Hermes+Obsidian教程：复刻Karpathy 2000万围观知识库

使用Hermes Agent已有一段时间，日常编写代码、分析文档和处理各类文件，这款工具几乎成为默认的AI助手。但一直存在一个未解决的问题：它无法将日常浏览且认为有价值的内容真正积累下来。简而言之，Hermes缺少一个配套的知识库。

Hermes确实具备持久记忆功能，MEMORY.md可记录长期偏好，USER.md能保存个人信息和开发环境配置。但这两种文件合计仅有数千字符，记录用户从事的领域、日常偏好和项目存放位置尚可，若要装载多年积累的工作笔记、项目文档和研究资料，显然不够用。

真正有价值的内容，往往存放在电脑的某个文件夹中。此时，许多人会推荐各种好用的AI知识库产品，但问题在于——如果目标就是使用Hermes呢？

其实答案早已存在：Hermes + Obsidian。

Obsidian是一款基于本地Markdown文件的笔记工具，能够将资料结构化存储，用于打造个人知识库非常合适。

开发者zaimiri近期在社交平台上分享了一篇文章，标题直指核心：Hermes Agent + Obsidian Vault = AI Brain。其观点清晰明确：Hermes不应负责存储知识，而应负责理解和管理知识。用户将知识存放在Obsidian中，由Hermes去读取、写入、整理并建立关联。两者配合，如同为AI接上了一个不断积累、持续进化的第二大脑。

恰好，新电脑尚未安装Obsidian，索性从零开始安装，验证这套方案是否值得投入时间。

一、安装Obsidian，丝滑关联Hermes

安装Obsidian非常简便，访问官网下载对应系统版本即可。整个安装过程不超过五分钟，无需注册账号，也没有复杂配置，完全在本地运行。

首次启动时，Obsidian会提示选择创建新Vault或打开已有Vault。如果没有专门存放知识的文件夹，直接点击“Create new vault”创建新仓库即可。

Obsidian会将此文件夹作为知识库管理，其中保存的所有内容均为标准Markdown文件。这一特性特别适合与AI配合使用——Hermes无需学习特殊格式，直接读取Markdown即可。

Obsidian还具备两个非常实用的功能。第一个是双向链接（Wikilinks），能将相关笔记建立关联，点击即可跳转。第二个是Graph View（知识图谱），所有双向链接会自动生成一张关系图——哪些知识联系最紧密，哪些内容仍处于孤立状态，一目了然。

新建了一个Vault，命名为“工作总结”。创建完成后进入Obsidian，界面十分简洁，类似备忘录Plus版：左侧为文件列表，中间为编辑区，右侧为关系图谱。

网上关于Obsidian插件、主题和美化的教程众多，但对于新用户而言，这些可暂放一旁。核心在于如何让Hermes与Obsidian协同工作。

为方便操作，Hermes内置了一个Skill：obsidian-skill。该Skill本质上是文件操作——由于Obsidian依赖本地文件夹，Hermes可通过操作本地文件对Obsidian进行修改。

先让Hermes与Obsidian建立联系。如果是完全新手，直接输入提示词：“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会自动加载obsidian-skill，并给出使用说明。常规操作无非是新建笔记、查找笔记和修改笔记等。

举例来说，让Hermes协助创建一套Obsidian教程笔记，输入：“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。”可以看到Obsidian中已出现这些笔记，分类清晰，关系图谱上也能看到彼此之间的联系。

为检验这套组合的资料管理能力，将仓库更名为“工作总结”，并将6月以来的周报汇总后发给Hermes，输入：“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。”Hermes快速执行了操作，将混杂着五个周报的文档进行拆分，创建了“周报索引”和“周报”两条笔记，同时删除了之前随手创建的空笔记。

如果仅需AI协助整理笔记、搜索资料和维护文档，到此已足够实用。但真正让人感觉它开始像一个“AI大脑”的，还不是这些基础能力，而是接下来社区热聊的另一套玩法：LLM-Wiki。

二、一句话用上Karpathy同款知识库

LLM-Wiki是一个属于自己的人工智能维基百科体系。用户每输入一份新资料，它都会主动分析其中有哪些概念、实体和关系值得单独记录，然后自动拆分为独立页面，再通过双向链接串联起来。在此过程中，Obsidian会不断丰富自身的知识体系。

这套思路最早源自AI专家Andrej Karpathy。他此前分享过一套知识管理方案，将人工智能领域的原始资料、概念页和实体页分层维护，并不断扩展整个知识网络。社区将这套模式称为LLM-Wiki，Hermes官方随后将其制作成内置Skill。

使用这套知识库非常简单，完整提示词整理如下，复制粘贴即可：

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：

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/

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

页面标题和正文全中文，文件名可用英文小写+连字符每页frontmatter必含title、created、updated、type、tags、sources

输出：wiki结构、标签清单、就绪状态

创建好的知识库效果如下：

如果没有任何资料，笔记和知识图谱会显得空泛。图中知识图谱内容较多，是因为将Hugging Face上发布的一份AI Agent术语表导入其中，全文191行。若自行整理，大概率只是放入资料文件夹，日后搜索时再翻阅。但此次直接告知Hermes：“把这篇文章加入Wiki”，它便会自动分类整理成上述效果。

整个流程十分流畅。Hermes读取整篇内容，识别概念、分析关联，然后自动生成对应页面。不到一分钟，处理完成。再次打开Wiki仓库，其中已新增十几篇笔记，包括：Agent、Model、Tool Use、Context Engineering、Skill、Scaffold、Execution Framework、Strategy、Sub-agent、Training等。每个概念均为独立笔记，且使用中文进行了分类。

更为重要的是，这些页面并非孤立存在。打开Agent页面，可以看到其中引用了Tool Use、Skill、Execution Framework等其他概念。继续点击，又能跳转到新的页面。整个浏览体验越发类似维基百科。

在Hermes中随意调取某个分类的内容也很方便，例如想查找关于智能体的资料，输入：“帮我把Obsidian里关于智能体资料找出来。”Hermes便会检索Obsidian中的资料，列出所有相关内容，然后推荐一篇并询问是否打开。

接下来，可以选择打开某篇笔记，然后根据其提供的链接，决定是否查看其他笔记。当然，也可以直接让Hermes将所有相关内容进行汇总。

整体体验相当顺利，不过有几点需要提示：

第一是文件冲突。如果同一篇笔记同时在Obsidian中打开，又让Hermes修改，Obsidian偶尔会提示文件发生变化。解决方法很简单：修改前关闭对应标签页，或刷新一下。

第二是MCP。很多人看到Hermes支持MCP，便考虑是否需要配置。个人认为暂时没有必要。本教程涉及的读取、修改和创建等基础功能，均未使用MCP。Hermes自带的Obsidian技能已能覆盖绝大多数场景。MCP更适合对Hermes和Obsidian都非常熟悉、想使用高阶功能的用户，简单的知识管理暂时用不上。

写在最后：

体验完这套组合，最直观的感受只有一句话：Hermes中的资料，终于有了存放之处。

以往的工作流程是这样的：整理分类、修改标题、补充总结、建立索引。大部分时间都花费在整理上。而现在，许多机械性的工作可直接交给Hermes处理。

过去AI只能记住用户的偏好，如今，Hermes和Obsidian的组合开始理解并保存知识。接入Obsidian后，Hermes更像一个始终陪伴你维护知识库的研究助理，帮忙将那些散落在电脑各处的资料，一点一点重新组织起来。

不过，这个组合真正需要投入时间的其实不是配置，而是之后持续将个人资料导入其中。知识库越丰富，Hermes+Obsidian能够发挥的价值也越大。