从零搭建一个可被 AI 维护的本地 LLM Wiki：TaoToken 统一 Key 接入与 Markdown 知识库骨架-开发者社区

1. 为什么本地知识库总是变成“资料坟场”

我猜你大概率用过 Obsidian、Notion、语雀或者飞书文档中的至少一个。刚开始都很兴奋，剪藏、摘录、建双链，感觉自己马上要构建第二大脑。三个月后再打开，里面躺着几百篇没读完的文章、一堆孤立的笔记、几个永远没填完的模板。收集很多，复用很少。

问题不在于工具，而在于维护成本。传统知识库依赖人工做这些事：分类、摘要、建链接、整理概念、维护索引、定期复盘。每一件都重要，每一件都耗时。当维护成本超过使用收益，知识库就停止生长了。

LLM Wiki 的思路是把这些维护动作交给 AI：人负责判断价值和提供方向，AI 负责整理、摘要、归类、链接、维护和复盘。但这里有个前提——你的知识库结构必须对 AI 友好。目录怎么分、文件怎么命名、页面元数据怎么写、AI 改完东西往哪记日志，这些约定决定了 AI 能不能长期稳定地帮你干活。

这篇要做的，就是从零搭一套可被 AI 维护的本地 Markdown 知识库骨架，并且用 TaoToken 的统一 Key 把 AI 工具接进来，完成一次真实的“AI 写入 + 校验”闭环。适合已经在用 Markdown 做笔记、想让 AI 接手整理工作、又不想把资料全传到云端的开发者。

2. TaoToken 在 LLM Wiki 里的位置：统一 Key 与 API 通道

先说清楚 TaoToken 在这套系统里扮演什么角色。它不是知识库软件，也不是编辑器替代品。它是一个统一的模型 API 接入层：你申请一个 Key，就能通过同一套 OpenAI 兼容接口调用多个模型，不用为每个工具单独配一套 Key 和环境变量。

对 LLM Wiki 来说，这件事的价值在于“工具无关”。你的知识库可能同时被几种工具读写：命令行里的脚本、编辑器插件、独立的 Agent 工具。如果每个工具都各自维护 Key 和 base_url，配置会散落各处，换模型时要改很多地方。统一 Key 之后，所有工具指向同一个 API 地址，模型切换只改一个配置项。

接入信息如下：

官网入口：https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=
API 基地址：https://taotoken.net/api
模型对话入口：https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite
API Keys 管理：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite
接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

注意：API 基地址是https://taotoken.net/api，很多 OpenAI 兼容客户端需要的是带/v1的完整路径，具体以接入文档为准。配置时先确认客户端要求的格式，能省掉一半的 404 报错。

如果你后续要跑长期编码或 Agent 类任务，可以了解 Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite

3. 目录结构：让 AI 知道东西该放哪

先建骨架。核心思想是分层：临时输入 → 原始证据 → AI 摘要 → 稳定知识 → 报告输出。每一层职责单一，AI 读目录名就知道该往哪写。

LLMWiki/ ├── inbox/ # 低摩擦收集箱，先扔进来不分类 ├── raw/ # 原始资料区，只新增不改写 ├── wiki/ # 正式知识库 │ ├── index.md # 总索引，AI 查询第一入口 │ ├── log.md # 操作日志，记录每次变更 │ ├── sources/ # 来源摘要 │ ├── concepts/ # 稳定概念页 │ ├── projects/ # 项目知识页 │ ├── people/ # 人物/组织页 │ └── methods/ # 可复用方法流程 ├── outputs/ │ ├── reports/ # 简报、复盘、报告 │ └── lint/ # 健康检查报告 ├── prompts/ # 可复用提示词模板 ├── docs/ │ ├── specs/ # 设计文档 │ └── plans/ # 实施计划 ├── AGENTS.md # 多 AI 协作主协议 └── README.md # 使用说明

用 PowerShell 一次性建好（Windows 环境）：

$root = "D:\LLMWiki" $dirs = @( "inbox", "raw", "wiki", "wiki/sources", "wiki/concepts", "wiki/projects", "wiki/people", "wiki/methods", "outputs", "outputs/reports", "outputs/lint", "prompts", "docs", "docs/specs", "docs/plans" ) foreach ($d in $dirs) { New-Item -ItemType Directory -Force -Path (Join-Path $root $d) | Out-Null } Write-Host "目录骨架创建完成：$root"

macOS 或 Linux 用一行就够：

mkdir -p ~/LLMWiki/{inbox,raw,wiki/{sources,concepts,projects,people,methods},outputs/{reports,lint},prompts,docs/{specs,plans}}

