Hermes Agent + LLM Wiki + Obsidian：让你的知识真正复利积累
你有没有过这样的经历：跟 AI 聊了一下午，它记住了你所有的项目细节、研究进展、踩过的坑……然后你关掉会话，第二天打开，它全忘了。RAG 能救吗？能，但每次提问它都从原始文档里重新翻一遍，知识从来没有真正 "长" 出来。
这篇文章介绍一套三者结合的方案：Hermes Agent（AI 管家）+ LLM Wiki（知识库模式）+ Obsidian（浏览界面），让知识真正复利积累——你只管喂来源，AI 负责整理维护，Obsidian 负责让你看得舒服。
一、一句话定位：谁是 IDE，谁是程序员，谁是代码库？
Karpathy 在他的 LLM Wiki gist 里用一句话概括了三者的关系：
"Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase."
（Obsidian 是 IDE，LLM 是程序员，wiki 是代码库。）
| 组件 | 角色 | 一句话 |
|---|---|---|
| Hermes Agent | 知识库的"管家/程序员" | Nous Research 的自托管 AI 代理，自动抓取、整理、互链、维护 wiki |
| LLM Wiki | 知识库的"代码库" | Karpathy 提出的模式：由 LLM 增量维护的、用 [[wikilinks]] 互链的纯 markdown 知识库 |
| Obsidian | 知识库的"IDE" | 人类浏览、可视化、编辑 wiki 的前端界面（vault 直接打开 wiki 目录） |
你（人类）的职责：策展来源、引导分析、提出好问题、思考这一切意味着什么。
LLM 的职责：其余一切——抓取、摘要、交叉引用、建档、索引、维护一致性。
二、Hermes Agent：自托管的 AI 管家
Hermes Agent 是 Nous Research 开源的自托管 AI agent 框架，和 Claude Code、Codex 同类，但可以部署在你自己的服务器上——模型供应商支持 DeepSeek、Kimi、阿里 DashScope、GLM 等国内服务，在中国大陆部署完全可行。
它凭什么适合当 "知识库管家"？
2.1 持久记忆（Persistent Memory）
官方文档："Hermes Agent has bounded, curated memory that persists across sessions."
- 记忆存在
~/.hermes/memories/的两个文件里： MEMORY.md— 代理的个人笔记（环境事实、约定、经验），上限 2200 字符USER.md— 用户画像（你的偏好、风格、期望），上限 1375 字符- 会话开始时作为快照注入系统提示，代理可以用
memory工具自行增删改
这意味着什么？ 你告诉它 "我是这个 wiki 的维护者，约定见 SCHEMA.md"，它会一直记得——不用每次重新自我介绍。
2.2 技能系统（Skills）
技能是按需加载的知识文档（progressive disclosure，渐进式披露），兼容 agentskills.io 开放标准：
hermes skills list # 列出已安装技能
hermes skills search QUERY # 搜索技能中心
hermes skills install ID # 安装技能
hermes skills publish PATH # 发布自己的技能
llm-wiki 和 obsidian 都是 Hermes 官方 bundled skills——开箱即用。
2.3 Cron 定时任务
# 每天定时摄入新论文进 wiki（llm-wiki + arxiv 两个技能协作）
hermes cron create "every 1d at 08:00" \
"Check arXiv for new papers on <主题>, ingest the interesting ones into the wiki" \
--skill llm-wiki --skill arxiv
# 每周一 lint 健康检查
hermes cron create "every monday 9am" "Lint the wiki and report issues" --skill llm-wiki
知识库在无人值守时自动生长。
2.4 多平台消息接入（Gateway）
Hermes 的 gateway 是单个后台进程，支持 20+ 平台：Telegram、Discord、Slack、WhatsApp、Signal、微信（Weixin）、企业微信（WeCom）、QQ、钉钉、飞书、Teams、LINE……
关键点：消息平台上的机器人拥有完整工具权限（含终端）——你可以直接在微信里对 Hermes 说 "把这篇论文收进 wiki"，它在服务器上完成全部 ingest 工作。
2.5 自改进能力
- 技能累积：每次解决复杂问题，Hermes 可以把过程固化为技能文档，未来自动加载
- Curator：后台维护技能生命周期，自动归档闲置技能
- 记忆沉淀：经验写进 MEMORY.md，跨会话保留
三、LLM Wiki 模式：为什么它比 RAG 强？
3.1 核心思想：编译一次，持续更新
Karpathy 在 gist 里一针见血地指出 RAG 的问题：
"Most people's experience with LLMs and documents looks like RAG: you upload a collection of files, the LLM retrieves relevant chunks at query time... the LLM is rediscovering knowledge from scratch on every question. There's no accumulation."
