AI应用风向标（公众号：ZhidxcomAI） | 作者｜毕伟豪 | 编辑｜漠影
智东西 7月8日 报道
Hermes Agent 已成为我日常开发、完整万人围观文档分析及文件处理的教程首选 AI 工具。然而，复刻长期存在一个痛点：它缺乏有效的两千长期知识沉淀机制。虽然 Hermes 具备持久记忆功能（如 MEMORY.md记录偏好，识库USER.md保存个人信息），完整万人围观但这些文本文件容量有限（仅数千字符），教程无法承载多年积累的复刻工作笔记、项目文档及研究资料。两千
真正高价值的识库知识往往散落在本地文件夹中。市面上虽有众多 AI 知识库产品，完整万人围观但若希望深度集成 Hermes，教程Hermes + Obsidian是复刻最佳解决方案。
Obsidian是两千一款基于本地 Markdown 文件的笔记软件，通过结构化存储打造个人知识库。识库开发者 zaimiri 提出 “Hermes Agent + Obsidian Vault = AI Brain”的理念：Obsidian 负责存储，Hermes 负责理解、管理与关联。这种组合让 AI 接入了一个持续进化的“第二大脑”。
鉴于此，本文将从零开始，演示如何搭建这套高效的知识管理体系。
一、基础搭建：Obsidian 安装与 Hermes 联动
1. 安装与初始化
- 下载：访问 Obsidian 官网，下载对应系统版本。
- 配置：全程无需账号，本地运行，安装耗时不足 5 分钟。
- 创建 Vault：首次启动时选择“Create new vault”，指定一个本地文件夹作为知识库根目录。
核心优势：Obsidian 使用标准 Markdown 格式，Hermes 无需适配特殊格式，直接读取即可。
2. 核心功能解析
- 双向链接 (Wikilinks)：在笔记间建立关联，点击即可跳转，形成知识网络。
- 知识图谱 (Graph View)：自动生成可视化关系图，直观展示知识节点的紧密度与孤立点。
注：初期无需关注插件或美化，重点在于建立 Hermes 与 Obsidian 的连接。
3. 启用 Hermes Obsidian Skill
Hermes 内置 obsidian-skill，通过操作本地文件实现对 Obsidian 的管理。
快速上手提示词：
“我下载了黑曜石，我现在不知道该怎么在 Hermes 中使用它，给我一个详细的使用方法。”
Hermes 将自动加载技能并输出操作指南，主要涵盖：新建、查找、修改笔记。
实战演示：创建教程笔记
提示词：“帮我在 Obsidian 中创建一套上手指南，包含主教程、Markdown 速查和一篇新闻示例，要能体现出 Obsidian 的双向链接功能。”
结果：Obsidian 中自动生成结构清晰的笔记，并在知识图谱中显示关联关系。
实战演示：自动化整理周报
操作：将 6 月周报汇总文件发给 Hermes。
提示词：“分析这个文件，把它整理到我的工作总结仓库中，然后把仓库里冗余的未命名文件夹删掉。”
结果：Hermes 自动拆分文档，创建“周报索引”与“周报”笔记，并清理空文件，极大提升了文档维护效率。
二、进阶玩法：复刻 Karpathy 的 LLM-Wiki 体系
若仅用于整理笔记，上述功能已足够。但要实现真正的“AI 大脑”，需引入 LLM-Wiki概念。
1. 什么是 LLM-Wiki？
源自 AI 大神 Andrej Karpathy 的知识管理方案。其核心逻辑是：
1. 输入：用户投入原始资料（文章、论文等）。
2. 分析：AI 自动识别概念、实体及关系。
3. 结构化：自动拆分为独立页面，并通过双向链接串联。
4. 进化：Obsidian 知识库随输入不断扩展，形成类似维基百科的结构。
Hermes 官方已将此逻辑封装为内置 Skill。
2. 一键初始化知识库
复制以下提示词，即可初始化一个全中文的 AI/大模型研究知识库：
加载llm-wiki技能，初始化一个全中文的AI/大模型/Agent研究知识库，路径~/wiki。如已存在则先读取SCHEMA+index+log定向。要求：1. 目录名全中文：原始资料/（文章、论文、访谈记录、附件）、实体/、概念/、对比/、查询/2. 标签体系用中文（7类）：- 模型/架构：模型、架构、大语言模型、多模态、开源模型、国产大模型- 训练/技术：训练、微调、LoRA、RLHF、推理优化、量化、对齐- Agent：Agent、工具调用、RAG、多智能体、代码Agent、Agent框架- 公司/组织：公司、创业公司、实验室、OpenAI、Google、Meta、Anthropic、中国公司- 人物：人物、研究者、创始人- 产业/商业：融资、产品、评测、监管、政策- 元信息：对比、时间线、争议、预测、概览3. 页面标题和正文全中文，文件名可用英文小写+连字符4. 每页frontmatter必含：title、created、updated、type、tags、sources输出：wiki结构、标签清单、就绪状态初始化效果：
3. 自动化知识摄入
假设你从 Hugging Face 获取了一份 191 行的 AI Agent 术语表。
- 传统方式：手动放入文件夹，日后检索困难。
- LLM-Wiki 方式：
提示词：“把这篇文章加入Wiki”
执行结果：
Hermes 在 1 分钟内完成全文解析，自动分类并生成十余篇独立笔记（如 Agent, Model, Tool Use, Context Engineering 等），且全部采用中文分类与双向链接。
知识图谱体验：
打开“Agent”页面，可见其引用了“Tool Use”、“Skill”等概念。点击链接即可跳转，浏览体验高度类似维基百科，知识密度与关联性显著提升。
4. 智能检索与汇总
当需要特定领域资料时，无需手动翻找：
提示词：“帮我把 Obsidian 里关于智能体资料找出来。”
Hermes 将检索所有相关笔记，列出清单并推荐重点内容，甚至可直接汇总所有相关内容。
三、注意事项与优化建议
尽管体验流畅，但在实际使用中需注意以下两点：
- 文件冲突处理
- 现象：若同时在 Obsidian 中打开某笔记，又让 Hermes 修改，Obsidian 可能提示文件变更冲突。
解决：修改前关闭对应标签页，或手动刷新文件状态。
关于 MCP (Model Context Protocol)
- 建议：初期无需配置 MCP。
- 理由：本教程中的读取、修改、创建等基础功能，Hermes 自带的 Obsidian Skill 已完全胜任。MCP 适合高阶用户探索更复杂的集成场景，对于常规知识管理而言，属于过度配置。
结语
Hermes + Obsidian 的核心价值：让 AI 从“记忆偏好”进化为“理解知识”。
过去，整理分类、建立索引占据大量时间；现在，机械性工作交由 Hermes 处理。接入 Obsidian 后，Hermes 更像是一位研究助理，将散落各处的资料重新组织、关联。
最终建议：配置过程仅需片刻，真正的投入在于持续积累。知识库越丰富，Hermes 的推理与检索能力越强，这套组合释放的价值也将呈指数级增长。
