ├── code/             # 管线步骤 / 后处理链 / 检索栈 / lint / MCP 服务器
│   ├── scripts/          # 摄入 / 全量运行 / 查询归档等入口
│   ├── cli.py            # pj102 命令入口
│   └── defaults/         # 默认配置与实例模板
├── docs/                 # 设计与使用文档(本仓库自带完整规格)
├── examples/             # 虚构示例源(冒烟自检用,非真实数据)
├── tests/                # 单元测试(虚构化语料)
├── pyproject.toml
└── README.md

设计原则

  1. 引擎 / 实例分离:引擎是能力,实例是你的数据——实例由 pj102 init 在任意目录生成,引擎绝不经手数据回传;

  2. 幂等优先:所有批次操作可安全重跑,中断续跑不重不漏;

  3. 质量门内建:12 维 lint 是管线的一部分而非事后补丁;

  4. 可溯源:每个综合答案带行内编号引用与源页 wikilink,不允许无出处的编造。

License

Apache-2.0 —— 可自由使用、修改、分发与商用,需保留版权与许可声明。

Related MCP Connectors

Related MCP Servers

  • F
    license
    Not graded
    quality
    D
    maintenance
    Provides structured search, schema-validated writes, and linting for a markdown knowledge base, enabling agents to operate the wiki over a single streamable-HTTP MCP endpoint.
    1
    -
  • A
    license
    Not graded
    quality
    B
    maintenance
    Enables AI agents to query and manage a document knowledge base via MCP, with RAG-powered search and grounded answers with citations.
    MIT