2026年，AI 工具爆发，但很多人的知识管理还停在 Notion 笔记时代——标签一堆、页面一堆，真到要找某个知识点时，翻半天也翻不出来。
本文介绍一套完全不同的方案：用纯文本文件夹 + Hermes Agent，建立一个能自我进化、永不过时的个人知识库。
核心参考了 Andrej Karpathy 提出的LLM Wiki模式，结合 Hermes Agent 的 skill 自我进化能力，让知识库随使用不断沉淀，越来越好用。
一、Karpathy LLM Wiki 是什么
Karpathy（李飞飞的学生、前特斯拉 Autopilot 负责人、OpenAI 创始成员）在他分享的个人工作流中，介绍了一种极简但极其高效的知识管理方式。
核心理念只有一句话：
用 LLM 友好的文件夹结构替代传统笔记软件，让知识以 Markdown 纯文本的形式持久化，用 wikilinks 串联关系，而不是靠标签和分类。
和传统笔记工具的本质区别
| 传统笔记（Notion/飞书） | LLM Wiki | |
|---|---|---|
| 组织方式 | 标签 + 目录 + 搜索 | 文件夹 + wikilinks |
| 检索方式 | 关键词搜索 | LLM 阅读理解检索 |
| 知识积累 | 越多越乱 | 越积累关系越丰富 |
| LLM 友好度 | 低（结构复杂） | 高（纯文本） |
| 持久化 | 依赖平台 | 纯文本，永不过时 |
LLM Wiki 的核心价值不是"存笔记"，而是建立知识之间的关系网络。当你积累了几百篇笔记之后，让 LLM 直接读整个 Wiki，它比你更懂你的知识库里有什么、知识点之间怎么关联。
三层结构
Karpathy 的 Wiki 分为三层，从底到高：
Layer 1 (raw/) 原始素材 — 文章、论文、聊天记录、截图
Layer 2 (wiki/) 加工后的知识 — 概念、实体、对比、问题
Layer 3 规范层 — SCHEMA 定义、索引、日志
Layer 1 是入口，所有东西先存进来，原汁原味，不做修改。
Layer 2 是加工，读完一篇文章，把里面的关键概念、人物、事件提炼成独立的 Wiki 页面，用 [[wikilinks]] 互相串联。
Layer 3 是元数据，定义规范（SCHEMA）、维护索引（index）、记录操作（log）。
二、用 Hermes Agent 怎么建
Hermes Agent 是基于 Python 的自进化 AI Agent，最大特点是可以自己写 skill、自己更新知识库——换句话说，你的知识库不需要你手动维护，Agent 会帮你不断沉淀。
只要对hermes说：帮我用llm-wiki创建个人知识库，放在~/wiki路径下。 整个 Wiki 会创建出来放在 ~/wiki/ 目录下：
~/wiki/
├── raw/ Layer 1 — 原始素材
│ ├── articles/ 文章（例如按 01-读书笔记/02-技术/03-其他 分类）
│ ├── transcripts/ 日记/手记转录
│ ├── papers/ 论文
│ └── assets/ 配图/附件
├── wiki/ Layer 2 — 维基知识页
│ ├── entities/ 实体页：书籍、人物、产品
│ ├── concepts/ 概念页：方法论、主题
│ ├── comparisons/ 对比分析页
│ └── queries/ 待解答的问题页
├── _archive/ 过时内容归档
├── _drafts/ 草稿（未完成不加入索引）
├── SCHEMA.md 规范定义
├── index.md 内容索引（入口）
└── log.md 操作日志
三、各目录的含义
Layer 1：raw/ 原始素材区
所有外部内容的第一站。
不管是一篇公众号文章、一本书的读书笔记、还是一段日记，都是先存进 raw/。这一层只进不出——不要在这一层做笔记整理，不要修改原始内容。目的是保留来源可信度，LLM 需要查原始出处时就到这里来读。
raw/articles/01-读书笔记/ → 书籍读书笔记原文
raw/articles/02-技术/ → AI/LLM、技术文章
raw/transcripts/ → 个人日记/手记转录
Layer 2：wiki/ 维基知识区
这是 Wiki 的核心，所有知识加工和互链都在这里。
wiki 层分为四个子目录，对应四种不同类型的页面：
entities/ — 实体页
每本书、每个人物、每个产品都单独建一个实体页。记录"是什么"和"关键事实"就够了，不需要复述全书内容。
示例：
entities/深度工作.md、entities/曾国藩传.md
concepts/ — 概念页
每读完一个主题，把核心理念提炼成一个概念页。包含定义、当前认知状态、开放问题、以及最重要的——相关概念的 wikilinks。
示例：
concepts/GTD无压工作法.md、concepts/费曼学习法.md
comparisons/ — 对比页
当需要把两个事物放在一起分析时，建一个对比页。表格是最好用的形式，逐维度对比，结论一目了然。
示例：
comparisons/hermes-agent-vs-openclaw.md
queries/ — 问题页
