llm-wiki-distiller

先让 AI 扫描项目并提出知识库结构，确认后即可生成三层上下文包、项目专用 Python 编译器和可浏览的 Obsidian Wiki。适合把代码、数据、研究或文档整理成既便于模型取用、又方便人查阅的知识体系。

安装后，它会在仓库中建立由小型 Markdown 文件组成的 /context 知识库，用于记录品牌、业务和产品事实。可通过七问引导、代码库提取或边做边补的方式完成初始化，并在每项任务中只加载最相关的 1–3 个文件，帮助智能体维持目标用户、定价、语气和范围边界的一致性。上下文会随产品变化更新，并在变更时明确告知。

它在项目对话中捕捉用户的需求、偏好、决定与限制，先保存原始表达，再按维度整理到项目绑定的 mdbase 文档库。新会话或其他智能体读取这些文件后，可以直接继承已有背景，减少重复解释和方向漂移；也可通过命令查看、整理、忽略或导出记录，并需要文件读写与 Bash 能力。

second-brain 将笔记、关系和会话中提炼的长期信息保存在可读 Markdown 中，并用可重建的 SQLite 缓存提供全文搜索和图谱查询。它既可作为 Claude Code 技能自动回忆和记录，也可通过零依赖 MCP 服务器供其他客户端读写；只需 Python 3.8 以上，数据可用 Git 在设备间同步。面向个人规模，不适合百万级文档或多人权限型知识库。