n8n 版 LLM Wiki

Andrej Karpathy 的「LLM Wiki」概念，用 n8n + Google Docs + Google Sheets 重新實作的可下載版本。 不需要 Obsidian、不需要向量資料庫，人人都有的 Google 工具就能玩這套「新 RAG」。

感謝 Andrej Karpathy 提出這個觀念。原文（gist）： https://gist.github.com/karpathy/442a6bf555914893e9891c11ac484894

---

這是什麼？

傳統 RAG 把文件丟進嵌入模型「碎紙化」存進向量庫，查詢時抽幾條碎紙給 LLM，LLM 只看得到那幾條、看不到全局。

Karpathy 的 LLM Wiki 用的是另一套思路 — pre-compile（預編譯）： 把所有原始資料交給 LLM，讓它像「維基百科總編輯」一樣，把內容整理、改寫、互相連結後寫進一個結構化的知識庫。你問問題時，它先查目錄（index），再讀對應的 wiki 條目來回答 — 有全局觀，知道來龍去脈，而不是靠碎紙拼湊。

	傳統向量 RAG	LLM Wiki（本專案）
入庫方式	切塊 → 嵌入 → 存向量	LLM 閱讀 → 整理改寫 → 寫成 wiki 條目
找資料方式	向量相似度	查目錄（像人查索引）
資料成長	無限增加（知識倉庫）	結構性整理、更新而非堆疊（知識庫）
原稿角色	直接被切碎	單一事實來源（SSOT），有爭議時回查
成本	嵌入便宜	Token 燒得較兇，但整理品質高

更新而非新增：給它 1 萬份文件，它不會生成 1 萬篇 wiki，而是整理成一本結構化的「教科書」。內容相近就更新既有條目，差很多才新增。

---

為什麼用 Google Docs + Sheets？

• Obsidian 沒有網路版，不一定人人習慣 — 重點是觀念，工具不重要。
• Google Docs 當 wiki 條目本體，電腦手機通用、人人都有。
• Google Sheets 當目錄（index）：結構化、乾淨、搜尋飛快，n8n 又能直接讀成 JSON。目錄裡不只篇名，還有 keywords、summary、last_updated，讓 AI 好找。

---

倉庫內容

.
├── workflows/
│   ├── LLM_wiki.json          # 主工作流（入庫 + 查詢兩條流程）
│   └── create_wiki_page.json  # 子工作流：建立 Google Doc 並移到指定資料夾
├── index.xlsx                 # 目錄範本（上傳 Google Drive 後轉成 Google Sheets）
├── wiki/
│   └── RAG 檢索增強生成（RAG）.docx   # 一篇 wiki 條目範例（轉成 Google Docs）
└── README.md

⚠️ 這是零件包，你需要自己組裝（接上自己的 Google 帳號與 LLM 金鑰）。

為什麼下載的是 .xlsx 和 .docx？

這個專案產生的 wiki 原本放在 Google Drive 的 Docs / Sheets。為了方便在 GitHub 上發佈下載，匯出成 Office 格式（.xlsx / .docx）。

👉 你下載後，要把它們上傳到自己的 Google Drive，並轉回 Google 原生格式才能被 n8n 呼叫：

下載到的檔案	上傳後請轉成	用途
index.xlsx	Google Sheets	目錄（index）
wiki/*.docx	Google Docs	wiki 條目（範例，可刪）

轉換方式（任一即可）：

• 在 Google Drive 直接用 Google Sheets / Google Docs 開啟 .xlsx / .docx，再「檔案 → 另存為 Google 試算表 / Google 文件」。
• 或在 Drive 設定中開啟「上傳時自動轉換為 Google 文件格式」，再上傳。

---

目錄（index）欄位

index.xlsx 是 wiki 的目錄，AI 靠它找資料。欄位：

欄位	說明
topic	主題名稱（也是 wiki 條目的標題）
doc_id	對應 Google Doc 的 ID
keywords	關鍵字，幫 AI 比對問題
summary	摘要，幫 AI 判斷相關性
last_updated	最後更新日期

