synthadoc
将原始文档摄入时即编译成结构化 Wiki，让 AI 自动维护知识库，支持矛盾检测与声明级溯源
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
将原始文档摄入时即编译成结构化 Wiki，让 AI 自动维护知识库，支持矛盾检测与声明级溯源
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
开源 LLM Wiki 引擎，可以把任意原始文档（PDF、PPT、网页、视频字幕）编译成结构化、可编辑、永久存储的本地知识库。
想象一下：你花了三个月读完了 40 篇论文、20 个 PDF、十几段 YouTube 会议视频。三个月后有人问你：「你们团队的认知是什么？」
你只能笼统地回答——因为那些知识碎片散落在各个角落，RAG 系统能帮你检索，但无法帮你综合。两个来源相互矛盾？RAG 把两份文档一起返回，让 LLM 自己消化，最后你得到一个两边都不敢得罪的模糊答案。
Synthadoc 要解决的就是这个问题。它的核心理念来自 Andrej Karpathy 在 2024 年提出的一个朴素观点：
The LLM should be able to maintain a wiki for you.
这句话的潜台词是：知识不应该在查询时才临时生成，而应该在摄入时就编译好，像维基百科一样结构化、可引用、可交叉链接。Synthadoc 正是这套理念的完整工程实现。
图1：Synthadoc Web UI 查询界面，支持多 Provider 切换
Synthadoc 由独立开发者 axoviq-ai 维护，采用 AGPL-3.0 开源协议，目前版本 v0.9.0，社区版活跃迭代中。GitHub 仓库 484 颗星，46 个 Fork，话题标签覆盖 agent-skills、local-llm、knowledge-graph、obsidian-plugin 等多个 AI 热点领域。
它的目标用户分三个层级：个人研究者（可免费用 Gemini Flash 或本地 Ollama）、小型团队（3~20人，聚合多数据源为统一知识库）、中型企业（本地合规部署，带完整审计日志和 OpenTelemetry 监控）。
传统 RAG 在查询时才做摘要合成，Synthadoc 则在文档摄入时就完成编译。每次新文档进入系统，LLM 会重新遍历整个语料库，生成或更新对应的 wiki 页面，并在页面之间自动建立 [[wikilinks]] 双向链接。
这样做的好处是：矛盾在摄入时就被发现，不会等到查询时一起糊弄。
图2：支持批量摄入 PDF、Word、Excel、PPT、网页、视频等多种原始格式
当两个来源出现冲突时，Synthadoc 会将页面标记为 status: contradicted，同时保留两份原始主张并附上引用来源。如果配置了自动解决阈值（confidence >= threshold），系统会尝试自动裁决；否则交由人工复核。
图3：Wiki 页面矛盾检测，自动标记冲突来源
Synthadoc 还引入了一个独特的第二 LLM 审查机制：每次页面生成后，系统会调度一个「唱反调」的 LLM（建议使用不同模型家族，如主引擎用 Claude、审查用 Gemini）来挑战主 LLM 的结论，标记过度自信的主张、无根据的超级词汇，以及与公认事实相矛盾的表述。
图4：对抗性 Lint 报告，标记页面中的可疑断言
每个 wiki 页面有 5 种状态：draft -> active -> contradicted / stale -> archived，每种状态切换都记录在审计日志中。stale 状态由系统自动标记——当源文件在磁盘上发生变化时，相关页面自动过期；源文件删除则自动归档。
图5：5状态生命周期管理 + 完整审计轨迹
每个实质性主张都标注 ^[filename:L-L] 引用格式，指向源文件中精确的行范围。在 Obsidian 中点击引用芯片，可打开 Source Viewer 高亮对应段落；PDF 源文件则自动映射到 PDF 页码。
图6：声明级引用，在 Obsidian 中点击可跳转源文件
Synthadoc 主包采用 Python 3.11+，CLI 基于 Typer + Rich，HTTP 服务基于 FastAPI + Uvicorn，前端 Web UI 基于 React 19 + Vite + TypeScript，存储层使用 aiosqlite（异步 SQLite）。
核心包结构：
| 目录/模块 | 职责 |
|---|---|
synthadoc/agents/ | 7 种 Agent：IngestAgent、QueryAgent、LintAgent、SummarizeAgent、RewriteAgent、ExportAgent、ScaffoldAgent |
