# 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](https://github.com/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](https://gist.github.com/karpathy/442a6bf555914893e9891c11ac484894)）。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](LICENSE)。