Litho (deepwiki-rs)

English
|
中文
💪🏻 基于 Rust 的高性能 AI 驱动 文档生成引擎（类 DeepWiki）
📚 自动为任意代码库生成高质量的 Repo-Wiki / 项目架构文档

🚀 Litho 已经升级到 Terrain — 为你的Agent获得AI友好的工程知识资产和AI友好的工程环境.

基于Litho扩展的最佳的方案: 基于代码仓库的增量知识生成，一体化集成文档阅读与Ask助手，为各类框架提供泛化性支持，支持主流Agent (Claude Code, Codex, DeepSeek Harness…)

Check out Terrain →  ·  Litho stays the fast, focused C4 doc generator.

👋 什么是 Litho

Litho（也称为deepwiki-rs）是一个基于Rust的高性能AI文档生成引擎，能够自动为软件项目创建全面的技术说明文档。通过先进的AI分析能力，Litho智能地探索项目结构，识别核心模块，分析依赖关系，并生成专业的架构文档。

Litho采用基于静态代码分析 与 AI Multi-Agents的多引擎工作流，将静态代码分析与大型语言模型（LLM）智能相结合。能把原始代码转换为清晰组织的文档，自动生成上下文图（Context）、容器图（Container）、组件图（Component）以及代码级别的文档内容，适用于开发者、架构师或技术负责人，帮助团队始终保持准确、最新的架构信息。

❤️ 喜欢 Litho? 点亮小星星 🌟 或 赞助! ❤️

😺 为什么使用 Litho

• 自动使文档与代码变更保持同步，告别过时文档
• 节省大量手工编写和维护文档的时间
• 改善新成员的入职体验，提供完整、及时的项目知识
• 在代码审查时提供清晰的架构背景，提升讨论效率
• 满足合规与审计需求，生成可追溯的自动化文档
• 支持多种编程语言：Rust、Python、Java、Go、C#、JavaScript 等
• 自动生成专业的 C4 模型图表（Context / Container / Component / Code）
• 可集成到 CI/CD 流程，随每次提交自动生成文档

🌠 功能与能力

核心能力

• 基于代码库分析的 AI 驱动架构文档生成
• 自动创建 C4 模型图（Context、Container、Component、Code）
• 智能抽取代码注释、结构与依赖关系
• 多语言支持与可扩展的语言处理器
• 自定义模板系统支持文档输出样式定制

高级特性

• 外部知识挂载 - 支持挂载 PDF、Markdown、SQL 等外部文档作为知识源，增强分析能力
• 数据库文档生成 - 自动分析 SQL 项目并生成包含 ER 图的数据库架构文档
• Git 历史分析以追踪架构演进
• 代码元素与文档之间的交叉引用
• 带图示与示例的交互式文档
• 与 CI/CD 集成，实现自动化文档生成

💡 解决的问题

Litho 自动从源代码生成最新的架构文档，解决了传统手工文档经常滞后、缺失或不完整的问题，让文档始终保持与代码一致。

🌐 Litho Eco 生态

Litho 属于一套完整的生态工具，用于提升文档质量与开发效率，下列工具可以和 Litho 无缝配合：

📘 Litho Book

Litho Book 是一个高性能的 Markdown 阅读器（基于 Rust + Axum），用于展示 Litho 生成的文档，提供优雅的浏览体验。

主要功能

• 实时 Markdown 渲染与语法高亮
• 完整的 Mermaid 图表支持（架构图）
• 文件与内容的模糊搜索
• 低内存占用的高性能架构
• 基于 AI 的文档理解与问答

🌠 运行截图

了解更多 Litho Book

🔧 Mermaid Fixer

Mermaid Fixer 是一个高性能的 AI 工具，用于自动检测并修复 Markdown 文件中 Mermaid 图表的语法错误，确保图表能够正确渲染。

主要功能

• 自动扫描目录并定位 Markdown 文件中的 Mermaid 图
• 使用 JS 沙箱或解析器检测语法错误
• 使用 LLM 智能修复并生成修复报告
• 支持多个 LLM 提供商与可配置策略

