RRepoGEO

REPOGEO 报告 · LITE

lewislulu/llm-wiki-skill

默认分支 main · commit d7751c0a · 扫描时间 2026/6/12 10:58:26

星标 582 · Fork 102

AI 可见性总分
17 /100
亟需修复
品类召回
0 / 2
在所有问题中均未被推荐
规则结果
通过 1 · 警告 0 · 失败 1
客观元数据检查
AI 认识你的名字
1 / 3
直接询问时，AI 是否点名你的仓库
如何阅读这份报告

行动计划告诉你下一步要做什么——按影响力排序、可直接复制粘贴的修改。品类可见性是真正的 GEO 测试：当用户向 AI 提一个不带品牌、本应让 lewislulu/llm-wiki-skill 浮出水面的问题时，AI 是真的推荐了你，还是推荐了你的竞品？客观检查验证 AI 引擎最先权衡的那些元数据信号。自指检查判断 AI 是否还认识你的名字。

行动计划 — 可复制粘贴的修复

3 条由 gemini-2.5-flash 生成、按优先级排序的修改。修完后请把对应条目标记为完成。

整体方向
  • hightopics#1
    Add specific topics to improve categorization

    原因：

    复制粘贴的修复
    ["llm-agent", "knowledge-base", "wiki", "llm-compilation", "anti-rag", "openclaw", "codex", "karpathy"]
  • highlicense#2
    Add a LICENSE file to the repository

    原因：

    复制粘贴的修复
    Create a `LICENSE` file in the repository root with your chosen open-source license (e.g., MIT, Apache-2.0, GPL-3.0). This is essential for users to understand usage rights and for AI to correctly identify the project's legal status.
  • mediumabout#3
    Clarify the 'About' description to highlight core differentiators

    原因：

    当前
    Karpathy-style LLM knowledge base Agent Skill for OpenClaw/Codex. Experimental — will iterate over time.
    复制粘贴的修复
    An OpenClaw/Codex Agent Skill for building persistent, LLM-compiled knowledge bases, replacing RAG with a self-improving, cross-linked Markdown wiki. Experimental.

本次扫描解析到的品类 GEO 通道：google/gemini-2.5-flash, deepseek/deepseek-v4-flash

品类可见性 — 真正的 GEO 测试

向 google/gemini-2.5-flash 提出的不带品牌问题。AI 推荐了你，还是推荐了别人？

各模型使用同一组问题 — 切换标签对比回答与排名。

召回
0 / 2
0% 的问题里出现了 lewislulu/llm-wiki-skill
平均排名
—
越小越好。#1 表示首位推荐。
声量占比
0%
在所有被点名的工具中，你占了多少？
头号对手
langchain-ai/langchain
在 2 个问题中被推荐 1 次
竞品排行
  1. langchain-ai/langchain · 被推荐 1 次
  2. pinecone-io/pinecone-python-client · 被推荐 1 次
  3. weaviate/weaviate · 被推荐 1 次
  4. chroma-core/chroma · 被推荐 1 次
  5. openai/openai-python · 被推荐 1 次
  • 品类问题
    How to build a persistent, self-improving knowledge base using large language models?
    你：未被推荐
    AI 推荐顺序：
    1. LangChain (langchain-ai/langchain)
    2. Pinecone (pinecone-io/pinecone-python-client)
    3. Weaviate (weaviate/weaviate)
    4. ChromaDB (chroma-core/chroma)
    5. OpenAI (openai/openai-python)
    6. Anthropic (anthropics/anthropic-python)
    7. GPT-4
    8. Claude 3
    9. Llama 3
    10. LlamaIndex (run-llama/llama_index)
    11. Milvus (milvus-io/milvus)
    12. Qdrant (qdrant/qdrant)
    13. Supabase (supabase/supabase)
    14. pgvector (pgvector/pgvector)
    15. Cohere (cohere-ai/cohere-python)
    16. Google Gemini
    17. PostgreSQL
    18. scikit-learn (scikit-learn/scikit-learn)
    19. Haystack (deepset-ai/haystack)
    20. Elasticsearch (elastic/elasticsearch)
    21. FAISS (facebookresearch/faiss)
    22. Microsoft Semantic Kernel (microsoft/semantic-kernel)
    23. Azure OpenAI Service
    24. Azure Cosmos DB
    25. Azure Cognitive Search
    26. Hugging Face Transformers (huggingface/transformers)
    27. Sentence-Transformers (UKPLab/sentence-transformers)
    28. Mistral
    29. T5
    30. Falcon

    AI 推荐了 30 个替代方案，却始终没点名 lewislulu/llm-wiki-skill。这就是要补上的差距。

    查看 AI 完整回答
  • 品类问题
    Seeking a tool for AI-assisted compilation of raw text into a structured, cross-linked wiki.
    你：未被推荐
    AI 推荐顺序：
    1. Obsidian
    2. Notion
    3. Logseq
    4. Mem.ai
    5. Confluence
    6. MediaWiki
    7. DokuWiki
    8. OpenAI GPT-4
    9. Anthropic Claude

    AI 推荐了 9 个替代方案，却始终没点名 lewislulu/llm-wiki-skill。这就是要补上的差距。

    查看 AI 完整回答

客观检查

针对 AI 引擎最看重的元数据信号的规则审计。

  • Metadata completeness
    fail

    建议：

  • README presence
    pass

自指检查

当被直接问到你时，AI 是否还知道你的仓库存在？

  • Compared to common alternatives in this category, what is the core differentiator of lewislulu/llm-wiki-skill?
    pass
    AI 明确点名了 lewislulu/llm-wiki-skill

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

  • If a team adopts lewislulu/llm-wiki-skill in production, what risks or prerequisites should they evaluate first?
    pass
    AI 未点名 lewislulu/llm-wiki-skill —— 很可能在说另一个项目

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

  • In one sentence, what problem does the repo lewislulu/llm-wiki-skill solve, and who is the primary audience?
    pass
    AI 未点名 lewislulu/llm-wiki-skill —— 很可能在说另一个项目

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

嵌入你的 GEO 徽章

把这个徽章贴进 lewislulu/llm-wiki-skill 的 README。每次重新扫描都会自动更新，并跳到最新报告——是「我在乎 AI 可发现性」最简单的公开证明。

RepoGEO badge preview实时预览
MARKDOWN（README）
[![RepoGEO](https://repogeo.com/badge/lewislulu/llm-wiki-skill.svg)](https://repogeo.com/zh/r/lewislulu/llm-wiki-skill)
HTML
<a href="https://repogeo.com/zh/r/lewislulu/llm-wiki-skill"><img src="https://repogeo.com/badge/lewislulu/llm-wiki-skill.svg" alt="RepoGEO" /></a>
Pro

订阅 Pro，解锁深度诊断

lewislulu/llm-wiki-skill — 轻量扫描仍免费；本卡列出 Pro 相对轻量的深度额度。

  • 深度报告每月 10 次
  • 无品牌品类查询5，轻量 2
  • 优先行动项8，轻量 3