Appearance
Hermes + Obsidian + LLM Wiki：搭建一个「会自己长大」的本地知识库。本地存储，双向链接，知识不断积累、自我生长。
痛点：你的知识管理是不是这样
| 痛点 | 现象 |
|---|---|
| 存了找不到 | 推特上看到好文，复制粘贴存进 Notion，三个月后翻半天找不到 |
| 笔记孤立 | 每篇笔记之间是孤立的，不知道「Agent」在其他所有地方出现过 |
| 重复提问 | 问 AI 问题，每次都从零开始，上周研究过的今天又要重新说 |
| 数据不安全 | 笔记存在别人服务器上，哪天服务关了数据就没了 |
这些问题，LLM Wiki 都能解决。
核心理念
Karpathy 提出理念，Nous Research 落地。
| 对比 | RAG | LLM Wiki |
|---|---|---|
| 方式 | 被动检索 | 主动积累 |
| 记忆 | 每次从零 | 持续维护 |
| 知识 | 碎片拼接 | 结构化网络 |
一句话：你把文档丢给 AI，AI 自动整理成结构化的知识网络。
RAG 的根本问题：每次都在失忆
什么是 RAG
RAG = 检索增强生成（Retrieval-Augmented Generation）
| 步骤 | 操作 |
|---|---|
| 1 | 把文件丢进去 |
| 2 | LLM 查询时检索相关片段 |
| 3 | 拼起来生成回答 |
NotebookLM、ChatGPT 文件上传、各种企业知识库产品，底层都是这套。
RAG 的问题
RAG 是「被动检索」——你问了才找，找不到就像不存在。
| 问题 | 现象 |
|---|---|
| 没有积累 | 上周研究过的全忘了 |
| 重复提问 | 今天问的和上周一样 |
| Token 浪费 | 每次从零开始 |
LLM Wiki 的思路
Karpathy 的反转方案
不是查询时临时检索，而是让 LLM 增量构建并维护一个持久化的 Wiki。
LLM Wiki 的行为
每加入一份新资料，LLM 会：
| 行为 | 说明 |
|---|---|
| 提取关键信息 | 读资料，提炼要点 |
| 整合进 Wiki | 把新知识整合进已有的 Wiki |
| 更新实体页面 | 更新相关实体的页面 |
| 修订主题摘要 | 修正和补充主题概述 |
| 标记矛盾 | 标记新旧数据的矛盾 |
| 补充引用 | 补充交叉引用 |
知识是「编译一次，持续维护」。
三合一架构
┌─────────────────────────────────────────────────────────────┐
│ Hermes + Obsidian + LLM Wiki │
├─────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────┐ │
│ │ Hermes │ ← AI Agent（理解、整合、生成） │
│ │ Agent │ │
│ └──────┬──────┘ │
│ ↓ │
│ ┌─────────────┐ │
│ │ NLP │ ← 自然语言处理（双向链接、NLP） │
│ │ 引擎 │ │
│ └──────┬──────┘ │
│ ↓ │
│ ┌─────────────┐ │
│ │ Obsidian │ ← 本地存储（Markdown、双向链接） │
│ │ 本地文件 │ │
│ └─────────────┘ │
│ │
└─────────────────────────────────────────────────────────────┘三者分工
| 组件 | 职责 | 说明 |
|---|---|---|
| Hermes Agent | 理解 + 整合 | 理解文档内容，提取知识，整合进 Wiki |
| NLP 引擎 | 链接 + 推理 | 建立双向链接，发现关联，推理新知识 |
| Obsidian | 存储 + 展示 | 本地 Markdown 存储，双向链接图谱 |
LLM Wiki 的特点
双向链接
| 特点 | 说明 |
|---|---|
| 自动发现关联 | 自动发现笔记之间的关联 |
| 双向跳转 | A 提到 B，B 里也有 A 的引用 |
| 图谱可视化 | Obsidian 的图谱视图 |
知识图谱
| 能力 | 说明 |
|---|---|
| 实体识别 | 识别笔记中的实体 |
| 关系抽取 | 抽取实体之间的关系 |
| 动态更新 | 新文档加入时自动更新图谱 |
增量更新
| 场景 | 行为 |
|---|---|
| 新文档加入 | 提取新知识，更新已有页面 |
| 矛盾发现 | 标记矛盾，提示用户 |
| 补充引用 | 自动补充交叉引用 |
与传统知识管理对比
| 维度 | 传统笔记 | RAG 知识库 | LLM Wiki |
|---|---|---|---|
| 存储 | 本地/云端 | 云端 | 本地 |
| 链接 | 手动 | 无 | 自动 |
| 积累 | 无 | 碎片化 | 结构化 |
| 更新 | 手动 | 被动 | 主动 |
| 记忆 | 无 | 每次从零 | 持续 |
适合谁
| 推荐 | 场景 |
|---|---|
| 知识工作者 | 需要管理大量文档 |
| 研究者 | 需要跨文献关联 |
| 开发者 | 需要整理技术文档 |
| 写作者 | 需要积累素材和观点 |
不适合谁
| 不推荐 | 原因 |
|---|---|
| 少量文档 | 额外开销不划算 |
| 临时查找 | 用搜索就行 |
| 实时协作 | 多人编辑复杂 |
一句话总结
LLM Wiki = 让 AI 养一个 Wiki，「编译一次，持续维护」，解决 RAG 每次从零的失忆问题。
核心价值：
- 知识不是碎片，而是结构化的网络
- 不是被动检索，而是主动积累
- 不是存在别人服务器上，而是本地存储
三合一：Hermes（理解整合）+ NLP（链接推理）+ Obsidian（存储展示）。
