Steven's Knowledge Base

Hermes Agent LLM Wiki + WeChat + Obsidian 知識管理

7 min read

Hermes Agent 高級玩法：微信 + LLM Wiki + Obsidian 打造終極 AI 知識管理

📛 開場：Hermes 發音澄清

  • 粉絲留言話 H 唔發音：上期片之後有人 comment 話 Hermes 個 H 唔讀
  • 用 ChatGPT 查證：美式同英式音標都有 H 發音
  • 命名來源：來自希臘神話奧林匹斯神赫爾莫斯（眾神使者），同 Hermès 奢侈品完全冇關

💬 Step 1：WeChat 原生整合

  • 功能介紹：Hermes Agent 而家原生支援微信，可以用文字、圖像、語音、文件同 AI 互動
  • 安裝 + 啟動：跑兩條 install 指令，升級 Hermes 到最新版，執行 setup 指令
  • 掃碼登錄：terminal 選「微信」選項 → 生成 QR code → 用手機微信掃 → 選群聊權限（僅限某啲 / 全部 / 列表）
  • 配對手機：手機收到 pairing 指令 → 喺 terminal 輸入配對 → 連接成功
  • 測試：問模型名稱（返「MAX model」），叫佢列出編程相關嘅 skills

📚 Step 2：用 LLM Wiki skill 複刻 Andrej Karpathy 工作流

  • 背景：上期片介紹咗 graphify（適合分析 code repository），但日常筆記文檔要用另一個方法
  • Hermes 官方內置：已將 Karpathy 嘅 LLM Wiki 以 skill 方式嵌入 Hermes Agent
  • 呼叫 skill：terminal 輸入 +lmwak → 進入 Andre Karpathy 嘅 LLM Wiki 工作流
  • 建立 Wiki：叫 agent「建一個用嚟存大模型微調論文嘅知識庫」→ 選新建獨立 wiki → 按建議 path → 核心檔案自動生成

🧱 Step 3：輸入論文 + 三層架構解釋

  • 支援格式：PDF 同 arXiv 鏈接都得
  • 實測：輸入三篇大模型微調論文鏈接，agent 自動抓取 + 生成 concept/entities 頁面 + 更新 index
  • 三層架構（LLM Wiki 核心）：
    • Immutable Layer（不可變層）：原始來源（論文、圖、會議記錄）—— AI 只讀不可改，保持 single source of truth
    • Wiki Page Layer（agent 層）：摘要、實體、概念、綜合分析頁面，完全由 agent 創建維護 + 交叉引用
    • Co-evolution Layer（協同進化層）：Schema 配置 + 約束，人類同 AI 共同維護

🆚 Step 4：LLM Wiki vs 傳統 RAG

  • 傳統 RAG：無狀態碎片檢索
    • 每次 query 都從零開始：文檔分塊 → 向量嵌入 → 相似度檢索 → 臨時生成 → 答案丟棄
    • 同一問題反覆發現相同知識，唔會累積
  • LLM Wiki：有狀態知識編譯
    • 完整攝入論文 → 提取結構化知識 → 交叉引用 → 編譯查詢 → 歸檔有價值答案返 wiki
    • 實現複利增長，成為真正「數據飛輪」

🔬 Step 5：設定研究方向 + 編譯 Wiki

  • 研究主題：輸入「如何防止過擬合」
  • Agent 行為：
    1. 先 check schema 有冇相關標籤
    2. 創建缺失頁面（「災難性遺忘」、「微調方法防過擬合」等）
    3. 更新 index + log 檔案
  • 總結：新增 4 個相關頁面，wiki 由 13 頁增至 17 頁
  • Query 結果：叫 agent「根據剛才嘅研究講解點防止過擬合」→ 按整理嘅論文 + 概念畀詳細答案

🔀 Step 6：Multi-Wiki 管理

  • 切換 wiki：輸入「切換到 LLM memory wiki」→ 無縫切換到之前建嘅舊 wiki
  • 加新論文：搵兩篇記憶相關論文輸入 → agent 攝入 + 更新 + 畀出核心貢獻對比
  • Demo：叫 agent 講解「生物啟發認知壓縮」概念 → 詳細答案基於新加嘅論文

🎨 Step 7：Obsidian 整合 + Wiki 合併

  • 打開 Obsidian：搵返啱啱建嘅微調 wiki → click 開 index 頁面
  • 查看頁面：「災難性遺忘」頁面有定義、典型場景、主流解決方案、相關概念
  • Knowledge Graph：用 Obsidian 視覺化功能睇概念之間嘅關係
  • 合併 Wiki：叫 Hermes Agent 合併微調 + LLM memory 兩個 wiki → 合併成主 wiki 共 27 頁
  • 對比：合併後嘅 graph 比之前複雜好多，概念關係更豐富

💡 呢個做法點解 significant？

同傳統 RAG 嘅分別

  • 從無狀態 → 有狀態：RAG 每次 query 從零開始，LLM Wiki 有持續累積嘅編譯狀態
  • 答案歸檔：有價值嘅查詢結果會寫返 wiki 做新頁面 → 實現數據飛輪
  • 三層架構明確分工：source 唯讀保護、agent 全權維護 wiki 頁面、人類同 AI co-evolve schema

限制 / 風險 / caveats

  • 唔適合 code 分析：Code repository 用 graphify 更好，LLM Wiki 主要針對文檔/筆記/論文
  • Source 必須唯讀保護：如果畀 AI 寫權限到原始 source，有機會改壞或者幻覺污染 single source of truth
  • 仲係要人類監督：Co-evolution layer 要人同 AI 共同維護 schema 同約束
  • 視覺複雜度：只係合併兩個 wiki 個 graph 已經複雜好多，大規模擴展後可能難 navigate

對 business / implementer 嘅實際意義

  • 零維護知識庫：AI 處理所有摘要、索引更新、交叉引用——人類基本上 zero maintenance
  • 複利增長機構知識：公司可以建立真正嘅數據飛輪，持續攝入 PDF、web link、會議記錄
  • 無縫流動訪問：微信整合後，員工可以用手機（文字/語音/圖/文件）直接 query 公司知識庫
  • 視覺化理解：生成嘅檔案同 Obsidian 無縫整合，可以直接睇 knowledge graph
  • 模組化擴展：可以由小 wiki 開始，後期合併成主 database

Graph View