你在思考但还没有答案的问题，可以先建一个 query 页。随着学习和实践，答案慢慢沉淀进来，最终变成一个 concept 页。
示例：
queries/如何让团队接受Service Mesh迁移.md
Layer 3：元数据
SCHEMA.md定义规范——文件怎么命名、frontmatter 什么格式、什么情况该建新页面。
index.md是整个 Wiki 的入口，所有页面的索引，按类型分类，一句话说明每个页面是什么。
log.md是操作日志，每次摄入新内容、整理页面、发现错误，都追加一条。相当于 Wiki 的"黑盒录像"。
四、如何更新知识库
Wiki 的生命力在于持续更新。以下是 Hermes Agent 辅助下的日常更新流程。
摄入新内容
当你读到一篇好文章时，告诉 Hermes Agent：
“帮我把这篇文章存入 Wiki。”
Agent 会：
读取文章内容
判断属于 Layer 1（原始素材）还是值得提炼到 Layer 2
自动创建/更新对应的 wiki 页面
在 frontmatter 的 sources: 字段记录原始文件路径
追加 log.md 记录这次摄入
用浏览器插件一键保存网页
除了告诉 Agent"帮我存这篇文章"之外，还可以通过 Obsidian Web Clipper 浏览器插件随时把网页一键存入 Wiki。
在 Chrome 或 Edge 浏览器安装 Obsidian Web Clipper 插件，配置好 vault 路径（~/wiki/）之后，只需：
打开任意网页（公众号文章、知乎回答、技术博客）
点击浏览器工具栏的插件图标
选择保存到哪个目录（比如 raw/articles/02-技术/）
一键保存为 Markdown，自动存入对应目录
插件会提取网页正文、标题、链接，保存为标准 Markdown 格式，直接进 Layer 1 的 raw 目录。等下次 Hermes Agent 定时整理时，会自动把这篇新文章纳入处理队列，判断是否需要提炼到 Layer 2。
适合临时看到的零散文章，不需要专门发给 Agent，随手保存，后续统一处理。
建立知识关联
当你完成了某个主题的阅读，想要串联知识点时，告诉 Agent：
“帮我把最近的 AI Coding 相关内容整理一下，建立关联。”
Agent 会：
扫描 wiki/concepts/ 下所有相关页面
用 [[wikilinks]] 把相关概念串联起来
对照 SCHEMA.md 检查是否符合规范
更新 index.md 加入新页面
写入 log.md 记录这次整理
定时自动更新
Hermes Agent 内置了 cron 定时任务功能，可以完全托管知识库的日常维护。
你只需要设置一次，告诉 Agent：
“每天早上 8:30 自动整理我的 Wiki，包括：检查断裂链接、更新 index 和 log。”
Agent 会自动创建定时任务，每天准时执行：
扫描 wiki/ 下所有页面，检测断裂 wikilinks 并自动修复
补充缺失 frontmatter 的页面
清理空文件
更新 index.md 页面列表
追加 log.md 操作日志
你不需要每天手动触发，知识库每天早上自动"编译"一遍，保持健康状态。
定时追踪技术博客和公众号更新
Hermes Agent 配合 RSS 订阅，可以自动追踪你关注的技术博客和公众号，有新文章时自动摄入 Wiki。
你只需要告诉 Agent：
“每天下午 3 点检查我订阅的技术博客，有新文章就存进 Wiki 的 Layer 1，并告诉我更新了哪些。”
Agent 会：
读取预设的 RSS 订阅列表（保存在 ~/wiki/.feeds 或 Agent 的 memory 里）
检查各源是否有新文章（对比上次检查时间）
有新文章时，下载并保存到 raw/articles/02-技术/ 对应分类
通过飞书消息推送今日更新摘要
支持的订阅类型：
技术博客
：任意提供 RSS 的网站（如 https://example.com/rss.xml）
公众号文章
：通过 RSSHub 将公众号转为 RSS 格式订阅
知乎专栏
：同样通过 RSSHub 转换
设置一次之后，Agent 每天自动跑，不需要你盯着。
五、如何查询知识库
Wiki 建好之后，查询有三种方式，按场景从简单到深入：
- 直接问 Hermes Agent
最简单的方式。直接问：
“我的 Wiki 里关于费曼学习法是怎么定义的？”
“我读过哪些关于专注力和工作效率的书？”
“Hermes Agent 和 OpenClaw 的核心差异是什么？”
Hermes Agent 会读取对应页面内容，结合 wikilinks 的关系网络，给出精准回答，比关键词搜索强得多。
- 通过 index.md 按图索骥
index.md 是整个 Wiki 的目录。按类型（entities/concepts/comparisons/queries）组织，每个页面一句话说明。可以快速浏览某个领域有哪些已知内容。
适合"我知道这个领域但不确定 Wiki 里有没有"的场景。
- 让 Agent 做深度知识发现
最有价值的用法——让 Agent 发现你自己都没意识到的关联：
“我在 AI Coding 和个人成长这两个领域分别沉淀了什么？有没有可以互相启发的地方？”
