Hermes+Obsidian+LLM Wiki 3个工具搭建AI知识库，附详细操作步骤
花了整整两天，我把推特收藏的200多篇文章全导进了一个本地知识库。
不是手动分类，不是打标签，是AI自动帮我提取关键概念、建立双向链接、生成结构化的Wiki页面。
整个过程我就做了一件事，把文件丢进去。
以前用Notion存笔记，存了几百篇，但这些笔记之间是孤立的。根本不知道「RAG」这个概念在我收藏的其他5篇文章里也出现过。每次想查点什么，得手动翻半天，最后还是找不到。
更烦的是，每次问AI问题，它都从零开始搜索，临时拼凑答案。没有积累，没有记忆，Token还废掉一半。
现在这套系统解决了这些问题。
四个核心优点
- •完全自动化：你不需要手动整理笔记，AI自动帮你做
- •本地存储：数据永远属于你自己，不会上传到任何服务器
- •持久化积累：知识会不断积累，不是每次从零开始
- •只需提问：你只需要提问和探索，其他交给AI
三个工具，各有分工
这套系统由三个工具组成，每个工具负责不同的环节。
工具一：Obsidian（笔记展示层）
核心能力：本地双向链接笔记工具，完全免费，跨Windows、Mac、Linux三平台。最核心的特点是双向链接。
适合人群：需要管理大量笔记、构建个人知识库的开发者、研究者、内容创作者。特别适合那些厌倦了Notion等在线工具、想要数据完全本地化的人。
怎么用：在笔记里输入两个方括号，比如[[Claude-Code-笔记]]，Obsidian会自动把它变成一个紫色链接。如果这篇笔记存在，点击就能跳转；如果不存在，点进去就会创建它。就这么简单。
它不需要你手动维护，Obsidian自动帮你建立关系。Graph View可以把所有笔记和它们之间的链接关系可视化成一张图，一眼就能看到知识结构，看到哪些节点是孤岛，哪些是枢纽。
实测效果：我导入了200多篇技术文章，Obsidian自动建立了1000多个双向链接。以前找一个概念要翻10分钟，现在点一下链接就到了。
踩坑经验：Obsidian本身不支持AI整理，需要配合其他工具使用。另外，Graph View在笔记数量超过500时会有点卡，建议定期清理无用的孤立节点。
安装命令：访问 obsidian.md[1] 下载对应系统版本，安装后创建一个Vault（本质就是一个文件夹），把笔记文件夹拖进去就行。
工具二：Hermes Agent（自动化执行引擎）
核心能力：Nous Research开发的自主AI代理，内置学习循环，能从经验中创建技能、改进技能。在这套知识管理工作流里，Hermes承担的是自动化执行引擎的角色。它内置了llm-wiki skill，可以直接按LLM Wiki的文件结构规范操作知识库。
适合人群：需要自动化处理大量文档、不想手动整理笔记的开发者和技术人员。特别适合那些已经有一定技术基础、熟悉命令行操作的人。
怎么用：你不需要手动创建文件夹、整理笔记、添加双向链接。你只需要告诉Hermes「把这篇文章写入知识库」，Hermes就会自动完成以下操作：
- • 提取文档中的关键实体（人物、工具、项目）
- • 提取核心概念（方法论、技术原理）
- • 创建结构化的Markdown文件
- • 添加双向链接连接相关概念
- • 更新知识库索引
这里要强调一个重要的使用规则：只有当你明确要求的时候，Hermes才会操作知识库。具体来说：
- • 当你说「写入知识库」「导入知识库」「把这个文件放进知识库」的时候，Hermes才会执行导入操作
- • 当你说「结合知识库」「查一下知识库」「根据知识库回答」的时候，Hermes才会去检索
- • 日常的普通对话，Hermes不会主动去动你的知识库
这样做的好处是什么？你的知识库不会被无关的对话污染。只有真正需要结合知识内容的提问，才会触发检索。
实测效果：我导入了一篇5000字的技术文档，Hermes在30秒内完成了提取、整理、建链的全过程。生成的Wiki页面包含了5个实体文件、3个概念文件，以及它们之间的双向链接。
踩坑经验：首次使用需要配置知识库目录和使用规则，否则Hermes可能会误操作。另外，对于特别长的文档（超过1万字），建议分段导入，否则提取效果会打折扣。
安装命令：