synthadoc/core/ | 核心运行时：orchestrator（编排器）、queue（任务队列）、scheduler（定时调度）、routing（路由）、cost_guard（成本守卫）、cache（3层缓存） |
synthadoc/providers/ | LLM 适配层：Anthropic、OpenAI、Ollama、CodingTool（含 Claude Code、Opencode） |
synthadoc/skills/ | 10+ 技能插件：pdf、docx、pptx、xlsx、url、web_search、youtube 等 |
synthadoc/observability/ | OpenTelemetry 集成，成本审计、事件追踪 |
obsidian-plugin/ | Obsidian 插件（TypeScript），提供 Ingest/Lint/Query UI 模态框 |
web-ui/ | React 前端，轻量构建 |
整体架构是典型的 Agent Orchestration 模式：orchestrator 调度多个专业 Agent，每个 Agent 对应一个具体任务（摄入、查询、审查、导出），通过 aiosqlite 共享状态，通过 FastAPI 暴露 HTTP 接口。
图7：知识图谱导出功能
# 安装
pip install synthadoc
# 安装演示知识库
synthadoc demo install history-of-computing
# 启动引擎（后台运行）
synthadoc serve -w history-of-computing --background
# 摄入文档
synthadoc ingest path/to/papers/ --wiki my-wiki
# 查询
synthadoc query "什么是冯诺依曼架构？" --wiki my-wiki
# 审查
synthadoc lint --wiki my-wiki
启动 synthadoc serve 后自动在本地 7070 端口提供 FastAPI 服务，Web UI 通过 http://localhost:7070 访问，支持任务列表、摄入进度、查询结果等图形化操作。
图8：Obsidian Vault 演示，支持图谱视图
安装 Obsidian 插件后，可在 Obsidian 内直接触发摄入、审查、查询操作。Synthadoc 也支持 Model Context Protocol，可直接作为 MCP Server 连接到 Claude Code，通过自然语言指令操控知识库。
1. 成本不可忽视：摄入时全量编译意味着每次新文档进入，系统都要遍历整个已有语料库进行综合。随着 wiki 规模增长，单次摄入的 token 消耗会显著上升。官方提供了 3 层缓存来缓解重复开销，但冷启动首次摄入仍需准备足够 API 额度。
2. 无容器化支持：当前版本没有 Dockerfile 和 docker-compose，对需要 Docker 隔离部署的用户不友好。虽然 pip 安装本身简单，但依赖 Python 3.11+ 环境，在部分企业环境中配置门槛较高。
3. 复杂度的双刃剑：5状态生命周期、对抗性审查、矛盾检测……这些能力组合起来功能强大，但也意味着学习曲线较陡。个人用户可能只用到了 20% 的功能，却要承担 100% 的复杂度。
4. 依赖 LLM 质量：系统输出的上限完全取决于底层 LLM 的能力——如果主 LLM 不够强，矛盾检测和对抗性审查的效果都会大打折扣。
图9：完整操作审计历史
Synthadoc 的出现代表了一种正在兴起的 AI 知识管理范式：从检索增强生成（RAG）转向编译型知识库（LLM Wiki）。
传统 RAG 的局限在于：每次查询都要临时生成答案，矛盾无法被系统性地发现，知识之间的关联完全依赖向量相似度。LLM Wiki 则在文档摄入时就完成了知识的结构化重组——这更接近人类整理笔记的方式：读一本新书，在已有的知识体系上更新和补充，而不是每次被问到问题时才临时翻书。
从行业趋势看，2024 年 Karpathy 提出 LLM Wiki 概念后，Synthadoc 是目前实现最完整、社区最活跃的开源项目之一。它与 Notion AI、NotebookLM 等闭源产品的最大区别在于完全本地优先——数据永远在你自己机器上，API 调用成本可控，Obsidian 生态无缝集成。
如果你的团队正在构建 AI Native 应用、需要让 AI 在长周期内保持「记忆」、或者厌倦了 RAG 的局限性，Synthadoc 值得深入了解。
图10：Synthadoc 自动构建的知识图谱
本文基于 Synthadoc v0.9.0 Community Edition 分析撰写。