几个关键约定，直接决定 AI 能不能安全协作：

raw/只新增不改写。它是证据层，AI 如果随意改写原始资料，追溯链就断了。需要更新时新增一个带新日期的版本。

wiki/下每个正式页面必须有 YAML frontmatter，AI 靠它判断页面类型和来源。

每次有意义的变更，都要同时更新wiki/index.md和wiki/log.md。这是多 AI 协作不互相覆盖的基础。

4. 配置骨架：config.toml 与 settings.json

接下来是接入配置。不同工具读不同格式的配置文件，这里给两份骨架，按你实际用的工具取用。

4.1 config.toml：命令行工具与脚本用

# LLMWiki/config.toml # 统一模型接入配置，所有本地脚本读这一份 [api] provider = "taotoken" base_url = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY" # Key 从环境变量读，不写进文件 timeout_seconds = 120 max_retries = 3 [models] default = "gpt-4o-mini" # 日常摘要、标签用轻量模型 reasoning = "gpt-4o" # 概念抽取、矛盾检测用强模型 fallback = "claude-3-5-sonnet" # 主模型不可用时的备选 [wiki] root = "D:/LLMWiki" index_file = "wiki/index.md" log_file = "wiki/log.md" agents_file = "AGENTS.md" raw_dir = "raw" sources_dir = "wiki/sources" concepts_dir = "wiki/concepts" [ingest] # 摄入流程参数 max_source_chars = 12000 # 单次送入模型的原始资料上限 require_frontmatter = true auto_update_index = true auto_append_log = true

Key 不落盘，通过环境变量注入：

# Windows PowerShell，当前会话有效 $env:TAOTOKEN_API_KEY = "你的Key"

# macOS / Linux，写入 shell 配置可持久化 export TAOTOKEN_API_KEY="你的Key"

4.2 settings.json：编辑器插件与 Agent 工具用

{ "llmWiki": { "root": "D:/LLMWiki", "agentsFile": "AGENTS.md", "indexFile": "wiki/index.md", "logFile": "wiki/log.md" }, "model": { "provider": "openai-compatible", "baseUrl": "https://taotoken.net/api", "apiKeyEnv": "TAOTOKEN_API_KEY", "defaultModel": "gpt-4o-mini", "reasoningModel": "gpt-4o", "temperature": 0.3, "maxTokens": 4096 }, "ingest": { "rawDir": "raw", "sourcesDir": "wiki/sources", "conceptsDir": "wiki/concepts", "requireFrontmatter": true, "autoUpdateIndex": true, "autoAppendLog": true }, "lint": { "checkFrontmatter": true, "checkBrokenLinks": true, "checkOrphanPages": true, "checkMissingSources": true, "reportDir": "outputs/lint" } }

注意：baseUrl填https://taotoken.net/api，如果你的客户端自动补/v1/chat/completions，就不要再手动加/v1，否则会拼成/api/v1/v1/...。先发一个最小请求验证，再批量跑任务。

4.3 AGENTS.md：AI 协作的“宪法”

这个文件比配置更重要。它告诉所有 AI 工具：这个知识库怎么用、什么能改、什么不能碰。

# AGENTS.md — LLM Wiki 协作协议 ## 知识库定位 本地优先的 Markdown 知识库，AI 参与整理、摘要、归类、链接与复盘。 ## 操作原则 1. 修改 wiki/ 前，先读 AGENTS.md、wiki/index.md、wiki/log.md。 2. raw/ 下既有文件默认不改写，需要更新时新增带日期的版本。 3. 不删除 wiki 页面，除非用户明确批准；默认只新增、更新、标记废弃。 4. 每个正式 wiki 页面必须有 YAML frontmatter。 5. 断言应可追溯到 raw/ 或其他来源，推测内容标注“待确认”。 6. 每次有意义的变更，同步更新 wiki/index.md 和 wiki/log.md。 7. 不写入密码、token、access-key、secret-key、内网地址。 ## 页面类型 source / concept / project / person / method / index / log / report ## 命名约定 - raw/：日期-来源-主题.md，如 2026-07-08-csdn-llm-wiki.md - wiki/：中文标题.md，如 LLM-Wiki.md - 项目目录：00-项目入口.md 起编号

