IWE — 为你和 AI 代理打造的 Markdown 记忆系统

想象一下：你写了三年的笔记，零散地躺在文件夹里，每次想找点什么都要靠记忆和搜索。某天，你决定让这些笔记「学会自己连起来」——同一个概念可以在多个话题下出现，不用复制粘贴，链接自动维护。

这就是 IWE（Indexed Wiki Engine） 正在做的事：一个用 Rust 编写的高速 Markdown 知识图谱工具，它把你的纯文本笔记变成一张可导航、可查询、可被 AI 代理理解的结构化网络。

图1：IWE 将每个 Markdown 文档视为二叉树结构，每个标题/段落/链接都是图谱中的节点，节点之间通过包含关系（Inclusion Link）和交叉引用（Cross-reference）相连。

背景：从文件夹到知识图谱

传统的 PKM（Personal Knowledge Management）工具——Notion、Obsidian、Roam Research——无一例外都需要专有数据库或云服务来存储笔记内容。这意味着你的笔记被锁在某个平台里，一旦平台倒闭、数据格式变更，笔记就面临迁移风险。

IWE 的创始团队（Dmytro Halichenko）从一开始就瞄准了一个不同的方向：让纯 Markdown 文件成为一等公民。你的 .md 文件仍然在本地目录里，可以用任何编辑器打开，git push 推送到 GitHub，一切都和现在一样——只是多了一个结构化解析层，把这些文件组织成图谱。

这一设计哲学体现在项目的每个细节里：没有数据库、没有云端、没有专有格式。License 是 Apache 2.0，代码完全开源，数据完全属于用户。这种「本地优先」（Local-first）的理念，与 Obsidian 的 Vault、Logseq 的 Page 概念一脉相承，但 IWE 更进一步：它的核心用户不是人，而是 AI 代理。

核心机制：Inclusion Link 与知识树

IWE 的魔力来自两种链接类型：

Inclusion Link（包含链接）：在一行的开头写子主题名称，表示「这个笔记包含那个笔记」。例如在一篇「学习方法」笔记里，包含链接到「费曼技巧」和「主动回忆」两个子笔记。这种链接形成树形结构，可以用 iwe tree 命令浏览整个知识树的任意起点。

Cross-reference（交叉引用）：传统的 [[wikilink]] 风格链接，用于建立跨话题的横向关联。「注意力机制」笔记可以被「深度学习」「认知科学」「产品设计」三个父主题同时引用，而无需复制内容。

正是这两种链接让 IWE 超越了简单的文件夹层级——同一个节点可以有多重父节点，在图论里这是一个有向无环图（DAG），在日常使用中意味着你的知识不需要重复存储，却可以从多个入口被找到。

IWE 还支持从父节点向上回溯：当你用 iwe retrieve --key xxx --depth 2 查询一个主题时，返回结果不仅包含该主题本身，还包含其所有祖先节点的上下文信息——这对于 AI 代理准备对话上下文极为有用。

AI 代理集成：让 AI 读懂你的笔记

这是 IWE 与其他 PKM 工具最本质的区别：它为 AI 代理设计了原生接口。

IWE 提供两类 AI 接入方式：CLI 命令行工具和 MCP 服务器（Model Context Protocol）。

MCP 服务器（iwec）是目前最主流的 AI 代理集成方式。只需在 Claude Desktop 或 Cursor 的 MCP 配置中加入几行 JSON，AI 就能直接操作你的笔记库：

• iwe_find：模糊搜索笔记标题和内容
• iwe_retrieve：按主题深度检索，返回带父子上下文的完整信息
• iwe_tree：以树形结构展示知识层级
• iwe_create / iwe_extract / iwe_inline：在笔记间移动内容
• iwe_normalize：批量规范化 Markdown 格式（标题层级、链接标题等）
• iwe_rename：重命名笔记，所有引用自动更新

MCP 服务器内置了文件监听机制——你在编辑器里直接修改 .md 文件时，内存中的图谱会自动同步，不需要重启服务。IWE 官方还维护了一个 skills 仓库，专门存放给 AI agent 用的 prompt 工作流，比如「探索」「评审」「重构」等常见操作场景。

对于喜欢自己写脚本的开发者，CLI 工具可以直接在终端或 pipeline 里调用，输出格式支持 JSON、YAML、Markdown 三种，可以用 iwe update 加 MongoDB 风格的 YAML 过滤器批量修改笔记元数据，自动化程度很高。

编辑器集成：VS Code / Neovim / Zed / Helix

IWE 同样为人类用户提供了编辑器内的 IDE 体验。目前支持四种主流编辑器：

在 VS Code 里，IWE 提供了搜索、导航、预览、链接自动补全、内嵌提示（Inlay Hints）等完整功能。可以在编辑器左侧看到一个知识树大纲（Outline），悬停在任意 [[wikilink]] 上能看到目标笔记内容摘要，点击跳转到对应文件。

Neovim 用户则通过 iwe.nvim 插件获得 LSP（Language Server Protocol）级别的支持，这与其他工具的语言服务器工作方式完全一致，性能和集成度都很高。Zed 和 Helix 也各有独立插件。

