Hermes搭RAG知识检索：Obsidian+Ollama+ChromaDB本地语义搜索搭建

核心痛点不是找不到文件，是想不起当时是怎么想的。用Hermes Agent + Obsidian + Ollama + ChromaDB搭建本地RAG，让所有笔记能用自然语言「问」出来。

为什么需要这个？

市面知识管理方案全都有硬伤：

方案	问题
文件夹分类	一个笔记可能同时属于多个主题，放哪都不对
标签系统	标签越加越多，最后忘了打了什么标签
全文搜索	搜"杠铃策略"找不到写过"塔勒布·杠铃"的那篇
纯人工记忆	不是20岁了，记不住

方案架构

Markdown 笔记库 (Obsidian)
       ↓
vectorize-leonhe.py (向量化脚本)
       ↓
Ollama qwen3-embedding:4b (生成 embedding)
       ↓
ChromaDB ~/vector_db/wiki (向量存储)
       ↓
query-wiki.py (语义查询) → Hermes Agent 调用

关键技术决策

1. 本地运行：数据不出机器，Ollama和ChromaDB都跑在本机
2. 增量更新：只向量化改动的文件，不是每次全量扫
3. 统一查询入口：不管来自Obsidian还是独立wiki，都走同一个查询脚本
4. 语义而非关键字：搜"怎么抗风险"能匹配到"杠铃策略""反脆弱"

核心代码

1. 向量化脚本

# ~/.hermes/scripts/vectorize-leonhe.py

def clean_markdown(content: str) -> str:
    """去掉 frontmatter、wikilinks、图片、URL，保留纯文本"""
    # 去掉 YAML frontmatter
    if content.startswith("---"):
        end = content.find("---", 3)
        if end > 0:
            content = content[end+3:]
    
    # 去掉 [[wikilinks]] 但保留文字
    content = re.sub(r'\[\[([^\]|]+?)\]\]', r'\1', content)
    
    # 清理空格
    return content.strip()

为什么这么清理？

• YAML frontmatter是元数据，搜标题不该匹配到tags字段
• wikilinks是链接语法，你要搜的是内容，不是 [[杠铃策略]] 这个字符串

2. Ollama Embedding API

def get_embedding(text: str) -> list:
    response = requests.post(
        "http://localhost:11434/api/embed",
        json={
            "model": "qwen3-embedding:4b",
            "input": text
        }
    )
    return response.json()["embeddings"][0]

3. ChromaDB增量存储

def store_embeddings(chunks, filepath, collection):
    """增量更新，只处理改动过的文件"""
    existing_ids = set(collection.get()["ids"])
    new_ids = set(chunk["id"] for chunk in chunks)
    
    # 删除已不存在的旧chunk
    stale = existing_ids - new_ids
    if stale:
        collection.delete(ids=list(stale))
    
    # 只添加新的chunk
    to_add = [c for c in chunks if c["id"] not in existing_ids]
    if to_add:
        collection.add(
            documents=[c["text"] for c in to_add],
            metadatas=[c["metadata"] for c in to_add],
            ids=[c["id"] for c in to_add]
        )

4. 语义查询入口

# query-wiki.py
def query_wiki(question: str, n_results: int = 5) -> list:
    query_embedding = get_embedding(question)
    results = collection.query(
        query_embeddings=[query_embedding],
        n_results=n_results
    )
    return results["documents"][0]

接入Hermes Agent

在Hermes的 SKILL.md 或自定义工具中配置查询入口：

# ~/.hermes/tools/wiki-query.yaml
name: wiki_query
description: 从个人笔记库语义搜索相关笔记内容
function:
  command: python3 ~/.hermes/scripts/query-wiki.py "{query}"
  args:
    query: string

之后就可以对Hermes说："帮我查一下我之前关于反脆弱的笔记"，它会自动语义检索到相关笔记。

效果

搜索方式	效果
关键字搜索"杠铃策略"	❌ 只匹配到标题包含的笔记
语义搜索"怎么抗风险"	✅ 能匹配到"杠铃策略""反脆弱""黑天鹅"等多篇笔记
搜索结果"理解笔记思路"	✅ 直接问出当时怎么想的，不只是找到文件

总结

这套方案的核心价值：

特点	说明
纯本地	数据不出机器，隐私安全
增量更新	效率高，不重复处理
语义搜索	问想法而非搜文件名
Hermes集成	自然语言当查询入口

从此再也不用担心笔记写成"数字遗物"了。

---

关键词：Hermes RAG, 知识管理, Obsidian, Ollama, ChromaDB, 语义搜索, 本地RAG, 向量化