👀 运行截图

了解更多 Mermaid Fixer

🧠 工作原理

Litho 的处理流程基于一个四阶段流水线，将原始代码逐步转化为高质量文档：预处理（Preprocessing）→ 研究（Research）→ 编排（Composition）→ 输出（Output/Validation）。

flowchart TD
A[输入: 源代码库] --> B[阶段一: 预处理]
B --> C[阶段二: 智能研究分析]
C --> D[阶段三: 文档生成]
D --> E[阶段四: 验证增强]
E --> F[输出: 高质量技术文档]

subgraph 预处理阶段
B1[代码扫描与发现]
B2[多语言语法分析]
B3[结构与依赖提取]
B4[代码洞察生成]
B5[Agent记忆区块初始化]
B --> B1 --> B2 --> B3 --> B4 --> B5
end

subgraph 智能研究分析阶段
C1[系统上下文研究员]
C2[领域模块检测器]
C3[工作流研究员]
C4[边界分析器]
C5[关键模块洞察官]
C6[Agent记忆区块读写]
C7[ReAct推理循环]
C --> C1 --> C2 --> C3 --> C4 --> C5 --> C6 --> C7
end

subgraph 文档生成阶段
D1[概览文档编辑器]
D2[架构文档编辑器]
D3[工作流文档编辑器]
D4[边界文档编辑器]
D5[关键模块编辑器]
D6[Agent记忆区块读取]
D7[高质量文档组装]
D --> D1 --> D2 --> D3 --> D4 --> D5 --> D6 --> D7
end

subgraph 验证增强阶段
E1[Mermaid语法验证]
E2[文档完整性检查]
E3[图表自动修复]
E4[质量报告生成]
E5[最终文档输出]
E --> E1 --> E2 --> E3 --> E4 --> E5
end

style B fill:#e3f2fd,stroke:#1976d2
style C fill:#f3e5f5,stroke:#7b1fa2
style D fill:#e8f5e8,stroke:#388e3c
style E fill:#fff3e0,stroke:#e65100

四阶段处理流水线（概览）

1. 预处理阶段：扫描代码库、抽取文件与元数据、识别模块与依赖。
2. 研究阶段：引入多个 AI 智能体分析系统上下文、架构模式、工作流与模块职责。
3. 编排阶段：将研究结果整合为结构化文档（概述、架构、模块深挖）。
4. 输出与验证阶段：格式化输出，校验图表语法，生成覆盖率报告并持久化。

预处理阶段

预处理阶段

该阶段负责从项目中提取基础元数据，为后续 AI 分析提供输入。

flowchart TD
A[预处理代理] --> B[结构提取器]
A --> C[原始文档提取器]
A --> D[代码分析智能体]
A --> E[关系分析智能体]
B --> F[项目结构]
C --> G[原始文档素材]
D --> H[核心代码洞察]
E --> I[代码依赖关系]
F --> J[存储至Memory]
G --> J
H --> J
I --> J

研究阶段

此阶段通过多个并行运行的智能体，对项目进行多层次深度调研。

flowchart TD
A[研究编排器] --> B[SystemContext研究员]
A --> C[领域模块检测器]
A --> D[架构研究员]
A --> E[工作流研究员]
A --> F[关键模块洞察]
B --> G[系统上下文报告]
C --> H[领域模块报告]
D --> I[架构分析报告]
E --> J[工作流分析报告]
F --> K[模块深入洞察]
G --> Memory
H --> Memory
I --> Memory
J --> Memory
K --> Memory

编排与输出阶段

最后阶段将研究结果整合成最终文档，并持久化到磁盘。

flowchart TD
A[文档编排器] --> B[概述编辑器]
A --> C[架构编辑器]
A --> D[模块洞察编辑器]
B --> E[概述文档]
C --> F[架构文档]
D --> G[模块文档]
E --> H[文档树]
F --> H
G --> H
H --> I[磁盘输出器]
I --> J[输出目录]

🏗️ 架构概览

Litho具有复杂的模块化架构，专为高性能、可扩展性和智能分析而设计。系统实现了多阶段工作流，配备专门的AI智能体和全面的缓存机制。

graph LR
subgraph 输入阶段
A[CLI启动] --> B[加载配置]
B --> C[扫描结构]
C --> D[提取README]
end
subgraph 分析阶段
D --> E[语言解析]
E --> F[AI增强分析]
F --> G[存入内存]
end
subgraph 推理阶段
G --> H[编排器启动]
H --> I[系统上下文分析]
H --> J[领域模块探测]
H --> K[工作流分析]
H --> L[关键模块洞察]
I --> M[存入内存]
J --> M
K --> M
L --> M
end
subgraph 编排阶段
M --> N[编排中枢启动]
N --> O[生成项目概述]
N --> P[生成架构图]
N --> Q[生成工作流文档]
N --> R[生成模块洞察]
O --> S[写入DocTree]
P --> S
Q --> S
R --> S
end
subgraph 输出阶段
S --> T[持久化文档]
T --> U[生成总结报告]
end

