Hermes Agent 高级玩法：微信扫码即用 + LLM Wiki 知识库，打造你的数据飞轮

lxiol
  2026-04-27 20:21:25 2026-04-27 20:21:25 创建   2026-05-12 16:47:34 2026-05-12 16:47:34 更新    
📝
Andrej Karpathy 最近发了一条推文，16 小时内 1600 万次浏览

原文链接：https://mp.weixin.qq.com/s/1fWlMZanDi5hLmzcoLgK7g

Andrej Karpathy 最近发了一条推文，16 小时内 1600 万次浏览。

Andrej Karpathy 最近发了一条推文，16 小时内 1600 万次浏览。他说自己不再用 LLM 写代码，而是用来建知识库。

核心思路很简单：传统 RAG 每次查询都要从头检索，没有积累。他让 LLM 维护一个持久 Wiki——新增内容自动编译进去，知识复利增长。

这条推文火了之后，Hermes Agent 立刻实现了这个工作流。今天讲两个高级功能：微信原生集成和LLM Wiki 知识库。

一、微信集成：扫码就能用

Hermes Agent 支持个人微信账号直连，用的是腾讯 iLink Bot API。不需要公网端点、不需要 Webhook，HTTP 长轮询就够。

设置流程（3 步）

Step 1：运行设置向导

1
`hermes gateway setup`

提示中选择 Weixin。向导自动完成：

  • 请求二维码 → 显示在终端或提供 URL → 等你扫码 → 手机确认登录 → 保存凭证到 ~/.hermes/weixin/accounts/

成功后看到：微信连接成功，account_id=your-account-id

Step 2：配置环境变量

QR 登录完成后，在 ~/.hermes/.env 设置：

1
2
3
4
5
`WEIXIN_ACCOUNT_ID=your-account-id

# 可选：访问控制
WEIXIN_DM_POLICY=open
WEIXIN_ALLOWED_USERS=user_id_1,user_id_2`

Step 3：启动网关

1
`hermes gateway`

适配器恢复凭证，连接 iLink API，开始长轮询接收消息。

支持的功能

  • 私聊/群聊消息（可配置访问策略）
  • 图片/视频/文件/语音媒体支持
  • AES-128-ECB 加密 CDN 媒体传输
  • Markdown 格式自动适配（标题/表格/代码块转微信可读）
  • 智能消息分块（4000 字符以内单条发送）
  • “对方正在输入…”提示
  • 消息去重（5 分钟滑动窗口）
  • 自动重试与退避

私聊策略：默认 open（任何人可私聊），可设 allowlist（白名单）、disabled（忽略私聊）、pairing（配对模式）。

群聊策略：默认 disabled（忽略群消息，因为个人微信可能在很多群）。

二、LLM Wiki：告别 RAG 的无状态检索

传统 RAG 的痛点：每次查询从头检索，没有积累。问一个需要综合五篇文档的问题，LLM 每次都要重新拼凑碎片。知识不沉淀。

Karpathy 的思路：让 LLM 维护一个持久 Wiki——新增内容自动编译进去，更新实体页、修订主题摘要、标注矛盾、强化或挑战已有观点。

Wiki 是持久、复利增长的 artifact。交叉引用已经建好、矛盾已标注、综合已反映所有阅读内容。每加一个来源、每问一个问题，Wiki 都更丰富。

三层架构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
`my-research/
├── raw/                    # Layer 1: 不可变原始来源
│   ├── articles/
│   ├── papers/
│   ├── repos/
│   ├── data/
│   └── images/
├── wiki/                   # Layer 2: Agent 生成的 Wiki
│   ├── index.md            # 内容目录（每次 ingest 更新）
│   ├── log.md              # 时间线日志
│   ├── overview.md
│   ├── concepts/           # 概念页
│   ├── entities/           # 实体页
│   ├── sources/            # 来源摘要
│   └── comparisons/        # 对比页
├── outputs/                # 日期化报告、演示文稿
├── CLAUDE.md               # Layer 3: Schema 配置`

Layer 1：Raw Sources（不可变）

你的原始文档集合——文章、论文、代码仓库、数据集、图片。LLM 只读，从不修改。这是验证基线：Wiki 里每条声明都能追溯到 raw/ 里的文件。

用 Obsidian Web Clipper 浏览器扩展可以把网页文章转成 markdown，直接丢进 raw/articles/。

Layer 2：The Wiki（LLM 生成）

Agent 生成的 markdown 页面，按类型组织：

  • concepts/
    ：概念页（如 attention-mechanism.md）
  • entities/
    ：实体页（如 openai.md）
  • sources/
    ：来源摘要（每个摄入文档一条）
  • comparisons/
    ：对比页（如 rag-vs-fine-tuning.md）

两个关键文件：

  • index.md
    ：内容目录，每次 ingest 更新，LLM 查询时先读这个导航
  • log.md
    ：时间线日志，记录每个 ingest、每次更新、发现的矛盾

Layer 3：Schema（CLAUDE.md）

最重要的文件。定义 Wiki 结构、命名约定、页面模板、操作流程。它把通用 LLM 变成纪律严明的知识管理员。

三、三种核心操作

Karpathy 用编译器类比：raw/ 是源码，LLM 是编译器，wiki/ 是输出，lint 是测试，query 是运行时。

Ingest（摄入）

把新来源丢进 raw/，告诉 Agent 处理：

1
`> I added a new article to raw/articles/. Please ingest it.`

Agent 执行：

  • 读取文档，讨论关键要点
  • 在 wiki/sources/ 创建摘要页
  • 级联更新 10-15 个相关 Wiki 页
  • 如需创建新概念/实体页
  • 更新 index.md
  • 向 log.md 添加记录