这些编辑器扩展统一基于 IWE 的 LSP 服务器（iwes），所以无论用哪个编辑器，体验是一致的：搜索是同一个搜索，补全是同一个补全，差别只是操作习惯不同。

图2：IWE 知识图谱详细架构图。 最左侧是原始 Markdown 文件，经过解析后形成文档树（Document Tree）和知识图谱（Knowledge Graph），中间层是统一的查询引擎（Query Engine），右侧通过 MCP、CLI、LSP 三种接口分别服务于 AI 代理、命令行用户和编辑器插件。

性能：Rust 带来的速度优势

IWE 官方提供了基准测试：处理 20,000 个 Markdown 文件只需要不到 1 秒。这个数字来自 crates/liwe 核心库的基准测试用例，在机械硬盘上依然能保持这个速度。

Rust 语言的选择在这里起到了决定性作用：Liwe 核心库（crates/liwe）使用了 rayon 做并行文件处理、pulldown-cmark 做 Markdown 解析、graphviz-rust 做图可视化。Workspace 结构清晰：crates/liwe 是核心库，crates/iwe 是 CLI，crates/iwes 是 LSP 服务器，crates/iwec 是 MCP 服务器——四个 crate 共享同一个 domain model，没有数据不一致的问题。

与竞品的对比

IWE 官方在 docs/comparison.md 中详细对比了 Obsidian、Logseq、Roam Research 等工具。与这些工具相比，IWE 的核心优势在于：

AI 原生：其他 PKM 工具的 AI 集成都是后来加的插件或 API 桥接，IWE 的 MCP 服务器是核心设计的一部分，crates/iwec 和 crates/liwe 是同一版本发布、同一代码库维护，版本永远同步。

无数据库：Obsidian 需要本地 SQLite 数据库，Roam 需要云端存储，Logseq 需要自己维护索引。IWE 的图谱是按需从文件系统实时构建的，不需要预索引，不需要数据库文件。

查询语言：IWE 支持 MongoDB 风格的 YAML 过滤器和图遍历操作符（$includes、$includedBy、$referencedBy 等），这是 Obsidian 的 Dataview 和 Logseq 的自定义查询所不具备的图查询能力。

当然，IWE 目前缺乏可视化图谱界面（只能导出 Graphviz DOT 格式再用外部工具渲染），编辑器插件成熟度也不如 Obsidian 的 1500+ 插件生态。但对于纯命令行用户和 AI 开发者来说，IWE 的简洁性反而是优势。

部署与上手门槛

IWE 是一款纯本地 CLI 工具，没有 Web 界面，也没有服务端组件。安装方式两种：

1. Homebrew（macOS/Linux）：

   brew tap iwe-org/iwe
   brew install iwe
   

2. Cargo 安装：

   cargo install iwe iwes iwec
   

iwe 是主 CLI，iwes 是 LSP 服务器（编辑器插件需要），iwec 是 MCP 服务器（AI 代理需要）。三个工具可以按需安装，不必全装。

安装后只需 iwe init 初始化工作目录，IWE 会扫描当前目录的 .md 文件构建图谱索引，立即可用。没有配置文件，没有数据库初始化，没有任何仪式感——Rust 编译型工具的典型特点。

局限与争议

IWE 最大的局限在于生态尚在早期。编辑器插件只有 VS Code、Neovim、Zed、Helix 四个，移动端、网页端为零。对于习惯了 Notion 或 Obsidian 那样完整 GUI 体验的用户来说，命令行优先的设计可能需要适应。

其次，Inclusion Link 的语法尚未标准化。IWE 用自己定义的语法在 Markdown 里嵌入结构信息，这与其他 PKM 工具（Obsidian 的 ![[]]，Logseq 的 {{{}}}）都不兼容。一旦用户决定从 IWE 迁移，数据迁移成本不可忽视。

第三，图可视化能力弱。目前只能导出 Graphviz DOT 格式，要看到知识网络的全貌需要配合外部工具。这意味着「知识图谱」对人类用户来说还是命令行里的抽象数据，而非视觉上的网络图。

行业意义

IWE 代表了一个新兴趋势：AI-Native Knowledge Management。传统 PKM 工具诞生于人类记忆辅助的场景，AI 只是一个「更快的搜索」；而 IWE 从第一天就把 AI 代理定位为一级用户，CLI 和 MCP 接口不是为了「偶尔用一下」，而是为了让 AI 能在你的知识库里自主导航、自主写入、自主重构。

随着 MCP 生态的快速扩张（Claude Desktop、Cursor、Windsurf 等工具纷纷支持），IWE 这类为 AI 代理设计知识管理工具的价值正在凸显。它解决的核心问题是：如何让 AI 在每次对话中都能访问你的长期记忆，而不是只靠上下文窗口里的几百个 token。

GitHub 数据显示，IWE 的 star 数在近半年稳定增长，核心贡献者超过 10 人，文档体系（book.typ）相当完善。对于关注 AI 辅助知识管理、或正在构建 AI Agent 记忆系统的开发者来说，IWE 是一个值得深入了解的项目。

---

项目地址：iwe-org/iwe · 官网：iwe.md · License：Apache-2.0