4.4 页面 frontmatter 模板

--- title: LLM Wiki type: concept sources: - "raw/2026-07-08-csdn-llm-wiki.md" related: - "wiki/concepts/知识库主动反馈闭环.md" created: 2026-07-08 updated: 2026-07-08 confidence: medium ---

confidence字段很有用：high表示有明确来源支撑，medium表示合理推断，low表示待确认。AI 生成内容时按这个标准自评，你复查时一眼能看出哪些需要人工核实。

5. 验证请求：跑通一次 AI 写入与校验

配置写完不验证，等于没配。这一步用一个最小脚本，让 AI 读一篇 raw 资料，生成来源摘要页，更新索引和日志，然后做一次 lint 校验。

5.1 准备一篇原始资料

在raw/下放一个文件：

<!-- raw/2026-07-08-demo-note.md --> # 演示资料：为什么知识库需要 AI 维护 来源：本地笔记 日期：2026-07-08 传统知识库的维护动作（分类、摘要、建链、索引、复盘）都是人工完成， 成本高且容易中断。把其中可标准化的部分交给 AI，人只保留价值判断和方向决策， 可以让知识库持续生长而不是变成资料坟场。

5.2 用 Python 发一次真实请求

# scripts/ingest_demo.py import os, json, urllib.request API_BASE = "https://taotoken.net/api" API_KEY = os.environ["TAOTOKEN_API_KEY"] MODEL = "gpt-4o-mini" def chat(messages): payload = json.dumps({ "model": MODEL, "messages": messages, "temperature": 0.3 }).encode("utf-8") req = urllib.request.Request( f"{API_BASE}/v1/chat/completions", data=payload, headers={ "Content-Type": "application/json", "Authorization": f"Bearer {API_KEY}" }, method="POST" ) with urllib.request.urlopen(req, timeout=120) as resp: return json.loads(resp.read().decode("utf-8")) raw_text = open("D:/LLMWiki/raw/2026-07-08-demo-note.md", encoding="utf-8").read() prompt = f"""你是 LLM Wiki 的摄入助手。请阅读下面的原始资料， 生成一个来源摘要页，严格输出 Markdown，包含 YAML frontmatter。 要求： - type: source - 包含：一句话摘要、关键观点（3条以内）、对本知识库的启发、不确定性 - 不要编造资料中没有的事实 原始资料： {raw_text} """ result = chat([{"role": "user", "content": prompt}]) content = result["choices"][0]["message"]["content"] out_path = "D:/LLMWiki/wiki/sources/2026-07-08-demo-note.md" with open(out_path, "w", encoding="utf-8") as f: f.write(content) print("写入完成：", out_path) print("--- 生成内容预览 ---") print(content[:600])

运行：

python scripts/ingest_demo.py

成功时你会看到类似输出：

写入完成： D:/LLMWiki/wiki/sources/2026-07-08-demo-note.md --- 生成内容预览 --- --- title: 演示资料：为什么知识库需要 AI 维护 type: source sources: - "raw/2026-07-08-demo-note.md" created: 2026-07-08 updated: 2026-07-08 confidence: medium --- ## 一句话摘要 ...