单次 ingest 可能触碰几十个 Wiki 页，因为 Agent 要追踪知识图谱里的关联。

Query（查询）

向 Wiki 提问。Agent 搜索 index.md，读相关页面，综合回答并附 [[wiki-link]] 引用。

关键洞察：好的回答可以反向写入 Wiki。 你问的对比、分析、发现的连接——这些有价值，不应消失在聊天历史里。这样你的探索也像摄入来源一样复利增长。

Lint（健康检查）

定期让 Agent 检查 Wiki：

  • 页面之间的矛盾
  • 过时声明（新来源已覆盖）
  • 孤页（没有入链）
  • 重要概念被提及但缺独立页
  • 缺失交叉引用
  • 可用 web 搜索填补的数据缺口

Agent 擅长建议新问题和新来源。这让 Wiki 随增长保持健康。

四、RAG vs LLM Wiki：什么时候用哪个

维度

RAG

LLM Wiki

数据规模

数百万文档

100 文档，40 万字

架构复杂度

向量数据库 + embedding + chunking + rerank

纯 markdown + index.md

知识沉淀

无（每次从头检索）

有（编译后持续更新）

可审计性

黑盒向量，难以追溯

每条声明可追溯到 .md 文件

维护成本

需要专业 infra

Agent 自动维护

适用场景

企业级海量数据

个人/团队研究项目

Karpathy 的 Wiki 已长到约 100 篇文章、40 万字——比大多数博士论文还长——而他几乎没自己写过。

五、实战演示：从 ArXiv 论文到 Obsidian 图谱

视频演示了完整流程：

  • 创建 Wiki
    ：hermes wiki init llm-finetuning
  • 批量摄入论文
    ：Agent 从 ArXiv 抓取微调相关论文 → 自动提取结构化知识 → 生成交叉引用 Wiki 页
  • 研究命令
    ：研究防止过拟合的方法 → Agent 基于 Wiki 分析 → 生成新 Wiki 页面
  • 多 Wiki 管理
    ：创建多个 Wiki 无缝切换 → 合并相关 Wiki（演示合并两个 Wiki 得到 27 页知识库）
  • Obsidian 可视化
    ：打开 Wiki 目录 → Graph 视图显示交叉引用网络 → 点击节点浏览页面

六、数据飞轮：知识复利增长

Karpathy 总结了核心价值：

“编译一次，持续更新。”

传统知识库死于维护成本。收集容易，整理困难，规模化维护不可能。

LLM Wiki 把这个不可能变成自动化：

  • 你负责 curate（选什么进来）
  • Agent 负责 bookkeeping（读、总结、交叉引用、更新索引、标注矛盾）

结果：知识库随时间复利增长，而不是随时间腐烂。

七、怎么开始

微信集成：

1
2
3
`pip install aiohttp cryptography qrcode
hermes gateway setup  # 选择 Weixin
hermes gateway`

LLM Wiki：

1
2
3
`hermes wiki init my-research
# 用 Obsidian Web Clipper 把文章丢进 raw/articles/
# 然后让 Agent ingest`

Karpathy 的 Gist：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

Hermes Wiki 教程：https://www.aivi.fyi/llms/hermes-wiki

最后一句

RAG 是检索，LLM Wiki 是编译。检索每次从头来，编译一次后持续更新。如果你有个人研究项目、团队知识库、或者只是想给读完的书建个 companion wiki——这是目前最优雅的方案。

💬 本文评论区已开启，但暂无读者留言。

本文转载自微信公众号，如有侵权请联系删除。

  • 标题: Hermes Agent 高级玩法：微信扫码即用 + LLM Wiki 知识库，打造你的数据飞轮
  • 作者: lxiol
  • 创建于 : 2026-04-27 20:21:25
  • 更新于 : 2026-05-12 16:47:34
  • 链接: https://blog.lxiol.cn/2026/04/27/Hermes-Agent-高级玩法微信扫码即用-LLM-Wiki-知识库打造你的数据飞轮/
  • 版权声明: 本文章采用 CC BY-NC-SA 4.0 进行许可。
目录
Hermes Agent 高级玩法：微信扫码即用 + LLM Wiki 知识库，打造你的数据飞轮
  1. 一、微信集成：扫码就能用
    1. 设置流程（3 步）
    2. Step 1：运行设置向导
    3. Step 2：配置环境变量
    4. Step 3：启动网关
    5. 支持的功能
  2. 二、LLM Wiki：告别 RAG 的无状态检索
    1. 三层架构
    2. Layer 1：Raw Sources（不可变）
    3. Layer 2：The Wiki（LLM 生成）
    4. Layer 3：Schema（CLAUDE.md）
  3. 三、三种核心操作
    1. Ingest（摄入）
    2. Query（查询）
    3. Lint（健康检查）
  4. 四、RAG vs LLM Wiki：什么时候用哪个
  5. 五、实战演示：从 ArXiv 论文到 Obsidian 图谱
  6. 六、数据飞轮：知识复利增长
  7. 七、怎么开始
    1. 最后一句