核心模块

• 生成器工作流：协调整个四阶段文档生成流水线
• 语言处理器系统：支持10+种编程语言，为Rust、Python、JavaScript/TypeScript、Java、Kotlin、React、Vue、Svelte等提供专用处理器
• 多智能体研究系统：使用ReAct模式进行深度项目分析的专门AI智能体
• 智能文档编排器：AI驱动的编辑器，将研究结果综合为专业的技术说明文档
• ReAct执行器LLM客户端：先进的LLM集成，支持带工具使用的推理和行动循环
• 高速缓存与上下文记忆系统：具有智能缓存和内存管理的性能优化
• 文件系统工具：用于项目分析的全面文件探索和读取能力

核心流程

Litho 的执行流程遵循一个清晰的管道模式：预处理 → 深度研究 → 文档编排 → 输出存储。整个流程由 launch 函数驱动，通过 GeneratorContext 注入所有依赖。

sequenceDiagram
participant Main as main.rs
participant Workflow as workflow.rs
participant Context as GeneratorContext
participant Preprocess as PreProcessAgent
participant Research as ResearchOrchestrator
participant Doc as DocumentationOrchestrator
participant Outlet as DiskOutlet
Main->>Workflow : launch(config)
Workflow->>Context : 创建上下文 (LLM, Cache, Memory)
Workflow->>Preprocess : execute(context)
Preprocess->>Context : 存储项目结构等元数据
Context-->>Workflow : 预处理完成
Workflow->>Research : execute_research_pipeline(context)
Research->>Research : 并行执行多个研究型Agent
loop 每个研究Agent
Research->>StepForwardAgent : execute(context)
StepForwardAgent->>Context : 验证数据源
StepForwardAgent->>AgentExecutor : 调用prompt或extract
AgentExecutor->>LLMClient : 发起LLM请求
LLMClient->>CacheManager : 检查缓存
alt 缓存命中
CacheManager-->>LLMClient : 返回缓存结果
else 缓存未命中
LLMClient->>LLM : 调用大模型API
LLM-->>LLMClient : 返回原始响应
LLMClient->>CacheManager : 存储结果到缓存
end
LLMClient-->>AgentExecutor : 返回处理后结果
AgentExecutor-->>StepForwardAgent : 返回结果
StepForwardAgent->>Context : 存储结果到Memory
end
Research-->>Workflow : 研究完成
Workflow->>Doc : execute(context, doc_tree)
Doc->>Doc : 调用多个编排Agent生成文档
Doc-->>Workflow : 文档生成完成
Workflow->>Outlet : save(context)
Outlet-->>Workflow : 存储完成
Workflow-->>Main : 流程结束

🖥️ 快速开始

前提条件

• Rust（建议版本 1.70 或更高）
• Cargo
• 网络访问（用于调用 LLM 提供商的 API）

安装

方式一：从 crates.io 安装（推荐）

cargo install deepwiki-rs

方式二：从源码构建

git clone https://github.com/sopaco/deepwiki-rs.git
cd deepwiki-rs
cargo build --release
# 可执行文件位于 target/release 目录

🚀 使用方法

Litho 提供简单的命令行界面来生成文档。For more configuration parameters, refer to the CLI全参数说明。

基本命令示例

# 为当前项目生成文档（默认设置）
deepwiki-rs

# 指定项目目录与输出目录
deepwiki-rs -p ./my-project -o ./docs

# 生成使用特定语种描述的文档（例如日文）
deepwiki-rs --target-language ja -p ./my-project

文档生成示例（带 LLM 配置）

deepwiki-rs -p ./src --llm-api-base-url  --llm-api-key  --model-efficient GPT-5-mini

其他常见选项

# 跳过阶段（示例）
deepwiki-rs --skip-preprocessing --skip-research

# 关闭 ReAct 模式（避免使用工具自动扫描）
deepwiki-rs -p ./src --disable-preset-tools --llm-api-base-url  --llm_api_key

# 高级并行/上下文配置
deepwiki-rs --config  --max-tokens 4000 --temperature 0.7 --max-parallels 4 --no-cache --force-regenerate

📚 外部知识挂载

Litho 支持挂载外部文档作为知识源，将业务上下文和架构决策融入生成的文档中。

支持的文档类型

• PDF - 架构图、设计文档
• Markdown - 技术文档、架构决策记录(ADR)
• SQL - 数据库架构文件
• YAML/JSON - API 规范 (OpenAPI)、配置文件
• Text - 纯文本文档