（LLM 在每个问题上都从零重新发现知识，没有积累。）
LLM Wiki 的做法相反：加入新来源时，LLM 不只是建索引，而是真正阅读它、提取关键信息、整合进现有 wiki——更新实体页、修订主题摘要、标注新旧数据的矛盾、加强或挑战已有的综合结论。
"The wiki is a persistent, compounding artifact. The cross-references are already there. The contradictions have already been flagged. The synthesis already reflects everything you've read."
（wiki 是持久、复利积累的产物：交叉引用已就位，矛盾已标注，综合已反映你读过的一切。）
3.2 三层架构
wiki/
├── SCHEMA.md # 第3层：结构约定、标签体系、维护工作流
├── index.md # 内容目录：每页一行（wikilink + 摘要）
├── log.md # 时间线日志：append-only
├── raw/ # 第1层：不可变原始资料（articles/papers/transcripts/assets）
├── entities/ # 第2层：实体页（人/组织/产品/模型）
├── concepts/ # 第2层：概念/主题页
├── comparisons/ # 第2层：对比分析页
└── queries/ # 第2层：值得保留的查询结果
| 层 | 内容 | 谁拥有 |
|---|---|---|
| Raw sources | 原始资料合集（文章/论文/图片），不可变，LLM 只读不改 | 你 |
| The wiki | LLM 生成的 markdown 文件（摘要/实体页/概念页/综合结论） | LLM 写作，你阅读 |
| The schema | SCHEMA.md，告诉 LLM wiki 的结构和约定 | 你与 LLM 共同演化 |
Schema 是关键——"它让 LLM 成为守纪律的 wiki 维护者，而不是通用聊天机器人"。
3.3 两大导航文件
- index.md（内容导向）：所有页面的目录，每页一行链接+摘要。LLM 回答查询时先读 index 找相关页。中等规模（约 100 来源、数百页）下无需 embedding 向量检索也能高效工作。
- log.md（时间线导向）：append-only 的 ingest/query/lint 记录。可用
grep "^## \[" log.md | tail -5查看最近活动。
3.4 三大操作
- Ingest（摄入）：丢新来源 → LLM 读 → 写摘要页 → 更新 index → 更新相关页面 → 记 log。单个来源可能触及 10-15 个页面（复利效应！）
- Query（查询）：向 wiki 提问 → LLM 搜索、阅读、带引用综合回答 → 好答案归档回 wiki（comparisons/）
- Lint（体检）：检查矛盾、过时主张、孤儿页、断链、缺页概念、缺失交叉引用
四、Obsidian：知识库的 IDE
4.1 Vault 直接打开 wiki 目录
wiki 就是一个 markdown 文件目录——"open it in Obsidian, VS Code, or any editor. No database, no special tooling required."（Karpathy 原话）在 Obsidian 里 "Open folder as vault" 选择 wiki 目录即可，零迁移成本。
4.2 Wikilinks 渲染
Obsidian 原生支持 [[wikilinks]] 格式，而且有个杀手级特性：链接到不存在的笔记时，Obsidian 会自动创建它——非常适合 LLM 生成 wiki 页面的工作流。文件重命名时 Obsidian 自动更新所有内部链接。
4.3 Graph View：看你的知识网络
Karpathy："Obsidian's graph view is the best way to see the shape of your wiki — what's connected to what, which pages are hubs, which are orphans."
- 圆点 = 笔记，连线 = 内部链接，被引用越多节点越大（hubs 一目了然）
- "Orphans" 开关显示无链接的孤儿页——这正是 wiki lint 要找的！
4.4 Dataview：用 frontmatter 做动态查询
如果 LLM 给 wiki 页面加上 YAML frontmatter（tags、dates、sources），Dataview 插件就能实时生成动态表格：
TABLE tags, updated FROM "entities" WHERE contains(tags, "company")
TABLE created, sources FROM "concepts" SORT updated DESC
4.5 配套工具
- Obsidian Web Clipper（浏览器扩展）：网页一键转 markdown，快速进入 raw 集合
- 附件目录：Settings → Files and links → 设为
raw/assets/ - wiki 本身是 git 仓库：免费获得版本历史、分支、协作
五、三者结合：知识复利的完整闭环
5.1 分工明确
| 职责 | 承担者 |
|---|---|
| 选择/整理来源、提问、引导方向 | 你（人类） |
| 抓取、摘要、交叉引用、建档、索引、维护 | Hermes Agent（LLM 程序员） |
| 浏览、可视化、手动编辑、评审 | Obsidian（IDE） |
| 存储编译后的知识 | LLM Wiki（代码库/持久知识层） |
5.2 RAG vs LLM Wiki
| 维度 | RAG | LLM Wiki |
|---|---|---|
| 每次查询 | 从原始文档重新检索分块 | 直接读已编译好的页面 |
| 积累 | 无——知识不沉淀 | 有——持续复利 |
| 交叉引用 | 每次现场找 | 已内嵌在 wikilinks 中 |
| 矛盾处理 | 每次重新发现 | 摄入时已标注 |
| 维护成本 | 低（但质量不增长） | 低（LLM 做书呆子式维护） |
"Humans abandon wikis because the maintenance burden grows faster than the value. LLMs don't get bored, don't forget to update a cross-reference, and can touch 15 files in one pass."