5.3 校验动作：lint 检查

写入之后必须校验，否则你不知道 AI 有没有漏 frontmatter、有没有断链。写一个轻量检查脚本：

# scripts/lint_wiki.py import os, re, glob ROOT = "D:/LLMWiki" WIKI = os.path.join(ROOT, "wiki") INDEX = os.path.join(WIKI, "index.md") issues = [] # 1. 检查 frontmatter for path in glob.glob(os.path.join(WIKI, "**", "*.md"), recursive=True): name = os.path.basename(path) if name in ("index.md", "log.md"): continue with open(path, encoding="utf-8") as f: text = f.read() if not text.startswith("---"): issues.append(f"[缺 frontmatter] {path}") continue if "type:" not in text.split("---")[1]: issues.append(f"[缺 type 字段] {path}") # 2. 检查页面是否进入索引 with open(INDEX, encoding="utf-8") as f: index_text = f.read() for path in glob.glob(os.path.join(WIKI, "**", "*.md"), recursive=True): name = os.path.basename(path) if name in ("index.md", "log.md"): continue rel = os.path.relpath(path, ROOT).replace("\\", "/") if rel not in index_text and name not in index_text: issues.append(f"[未进索引] {rel}") # 3. 输出报告 report_dir = os.path.join(ROOT, "outputs", "lint") os.makedirs(report_dir, exist_ok=True) report_path = os.path.join(report_dir, "lint-2026-07-08.md") with open(report_path, "w", encoding="utf-8") as f: f.write("# Lint 报告 2026-07-08\n\n") if issues: f.write("\n".join(f"- {i}" for i in issues)) else: f.write("全部检查通过。\n") print(f"检查完成，问题数：{len(issues)}") for i in issues: print(" ", i) print("报告：", report_path)

跑一次：

python scripts/lint_wiki.py

如果摘要页没进索引，你会看到[未进索引] wiki/sources/2026-07-08-demo-note.md。这时候让 AI 补一步：把该页面挂到wiki/index.md的“来源”章节，并在wiki/log.md追加一条记录。补完再跑 lint，问题数归零，闭环就通了。

6. 本篇常见错排查

报错 401 Unauthorized。九成是 Key 没读到。先确认环境变量在当前终端可见：echo $env:TAOTOKEN_API_KEY（PowerShell）或echo $TAOTOKEN_API_KEY（bash）。如果为空，说明 Key 只写进了配置文件但没导出到环境。另外检查请求头是不是Authorization: Bearer <key>，少个空格也会 401。

报错 404 Not Found。通常是 base_url 拼接问题。https://taotoken.net/api后面到底加不加/v1，取决于客户端。用 curl 先测一次最小请求：

curl -X POST "https://taotoken.net/api/v1/chat/completions" \ -H "Content-Type: application/json" \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -d '{"model":"gpt-4o-mini","messages":[{"role":"user","content":"ping"}]}'

返回正常 JSON 说明路径对，再回去改客户端配置。

AI 生成的页面没有 frontmatter。提示词里要明确写“严格输出 Markdown，包含 YAML frontmatter”，并给出字段清单。模型有时会“忘记”，在 lint 里把缺 frontmatter 作为硬性检查项，跑一次就能发现。

AI 改写了 raw/ 里的文件。这是协议问题，不是模型问题。检查 AGENTS.md 里“raw/ 只新增不改写”这条有没有写清楚，以及你的摄入脚本是不是只读 raw、只写 wiki。脚本层面做限制比靠提示词更可靠。

索引和日志没更新。把“更新 index 和 log”作为摄入流程的最后一步写进提示词，并在 lint 里检查页面是否进索引。漏了就让 AI 补，补完再校验。

模型返回超时。长资料一次送进去容易超时。config.toml 里的max_source_chars就是干这个的，超过就分段处理，或者换长上下文模型。重试次数设 3 次，偶发网络抖动自动恢复。

Key 泄露风险。任何时候不要把 Key 写进 config.toml、settings.json 或提交到 Git。统一走环境变量，.gitignore里加上*.env和本地配置文件。项目 RAG 文档里也禁止记录任何凭据。

7. 把 AI 接进知识库之后

骨架搭好、配置跑通、lint 归零之后，这套系统就能持续运转了。日常动作变成：资料先进inbox/，AI 定期消化进raw/和wiki/sources/，稳定概念沉淀到wiki/concepts/，项目资料整理成wiki/projects/下的 RAG 文档包，每天生成简报、每周做复盘，定期跑 lint 检查健康状态。

如果你要长期跑编码或 Agent 类任务，建议把 Coding Plan 配上，统一 Key 在多个工具间复用会省很多事：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite

想先验证模型输出质量，可以直接在模型对话页试：https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite

Key 管理和接入细节看这里：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite 和 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

最后留一个我踩过的坑：别一上来就把目录建得特别复杂。先用inbox/ raw/ wiki/ outputs/ prompts/这五个跑通一次完整摄入，确认 AI 能正确读写、lint 能发现问题，再按需扩展projects/和methods/。结构是长出来的，不是一次设计出来的。