Hermes Agent(爱马仕) × Obsidian × LLMWiki：打造你的个人AI知识中枢

前段时间在 GitHub 上看到 LLM wiki 这个概念，其核心不过是让日积月累的记录"活“起来。趁着五一有空，我把之前Hermes Agent、Obsidian、LLM wiki的实践与思考整理了一下，就有了下面的这篇记录。

为什么需要这个组合？

传统的知识管理方式是「读→记→查」的线性链条，耗时长、易遗忘、难关联。

而 Hermes Agent + Obsidian + LLM Wiki 这套组合，直接把知识流变成了「 ingest → synthesize → query → act 」的闭环系统：

Hermes Agent：你的24小时在线的AI助理，能联网、能执行、能记忆、能跨平台工作
Obsidian：双向链接的本地Markdown笔记软件，打造个人知识图谱
LLMWiki：Karpathy推崇的wiki架构，让知识像维基百科一样结构化、可追溯、持续演进

这套组合的终极形态是：Agent为你吸收信息、整理成体系化的wiki，你随时可以通过对话查询，所有知识沉淀在本地Markdown文件里，永远属于你。

能用它做什么？

场景	输入	输出
学习笔记	「读完这篇Transformer论文」	生成`concepts/transformer.md`，链接到`entities/attention.md`、`entities/google.md`
项目管理	「项目A的5次会议记录」	生成`entities/project-a.md`，提取决策、责任人、时间线
研究追踪	「每月监控arxiv的cs.CL类别」	自动创建`queries/monthly-cl-roundup-2026-05.md`
个人CRM	「所有微信好友介绍、合影、聊天记录」	生成`entities/person-x.md`，标注关系、兴趣、最后一次联系时间
投资日志	「买入XX股票的决策过程」	生成`entities/stock-xx.md`，包含基本面、技术面、情绪面分析
内容创作	「我想写一篇关于Agent的文章」	先从wiki调取所有相关页面，生成大纲、素材、引用来源

核心组件解析

Hermes Agent：不止是聊天机器人

Hermes是Nos Research开源的AI Agent框架，特点是：

多模型支持 — OpenRouter、Anthropic、OpenAI、DeepSeek、本地模型等18+提供商，随你切换。

跨平台网关 — 一套Agent同时在微信、飞书、QQ Bot、元宝、邮箱等多平台运行，工具全通路。

自学习能力 — 通过「skills」机制，把复杂任务固化下来，越用越聪明。

持久记忆 — 记住你的偏好、项目细节、过往决策，上下文不丢。

子进程 spawned — 长耗时的任务可以独立进程运行，不阻塞主对话。

LLMWiki：知识的维基百科

基于Karpathy的wiki模式，核心是三层架构：

wiki/
├── SCHEMA.md            # 领域定义、规范、标签体系
├── index.md             # 内容目录（一句话摘要）
├── log.md               # 操作日志（追加式记录）
├── raw/                 # Layer 1：原始资料（不可修改）
│   ├── articles/       # 网页文章
│   ├── papers/         # 论文PDF
│   └── transcripts/   # 访谈、会议记录
├── entities/           # Layer 2：实体页（人、组织、产品）
├── concepts/           # Layer 2：概念页（技术、理论、方法）
├── comparisons/        # Layer 2：对比分析页
└── queries/            # Layer 2：有价值的问题与答案

关键设计：

Raw层是只读的，任何修改都要在wiki页面中「覆盖式更新」并标注来源
每个页面必须带YAML frontmatter（title、created、updated、type、tags、sources）
使用[[wikilinks]]双向链接，最少2个出站链接
索引和日志必须同步更新，否则wiki会退化

Obsidian：让图谱动起来

Obsidian是本地Markdown笔记软件，天然适配wiki：

[[wikilinks]]自动渲染为可点击链接
Graph View可视化知识网络
Dataview插件支持YAML frontmatter查询
本地存储，数据完全自主

最佳实践：把wiki目录直接设为Obsidian vault，改动实时同步。

从零搭建实操指南

Step 1：初始化环境

# 1. 安装Hermes Agent
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

# 2. 配置环境变量（~/.hermes/.env）
export WIKI_PATH="$HOME/wiki"                    # LLMWiki路径
export OBSIDIAN_VAULT_PATH="$HOME/wiki"         # Obsidian vault路径
export OPENROUTER_API_KEY="sk-xxx"              # 或ANTHROPIC_API_KEY等

# 3. 运行配置向导
hermes setup

Step 2：创建你的LLMWiki

在Hermes对话中执行：

请帮我初始化一个LLMWiki，领域是「XXX」，路径使用$WIKI_PATH。

Hermes会自动创建：

wiki/SCHEMA.md（根据你选择的领域定制标签体系）
wiki/index.md（空目录结构）
wiki/log.md（第一条创建日志）

SCHEMA.md关键字段：

## Tag Taxonomy
- Models: model, architecture, benchmark, training
- People/Orgs: person, company, lab, opensource
- Techniques: optimization, finetuning, inference, alignment
- Meta: comparison, timeline, controversy, prediction

Step 3：第一次Ingest（信息摄入）

假设你想把一篇关于「Hermes Agent技能系统」的文章加入wiki：

我有一篇关于Hermes Agent技能的文章，URL是 https://hermes-agent.nousresearch.com/docs/reference/skills-catalog
请帮我把它摄入到wiki的raw/articles/目录，并生成相应的wiki页面。