知识分类

文档按分类组织，可定向传递给特定智能体：
- architecture - 系统架构和 C4 模型文档
- database - 数据库架构、ERD、数据模型文档
- api - API 规范和接口文档
- deployment - 基础设施和 DevOps 文档
- adr - 架构决策记录
- workflow - 业务流程和工作流文档
- general - 通用未分类文档

同步知识命令

# 同步外部知识源（处理并缓存本地文档）
deepwiki-rs sync-knowledge

# 强制同步（即使缓存未过期）
deepwiki-rs sync-knowledge --force

配置示例 (litho.toml)

[knowledge.local_docs]
enabled = true
cache_dir = ".litho/cache/knowledge/local_docs"
watch_for_changes = true

# 大文档分块默认配置
[knowledge.local_docs.default_chunking]
enabled = true
max_chunk_size = 8000
chunk_overlap = 200
strategy = "semantic"  # 选项: semantic, paragraph, fixed
min_size_for_chunking = 10000

# 架构文档分类
[[knowledge.local_docs.categories]]
name = "architecture"
description = "系统架构文档"
paths = [
"docs/architecture/**/*.md",
"docs/design/**/*.pdf"
]
target_agents = [
"SystemContextResearcher",
"ArchitectureResearcher",
"ArchitectureEditor"
]

# 数据库文档分类
[[knowledge.local_docs.categories]]
name = "database"
description = "数据库架构文档"
paths = [
"docs/database/**/*.md",
"docs/schema/**/*.sql"
]
target_agents = [
"ArchitectureResearcher",
"DomainModulesDetector",
"KeyModulesInsight"
]

🗄️ 数据库文档

Litho 自动分析 SQL 数据库项目 (.sqlproj) 和 SQL 文件，生成完整的数据库文档，包括：

• 数据库项目 - SQL Server 项目结构
• 数据表 - 架构、字段、数据类型、约束、主键
• 视图 - 视图定义和引用的表
• 存储过程 - 参数、操作、访问的表
• 函数 - 标量函数和表值函数
• 表关系 - 外键和隐式引用（含 ER 图）
• 数据流 - ETL 操作和数据流转模式

数据库分析特性

📊 Database code distribution: Projects(2) SQL Files(15) DAO(3)
✅ Database overview analysis completed:
- Database projects: 2 items
- Tables: 12 items
- Views: 5 items
- Stored procedures: 8 items
- Functions: 3 items
- Table relationships: 6 items
- Data flows: 4 items
- Confidence: 8.5/10

生成的数据库文档

数据库文档会自动包含在输出中，文件名为 6.数据库概览.md，内容包括：
- 汇总统计表
- 详细的表结构及字段定义
- Mermaid ER 关系图
- 存储过程文档
- 数据流描述

📁 默认输出结构（示例）

project-docs/
|_ 1、项目概述          # 项目概述、核心功能、技术栈
|_ 2、架构概览          # 整体架构、核心流程、模块分解
|_ 3、工作流程          # 整体架构、核心流程、模块分解
|_ 4、深入研究/         # 详细的技术主题实现文档
|_ 主题1.md
|_ 主题2.md
|_ 5、边界接口          # API 端点、外部集成
|_ 6、数据库概览        # 数据库架构、表关系（仅 SQL 项目）

🤝 贡献

欢迎各种形式的贡献！通过 GitHub Issues 报告问题或提交功能请求。

贡献方式

• 添加对新语言的支持（实现 LanguageProcessor 抽象）
• 设计新的文档模板与样式
• 改善 Mermaid 图表生成策略与可视化效果
• 提升性能与缓存策略
• 添加更多测试覆盖不同代码模式
• 增强 LLM 智能体与工具集成
• 提供国际化与本地化支持

开发贡献流程

1. Fork 本仓库
2. 创建功能分支：git checkout -b feature/amazing-feature
3. 提交变更：git commit -m 'Add some amazing feature'
4. 推送分支并发起 Pull Request

🪪 许可证

本项目使用 MIT 许可证，详见仓库中的 LICENSE 文件。

👨 关于作者

> 🚀 如果你喜欢这个项目，请考虑在 GitHub 支持我： sponsaco on GitHub

作者为一名资深互联网从业者，经历 PC 互联网、移动互联网与 AI 应用多个发展阶段，具有丰富的产品和研发经验。目前在快手从事大前端与 AI 探索相关工作。

GitHub: sopaco
Email: dokhell@hotmail.com
wx: dokhell