“我的知识库里有没有相互矛盾的观点？”
“我最近一个月新增了哪些知识点，和之前的内容有哪些潜在联系？”
这种跨页面、跨主题的深度检索，是传统笔记工具根本做不到的事情。
六、使用 Obsidian 查看和同步知识库
LLM 是程序员，Obsidian 是 IDE
把整个知识库系统类比一下编程开发：
LLM = 程序员
：负责读懂、推理、生成、编译知识。你告诉它"我要查某个知识点"，它编译整个 Wiki 的关系网络给你精准答案。
Obsidian = IDE
：负责人类阅读和浏览 Wiki 的界面。VS Code 之于代码，正如 Obsidian 之于 Wiki——你用它来看、搜索、跳转、管理页面。
所以 Hermes Agent + LLM Wiki 的使用方式应该是：Hermes Agent 负责编译（写入和检索），Obsidian 负责展示（随时阅读）。
在 Obsidian 中打开 ~/wiki/ 目录，Wiki 的所有目录结构、wikilinks、backlinks 图谱、关系图谱（Graph View）都完整保留。你可以在 Obsidian 里随意翻阅、搜索、跳转，享受原生笔记体验。
知识被自动构建成网络方便查询
手机上也能看
Obsidian 有 iOS 和 Android App，在手机和平板上安装后，用同一仓库打开 ~/wiki/，随时随地翻阅自己的知识库。
适合的场景：
通勤时随手翻一个概念页
睡前浏览今天新增的知识点
开会前快速检索某个方法论的定义
多设备同步：Obsidian Sync（付费） vs 飞书云文档（免费）
同一份 Wiki 在 Mac 电脑、iPad、手机上都能看，需要同步。方案有两种：
方案 A：Obsidian Sync（每月 $5，约 35 元）
Obsidian 官方同步服务，买完直接用：
优点：原生集成、最省心、自动解决冲突
缺点：要花钱，且数据存在 Obsidian 的服务器上
适合人群：不想折腾、要省心的用户
方案 B：定时同步到飞书云文档（免费）
不想花钱的话，可以让 Hermes Agent 每天定时把 Wiki 打包同步到飞书云文档：
“每天晚上 10 点，把我的 Wiki 同步到飞书云文档，生成一个每日备份链接。”
Hermes Agent 配合飞书 CLI 可以自动完成这个操作，完全免费，飞书多端也能查看。
优点：免费，数据在自己飞书里
缺点：需要配置、Wiki 的 wikilinks 变成飞书格式（不再是双向链接）
适合人群：已经在用飞书的团队和个人
七、为什么选择 Hermes Agent 来建立知识库
有人可能会问：LLM Wiki 的方法论是 Karpathy 提出的，用任何 Agent 都能实现，为什么要特别选 Hermes Agent？
答案在于 Hermes Agent 的两个独特能力，是其他方案根本做不到的。
- Agent 自己学会用 Wiki，不需要你教
大多数 Agent 系统，你需要手写一套 prompt 模板，告诉它"遇到什么情况该怎么做"、把 Karpathy 的 gist 内容发给它、告诉它如何建目录结构。
Hermes Agent 不同，它本身就内置了 llm-wiki skill（0.8.0 及以上版本内置）。此外还有自进化 skill 机制——Agent 在完成任务的过程中，可以把自己学会的方法论写成 skill 文件存下来，下次遇到同类任务自动调用。
体现在知识库上：你不需要给 Agent 写一份"如何使用 LLM Wiki"的说明书。Agent 会自己读 SCHEMA.md、自己理解目录结构、自己学会正确的 wikilink 格式。等它跑过几轮之后，它对 Wiki 的理解和操作方式已经在 skill 里沉淀好了——你以后每次和它对话，它天然就知道该怎么维护你的知识库。
这不是配置出来的，是进化出来的。
- 定时任务自动"编译"知识库
Hermes Agent 内置 cron 定时任务，可以完全托管知识库的日常维护。
你可以设置每天早上 8:30 自动执行知识库整理——扫描断裂链接、修复 frontmatter、清理空文件、更新 index 和 log。整个过程你完全不需要介入，早上醒来直接看飞书推送的摘要。
这解决了一个根本问题：知识库最大的敌人不是建不起来，而是建起来之后没人维护。用了几周之后页面开始变得混乱、链接断了没人管、新内容进不去——最后又回到"收藏夹吃灰"的老路。
Hermes Agent 的定时任务让知识库每天自动"编译"一遍，每次都有健康检查和修复，确保积累的时间越长，关系网络越密，而不是越来越乱。
总结
LLM Wiki 不是另一个笔记软件，而是一种知识管理的思维方式：
用文件夹替代标签，用 wikilinks 替代分类
Layer 1 保留原始素材，Layer 2 沉淀加工知识
所有页面用纯文本 Markdown 存储，永不过时
配合 Hermes Agent，让知识库随使用自动进化
建一个 Wiki 不难，难的是坚持把每一次学习和思考都沉淀进去。而 Hermes Agent 能帮你做到这一点——你只需要告诉它"我今天读到了什么"，剩下的整理和关联工作，Agent 帮你完成。
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～