Hermes的执行流程：

抓取原文 → 用web_extract转为Markdown，保存至raw/articles/hermes-agent-skills-2026.md
分析内容 → 识别出关键实体（Hermes Agent、Skill、Toolset、MCP）和概念（自学习、多平台网关）
查重 → 在index.md和现有文件中搜索，避免重复页面
生成页面：
- entities/hermes-agent.md（实体页）
- concepts/skill-system.md（概念页）
- concepts/toolset-architecture.md（概念页）
建立链接 → 每个新页面至少2个[[wikilinks]]
更新索引 → 在index.md的Entities和Concepts区块添加条目
记录日志 → 在log.md追加## [YYYY-MM-DD] ingest | Hermes Agent技能系统

Step 4：查询与检索

我们wiki里有哪些关于「多平台网关」的内容？

Hermes会：

读取index.md找到相关页面
读取这些页面的完整内容
综合所有信息，用自然语言回答你
如果答案足够重要，自动创建queries/multi-platform-gateway.md存下来

Step 5：定期Lint（健康检查）

运行 wiki lint，检查是否有孤立页面、断链、过时内容。

Hermes会扫描整个wiki，输出报告：

问题分级：
🔴 严重（2个）：
  - entities/obsolete-api.md: 断链 [[old-endpoint]] → 目标不存在
  - concepts/llm-agents.md: 孤立页面（无入链）

🟡 警告（5个）：
  - concepts/mcp-protocol.md: 超过200行，建议拆分
  - entities/hermes-agent.md: updated=2025-01-01，已有3个新source引用它

✅ 通过：索引完整性100%，标签体系合规，log无需轮转

典型应用场景

场景1：技术雷达追踪

需求：持续追踪AI Agent领域的新工具、新框架

实现：

在Hermes中创建定时任务（cronjob），每天抓取GitHub Trending、Hacker News的AI Agent板块
自动摄入到raw/articles/，更新entities/ai-agent-tools.md
通过Obsidian的Graph View观察工具生态的演化脉络

hermes cron create "0 9 * * *" --prompt \
"抓取今日Hacker News上关于'AI agent'的讨论，摄入到wiki，更新技术雷达。"

场景2：项目知识沉淀

需求：团队新成员快速上手项目

实现：

将所有设计文档、会议记录、PR讨论摄入raw/
Hermes自动生成：
- entities/project-x.md（核心组件）
- concepts/architecture-decisions.md（架构决策）
- comparisons/storage-options.md（存储选型对比）
新成员提问：「我们为什么选PostgreSQL而不是MongoDB？」→ Hermes直接从wiki找出答案

场景3：个人第二大脑

需求：读书笔记、学习记录、灵感碎片形成网络

实现：

阅读时高亮 → 用Readwise导出 → 投入raw/papers/
Hermes定期批量处理：
- 识别关键概念 → 创建/更新concept页面
- 关联已有实体 → 补全[[links]]
- 标记置信度 → 如果是个人观点设为confidence: medium
复习时提问：「关于注意力机制，我学过哪些？」→ 自动关联多篇笔记

场景4：自动化文档

需求：API变更时自动更新相关文档

实现：

订阅API changelog RSS（用webhook或cron）
新版本发布 → Hermes抓取说明文档 → 摄入raw/
与现有entities/api-v2.md对比 → 生成comparisons/api-v2-vs-v3.md
通知你：「有3处破坏性变更，已更新文档，查看[[breaking-changes]]」

进阶技巧

Obsidian插件推荐

插件	用途
Dataview	用JS查询frontmatter，自动生成表格
Obsidian Git	自动提交wiki变更到Git
Kanban	将log.md的任务转为看板
Calendar	按日期浏览笔记
Advanced Tables	便捷编辑对比表格

Dataview示例查询：

TABLE tags, file.day FROM "entities" 
WHERE contains(tags, "company") 
SORT file.day DESC

向量化加速查询

当wiki超过1000页时，全文搜索变慢。安装wiki-vectorization技能：

hermes skills install wiki-vectorization
hermes setup memory          # 配置持久化记忆（向量后端）

此后，Hermes会：

自动embedding新wiki页面到向量库
查询时先向量检索Top-K页面，再让LLM综合
响应时间从10秒降至2秒

多Agent协同

用delegate_task让不同Agent负责wiki的不同部分：

# Agent A：负责技术概念 ingestion
delegate_task(goal="将今天arxiv上关于MoE的5篇论文摄入到concept/mixture-of-experts.md")

# Agent B：负责实体关系图谱
delegate_task(goal="扫描entities/目录，生成一张companies.md的对比表，列出所有AI公司的成立时间、核心产品、开源项目")

Git版本控制

把整个wiki目录初始化成Git仓库：

cd ~/wiki
git init
git add .
git commit -m "Initial wiki commit"

# 每次重大更新后提交
git commit -am "Update: Add Hermes Agent skills comparison"
git tag -a "v2026-05-02" -m "Pre-conference knowledge base"

优势：

可以git diff查看页面变更历史
用git blame追溯某句话的来源
方便回滚到任一时间点的wiki状态

同步到Obsidian Cloud

本地wiki → Obsidian Sync → 手机/平板随时查阅：

在Obsidian客户端开启Sync（付费功能）
将$WIKI_PATH添加到同步 vault 列表
所有设备实时更新
断网时依然可编辑，联网后自动同步

免费方案：用git + cron定时push到GitHub，手机用Working Copy查看。

结语

Hermes Agent + Obsidian + LLMWiki，本质上是在构建一个反RAG的系统：

RAG每次查询都重新检索、重新生成，知识没有沉淀
而这个组合是一次摄入，永久受益——知识越积累越值钱，结构越来越清晰，查询越来越准。

更重要的是，这些文件都在你本地。不管模型怎么换代、公司怎么倒闭、服务怎么下架，你的知识库永远在。

你的知识库，从此有了生命。