source工具三：LLM Wiki（知识库标准）
核心能力：一套知识库文件结构规范，不是独立应用。它定义了如何组织知识，让AI增量构建一个持久化的Wiki。
适合人群：需要长期积累知识、构建个人知识体系的研究者和技术人员。特别适合那些想要一个结构化、可检索、可持续增长的知识库的人。
怎么用：你导入一篇文档，系统不会只是索引一下就完事。它会真正理解这篇文档，提取里面的关键实体、概念、关系，然后生成或更新对应的Wiki页面。这些Wiki页面会保存在本地。
随着你导入的文档越来越多，这个Wiki会越来越丰富。页面之间会形成引用和关联，矛盾的地方会被标注。当你再提问的时候，不需要从原始文档里临时拼凑了，Wiki里已经有了结构化的知识，直接基于Wiki回答就行，而且会标注来源。
实测效果：我导入了50篇技术文章，生成了200多个Wiki页面。现在问AI任何技术问题，它都能从知识库中找到相关文档，给出有来源的答案。
踩坑经验：LLM Wiki需要配合Hermes Agent使用，单独安装没有意义。另外，Wiki页面的质量取决于导入文档的质量，垃圾进垃圾出。
安装命令：访问 GitHub nashsu/llm_wiki[2]，在Releases找到最新版本，下载macOS的DMG或App tar.gz文件，解压后把LLM Wiki App拖到应用程序文件夹。
完整工作流演示
现在把三个工具串起来看。
第一步：下达指令
比如你说「把这篇AI写小说的文章写入知识库」。这句话里有明确的动作「写入知识库」，所以Hermes知道需要执行知识库写入操作。
第二步：Hermes自动整理
Hermes通过内置的llm-wiki skill自动完成以下操作：
- • 读取文档内容
- • 提取关键实体（人物、工具、项目）
- • 提取核心概念（方法论、技术原理）
- • 创建结构化的Markdown文件
- • 添加双向链接连接相关概念
- • 更新知识库索引和日志
全程不需要你动手。
第三步：文件结构生成
Hermes会按LLM Wiki规范创建文件：
knowledge_base/ ├── raw/sources/ # 原始文章 ├── wiki/entities/ # 实体文件（工具、人物） ├── wiki/concepts/ # 概念文件（方法论） ├── wiki/index.md # 知识库索引 └── wiki/log.md # 更新日志每个文件都包含元数据（标签、创建时间）、核心内容、双向链接指向相关页面。
第四步：Obsidian展示知识网络
打开知识库目录，把它作为Vault拖进Obsidian。现在你就拥有了一个由AI精心整理过的知识库。双链网络可以自由浏览，Graph View可以看到知识点之间的关联强度。
第五步：无限循环
这个过程可以无限循环。每次导入新文档，知识网络都会自动更新。已有的页面会被补充新的信息，与新内容矛盾的地方会被标注。不同文档里提到的同一个概念会被关联到同一个Wiki节点上。
久而久之，知识库会变得越来越准确，越来越丰富。
使用规则（三条）
- 说「写入知识库」，Hermes来整理：当你有新的文档需要管理，产品文档、会议记录、学习笔记、技术方案，你只需要告诉Hermes「把这篇文章写入知识库」，全程不需要你动手。
- 说「结合知识库」，Hermes来检索：当你需要基于资料库来回答问题，比如「根据我们已有的产品文档，介绍一下我们的技术架构」，你加上「结合知识库」这几个字，Hermes就会检索知识库中的相关文档，AI整合之后给你一个完整的回答，并且标注来源。
- Obsidian随时可用：wiki目录可以直接拖进Obsidian当Vault使用。双链跳转、Graph View、全文搜索，所有Obsidian的功能随时可用。所有内容都是纯Markdown，可以在任何工具之间迁移。
这套系统用了2个月，最大的感受是，知识不再是孤岛了。
以前存的笔记，存完就忘了。现在每导入一篇新文章，整个知识网络都会自动更新，旧笔记和新笔记之间自动建立联系。
你不需要手动整理，不需要手动分类，只需要把文件丢进去，AI帮你搞定一切。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～