---

運作原理（兩條流程）

主工作流 LLM_wiki.json 內含兩條獨立流程。

1️⃣ 資料入庫（寫入）

On form submission（上傳 .md / .txt）→ Extract from File → AI Agent（知識寫入助手）

寫入 Agent 的邏輯：

1. 先讀目錄 get_indexs（鐵律：沒讀過 index 不准做任何事）。
2. 把上傳文件拆成一個或多個主題。
3. 逐一判斷：
   • 主題已存在 → write_wiki（Append 到既有 Doc）+ update_wiki（更新該條目的 keywords / summary）。
   • 主題不存在 → create_wiki_page（建新 Doc，呼叫子工作流）+ write_wiki（寫入初始內容）+ write_index（在目錄新增一行）。
4. 確認每個主題都完成最後一步（更新過 index）才回報結果。

2️⃣ 資料查詢（讀取）

When chat message received → AI Agent1（知識查詢助手）

查詢 Agent 的邏輯：

1. get_indexs 讀目錄，瀏覽所有 keywords / summary。
2. 判斷哪個（些）doc_id 與問題最相關。
3. read_wiki 讀取對應 Doc 全文。
4. 根據讀到的內容回答（只讀不寫；目錄裡找不到就老實說「Wiki 尚未收錄此主題」）。

子工作流 create_wiki_page.json

因為 Google Docs 節點無法直接在指定資料夾建立文件，所以拆成子工作流：用 Webhook 觸發 → Create a document → Move file（移到指定 wiki 資料夾）→ 回傳 doc_id。主工作流用 HTTP Request 節點呼叫它。

---

安裝與設定

需求

• 一個可用的 n8n 實例（自架或雲端）。
• Google 帳號（Docs / Sheets / Drive 權限）。
• 一個 LLM。本專案範例用 Google Gemini（lmChatGoogleGemini 節點），可自行換成其他 LLM 節點。

步驟

1. 匯入工作流：在 n8n 中匯入 workflows/LLM_wiki.json 與 workflows/create_wiki_page.json。
2. 準備 Google 檔案：
   • 把 index.xlsx 上傳 Google Drive 並轉成 Google Sheets。
   • 在 Drive 建一個資料夾放 wiki 條目（例：wiki/）。
   • （可選）把 wiki/*.docx 上傳並轉成 Google Docs 當範例，或直接刪掉從零開始。
3. 接憑證：在每個 Google Sheets / Docs / Drive 節點接上你的 Google OAuth 憑證；LLM 節點接上你的金鑰。
4. 指定目標：
   • 把 get_indexs / get_indexs1 / write_index 指向你的 index Google Sheet。
   • 把 create_wiki_page 子工作流的「建立文件」與「Move file」指向你的 wiki 資料夾。
   • 主工作流的 create_wiki_page HTTP 節點 URL 改成你自己 n8n 的 webhook 網址（範本內是作者的網址，務必替換）。
5. 啟用並測試：
   • 用表單上傳一份 .md / .txt → 看 index 是否新增、wiki 資料夾是否多出 Doc。
   • 在 chat 觸發器問一個問題 → 看它是否查目錄、讀 Doc、回答。

---

注意事項

• Token 燒得較兇：因為是讓 LLM 真的去「讀、整理、改寫」資料，比向量法耗 token。處理大量文件前先評估成本。
• 範本內含作者的 webhook 網址，請替換成自己的。
• 這套設計重整理輕堆疊 — 它整理出來的是一個「知識庫」，而不是無限長大的「知識倉庫」。

---

致謝

觀念來自 Andrej Karpathy 的 LLM Wiki（原文 gist）。本專案只是把同一個觀念換成人人都有的 Google 工具，方便教學與實際使用。

授權

MIT License，詳見 LICENSE。