知识管理

Hermes LLM Wiki知识库

2026 年 10 月 20 日

Hermes 内置 LLM Wiki 工具，可将散落的文档自动编译为结构化、可演化的知识网络。它通过语义分析提取概念与实体，增量构建持久 Wiki 库，并与 Obsidian 图谱联动。与传统 RAG 不同，LLM Wiki 具备记忆性、答案完整性与主动进化能力，支持命令行一键初始化及双向同步部署。

知识库自动生成：从文档到网络

Hermes 内置了 LLM Wiki 这套工具，能把一批文档自动编译成结构化的知识网络。文档越进越多，概念页之间互相引用，网络的密度自己往上长。知识库不用再自己动手，只管提问和翻看就行了。

解决文档割裂的根本痛点

用 LLM Wiki 的理由不在记笔记的习惯上，在文档本身。

文档、笔记、网页收藏，攒着攒着就散在各处，没有统一标准，想找一条得先猜它在哪个工具里。笔记软件、文档系统、AI 问答工具之间数据又是割裂的，谁也用不上谁。

靠手动整理去补，干过的人都有体会。耗时耗力，结构还僵，搜起来照样慢。更麻烦的是遗忘，几个月前看过的资料，早就不记得自己存过。

LLM Wiki 换了个做法。文档交出去，它自己读完、自己编成一张互相引用的网络，人要做的只是提问和翻看。

整条路走四步。文档先进去，大模型读完做语义分析，再提出概念、实体和它们之间的关系，增量地建成一个持久的 Wiki 库，最后接上 Obsidian，把这张网画出来。

这四步里我能插手的地方只有两步，第一步和最后一步。中间那两步是它自己走的。

与 RAG 的本质差异

关于知识库，之前讲过 RAG RAGFlow。两者确实都在解决「让 AI 用上我的资料」，但做法差得远。

📊 传统 RAG 对 LLM Wiki

记忆。RAG 没有，每次提问都从零开始；LLM Wiki 是持久的，一次一次往下攒

答案。RAG 给出的答案碎，因为它基于临时检索；LLM Wiki 是真正读完文档再整理

进化。RAG 被动，新知识进来它不主动更新；LLM Wiki 主动，增量更新已经存在的页面

差别最大的是最后一条。RAG 每次都是一次性的，问完就散。LLM Wiki 会留下东西，文档越多，页面之间引用的线越密，这张网自己会长。

还有一点不一样。这套东西整理的时候要过一套规则文件，哪些该写、哪些不能动、格式怎么定，都写在里面，库不会被写乱。

建库：一条命令启动全流程

Hermes 里内置了这套工具，不用另外去拉仓库装。直接输斜杠命令，它会一步步带着走。

/llm-wiki #引导式创建
/llm-wiki 创建知识库，关于****的话题

跟着提示选主题和路径，它就把骨架铺好了。

铺出来的东西比我想的细。

除了 SCHEMA.md、index.md、log.md 三个文件，还有 raw 和四个分类目录。raw 放原始资料，另外四个分别装实体、概念、对比和查询。

它还顺手做了一件事，把 WIKI_PATH 写进 /opt/data/.env。这样以后不管是定时任务还是从微信发起，都能自己找到这个库，不用每次报路径。

路径定在 /opt/data/home/wiki，落在我极空间的挂载卷里，这一点很关键，重启容器它也不会丢。

库在容器里，我平时在电脑上干活，还得让两边看到同一份东西。

极空间这个装法挂不了卷，走的是文档同步，把电脑上的一个文件夹和极空间里的 wiki 目录设成双向同步，改哪边都一样。

这一步不做也能用，但库就成了一个只能隔着网页看的东西。接上之后，我能在电脑上直接翻、直接改。

首次 ingest：15 篇笔记生成 16 个概念页

把 15 篇机器学习的基础笔记丢进 raw，让它跑第一次 ingest。

跑完它报了两组数。16 个概念页，从线性回归、决策树、聚类一直排到卷积和循环神经网络。还有 60 多处交叉引用，两两之间互相链上。

中间它自己修了三处引用对不上的地方，还把索引和日志一并更新了。

有一件事值得单说。我那批笔记的文件名带中文和大小写，跟它默认的小写连字符规则正好冲突，它没有硬套规则，而是保留了我的原样，只给新生成的页面用它的命名。

最后它在 Obsidian 里打开的图谱是两个簇。左边一簇是整理出来的中文概念页，右边一簇是我原来那些英文笔记，wikilink 把两簇连在一起。

Obsidian 中 LLM Wiki 生成的知识图谱 — ▲ 中英两簇，链在一起

知识库自主演进：从手动触发到自动更新

库建好只是第一步。我不想每次都手动喊它更新。

做法是建一个知识管理员的 profile，专门管这个库，再挂一个定时任务，raw 里有新内容或者有会话进来，就触发一次更新。

到这里，搬砖的活基本交出去了。我负责往里放东西，它负责把网编密。Hermes 可以调用知识库，我可以通过 Obsidian 查看知识图谱。

Hermes Agent

Pi Agent

CodeX

WorkBuddy

JOTO 企业落地观察

LLM Wiki 的增量更新与规则文件驱动机制，为企业 RAG 知识工程提供了可预期的治理路径：它不依赖人工反复清洗与标注，而是通过预设规则约束知识沉淀过程，降低因自由编辑导致的语义失真风险，适合需长期维护且责任明确的业务知识库。
该系统将知识网络构建与前端可视化（Obsidian）解耦，意味着企业可在不改变现有协作工具的前提下，叠加结构化知识能力。这对已有 Confluence 或 SharePoint 的团队而言，降低了知识工程的迁移成本与组织阻力。
LLM Wiki 在极空间 NAS 上的落地表明，其设计天然支持离线、低算力环境部署。这类轻量级知识引擎适合在安全隔离要求高、或网络条件受限的分支机构中，作为 FDE 驻场共创的知识基座原型快速验证。
知识库‘自动编译’而非‘临时检索’的特性，意味着企业需重新评估知识服务的 SLA 边界：它不再承诺单次问答响应速度，而是承诺知识网络的持续完备性与跨会话一致性，这对客服、培训等需长期记忆支撑的场景更具适配性。