（人类放弃 wiki 是因为维护负担增长快于价值；LLM 不会无聊、不会忘记更新交叉引用、一次能改 15 个文件。）
5.3 Hermes 让闭环自动运转
- cron 定时 ingest：每天自动检查 RSS/arXiv，把新内容收进 wiki
- 多平台入口：微信/Telegram 里随手丢链接"收进 wiki"
- 持久记忆：每次会话自动带"你是 wiki 维护者"的上下文
- 查询即沉淀：好答案 filed 回 wiki，探索也复利
- lint 自动化：定时健康检查、矛盾标记、孤儿页清理
六、动手配置：10 分钟跑起来
6.1 确认两个官方技能
# 安装 Hermes（如直连受限，先配代理或国内镜像）
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
# 确认 obsidian 和 llm-wiki 技能已装
hermes skills list | grep -E "llm-wiki|obsidian"
# 缺失则安装
hermes skills install llm-wiki
hermes skills install obsidian
6.2 ⚠️ 关键配置：两个环境变量指向同一目录
这是最常见的坑——两个技能各自用不同的环境变量定位目录，缺省值不一样（~/wiki vs ~/Documents/Obsidian Vault），不配置的话它们根本不会指向同一个地方！
# 编辑 ~/.hermes/.env（用 hermes config env-path 查看实际路径）
WIKI_PATH=/home/user/wiki
OBSIDIAN_VAULT_PATH=/home/user/wiki
llm-wiki skill 的官方说明："If using the Obsidian skill alongside this one, set OBSIDIAN_VAULT_PATH to the same directory as the wiki path."
改完 /reload 生效。
6.3 初始化 wiki
# 让 Hermes 按 llm-wiki skill 流程初始化（会创建 SCHEMA/index/log 并问你领域）
hermes chat -q "请用 llm-wiki skill 初始化我的 wiki，领域是：AI/ML 研究"
6.4 Obsidian 端设置
- Open folder as vault → 选择 wiki 目录
- 附件目录设为
raw/assets - 确认 "Use [[Wikilinks]]" 开启
- 安装 Dataview 插件
- 打开 Graph View，勾选 Orphans 发现孤儿页
6.5 日常使用
摄入：/skill llm-wiki，请摄入这篇论文：<URL>。原始资料存 raw/papers/，更新相关页面。
查询：基于 wiki 回答：X 和 Y 有什么区别？
体检：lint 一下 wiki
6.6 服务器场景（headless）
Hermes 跑在服务器上、Obsidian 在笔记本 / 手机上？
- 方式 A：obsidian-headless（Node.js CLI）把服务器 wiki 与 Obsidian Sync 云端 vault 同步
- 方式 B：wiki 目录就是 git 仓库，服务器提交、本地拉取
- 方式 C：Syncthing / NextCloud 同步 ~/wiki
七、注意事项（避坑）
- raw/ 目录不可变：LLM 只读不写，修正只发生在 wiki 页面层
- 先定向再动手：llm-wiki skill 强制先读 SCHEMA + index + log，防止重复建页
- frontmatter 必填：title / created / updated / type / tags / sources——支撑 Dataview 查询与过期检测
- 标签必须来自 SCHEMA 的 taxonomy：新标签先加进 SCHEMA 再用，防止标签蔓延
- WIKI_PATH / OBSIDIAN_VAULT_PATH 是 skill 约定变量，不是 Hermes 核心配置项——很多人在这里栽跟头
八、适用场景
- 个人：目标、健康、心理、自我提升的长期记录
- 研究：数周/数月深入一个主题，构建不断演化的综合 wiki
- 读书：边读边建档，人物/主题/情节线页面互链
- 团队/商业：会议记录、项目文档、客户通话喂给 LLM 维护的内部 wiki
- 竞品分析、尽职调查、旅行规划、课程笔记、爱好深潜……
参考链接
- Hermes Agent 官方文档：https://hermes-agent.nousresearch.com/docs
- Karpathy LLM Wiki gist：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
- Obsidian Help（Internal links / Graph view）：https://help.obsidian.md/
- Dataview 官方文档：https://blacksmithgu.github.io/obsidian-dataview/
一句话总结：让 Hermes 当书呆子管理员，让 wiki 当你的第二大脑，让 Obsidian 当大脑的显示器——而你要做的，只是不断往里面丢有意思的东西。