2 Hermes Workflows I can’t live without

原始來源與檔名：2026-07-14T092152+0800-2 Hermes Workflows I can’t live without.md

SOURCE | 資訊源評估

• 準確性: 中高 - 作者 (@0xJeff) 分享了自己實際使用 4 個月的 Hermes AI 代理工作流，特別是在量化投資與資訊彙整領域的實戰經驗，具備高參考價值，但高度依賴特定付費 API (如 X Premium, Hindsight, AgentCash)。
• 易理解性: 中 - 文章結構為實戰案例分享，雖然沒有深入底層代碼，但涉及許多幣圈/量化投資的專有名詞 (Alpha, Onchain, MCP, Cron jobs)，對非相關領域讀者有一定門檻。
• 閱讀策略建議: 若你是 AI Agent 開發者或投資者，建議重點關注其「資料來源多樣化」與「外部記憶 (External Memory)」的架構設計；若為一般讀者，可從中學習如何利用 AI 建立自動化的資訊吸收管線。

NAPKIN | 餐巾纸

餐巾纸公式

高品質決策 = (多源數據自動化收集 + 外部記憶沉澱) × 跨維度交叉驗證 (Onchain vs Sentiment)

AI 代理的價值不在於單次對話，而在於它能不眠不休地執行排程任務，並建立起專屬的資訊交叉比對網路。

一句話

作者利用 Hermes 建立自動化的投資研究流，透過每日彙整 X 平台分析師觀點、追蹤鏈上籌碼流向，並結合外部記憶與輪替的資訊源，打造出一個防同溫層的個人量化研究團隊。

餐巾纸草图

[Cron Jobs]
   |--> X Analysts (Grok Alpha) ----+
   |--> X Bookmarks (Tier 1-3) -----+--> [Top 10 Synthesis] --> [Hindsight Memory]
   |--> Rotating Sources (Arxiv) ---+        |
                                             v
[Onchain Forensics]                      [Discord]
   |--> Whale Movements -------------+       ^
   |--> Token Distribution ----------+--> [Cross-Check]
   |--> Cookie MCP (Sentiment) ------+

NAPKIN | 餐巾紙

餐巾紙公式

N/A

一句話

N/A

餐巾紙草圖

N/A

ROUND 1: SKELETON | 骨架掃描

“这本书在说什么”

• 核心问题: 資訊過載且演算法常常隱藏有價值的資訊，投資者如何有效率地獲取高品質 Alpha 並監控鏈上資產的安全？
• 核心答案: 透過 Hermes 代理建立自動化工作流，結合定時任務 (Cron Jobs)、外部記憶 (Hindsight) 與特定工具 (MCP)，打造全天候的資訊彙整與鏈上監控系統。
• 论证结构: 實戰案例型 (先闡述痛點，再分享兩大核心工作流的實作細節與所需工具)。

章节骨架

1. 改變的契機: 從手動依賴多個 LLM，轉變為讓 Hermes 調用工具並由人類進行交叉驗證。
2. 工作流 1: Alpha 資訊追蹤: 利用 Cron jobs 自動彙整 X 分析師動態與書籤，並結合外部輪替資源防範同溫層，最終沉澱至外部記憶。
3. 工作流 2: 鏈上鑑識 (Onchain Forensics): 自動監控代幣籌碼分布與巨鯨動向，並與社群情緒進行交叉比對，判斷買賣時機。
4. 加碼推薦 (Bonus): 介紹 Exa Monitors 作為自動化的雷達搜尋工具。

ROUND 2: DISSECTION | 血肉解剖

“凭什么这么说”

论证链

X 平台演算法導致漏失重要資訊 / 手動追蹤鏈上數據太耗時 --> 使用 Hermes 設定定時任務抓取特定分析師與書籤 / 監控特定智能合約 --> 引入輪替資訊源防範同溫層 / 結合社群情緒交叉比對 --> 每日自動推送高價值摘要至 Discord，提升投資決策品質

关键证据

1. 資訊流的具體實踐: 追蹤 11+ 位分析師，將每日 5-15 個書籤分級，並產出 Top 10 總結。
2. 交叉驗證邏輯: 當「鏈上持續拋售」但「社群情緒正面」時代表有問題；當「社群情緒負面」但「鏈上持續流入」時代表有人在偷偷建倉。
3. 工具鏈的具體組合: X Premium (Grok)、DeepSeek v4 Pro (總結)、Hindsight (記憶)、Nansen/BlockRun (鏈上)、Cookie MCP (情緒)。

隐形假设与边界

• 隐形假设:
  • 使用者願意支付多種 API 與服務訂閱費 (X Premium, AgentCash, Hindsight 等)。
  • 被追蹤的分析師與資訊源產出的內容確實具有「Alpha (超額收益價值)」。
• 边界条件:
  • API 穩定性: 這種高度依賴外部工具 (MCP) 與 API 的工作流，只要其中一個節點失效或改版，就會導致排程任務中斷。
  • 情緒與數據的延遲: 鏈上數據與社群情緒的判讀可能存在時間差，導致 AI 做出錯誤的推論。

ROUND 3: SOUL | 靈魂提取

“还能怎么用”

• 作者盲点: 作者設計了複雜的資訊輸入與記憶沉澱機制，但並未提及如何評估這套系統的「準確率」。即：這套系統推薦的 Top 10 Alpha，最終轉化為實際投資報酬的比例有多高？
• 知识连接:
  • 這套工作流的本質就是一個小型的 ETL (Extract, Transform, Load) 數據管線，只不過負責 Transform 的 LLM，且具備理解語義的能力。
  • 結合「輪替外部資訊源 (Rotating external sources)」來對抗演算法同溫層，是一種極佳的資訊膳食平衡 (Information Diet) 策略。
• 行动触发:
  • 盤點自己每天必看的 5 個資訊源，嘗試使用自動化工具 (如 Zapier, n8n 或自建 Agent) 將其彙整並推送至自己的通訊軟體。
  • 在研究任何項目時，建立「交叉比對」的習慣 (例如：官方說法 vs 實際數據)。

留白提問 (Guided Reflection)

• 作者為了防止自己陷入同溫層，設計了讓 AI 每天隨機讀取論文、對沖基金信件等不同來源。你自己的資訊攝取管道中，有什麼機制能確保你不會只聽到你想聽的聲音？
• 如果明天這些付費 API 全數斷線，你的個人知識管理或投資決策系統會完全癱瘓嗎？

跨域映射

• 在 資料工程，这叫 自動化 ETL 與資料倉儲 (Data Warehousing)。
• 在 情報學，這叫 全源情報分析 (All-Source Intelligence Analysis) 與三角交叉驗證 (Triangulation)。

DEEP READ | 精讀指引 (Must-Read Segments)

[!IMPORTANT] 學習的本質需要「認知阻力」。請親自回到原文閱讀以下核心段落，感受原始論述的阻力，不要只依賴 AI 的總結。

1. 1. Daily Grok Alpha Trackers…: 這一段非常精采，它展示了一個完整的 AI 代理人工作流設計：從特定來源抓取 -> 分級處理 -> 引入外部輪替資源防同溫層 -> 沉澱至外部記憶 -> 作為明天的上下文。這是構建「會成長的系統」的典範。
2. Onchain Forensics (Cross-checking logic): 作者分享的交叉比對邏輯 (Onchain dumps vs X positive sentiment) 是實戰經驗的淬鍊，展示了如何將不同維度的數據組合出具備決策價值的洞見。

2 Hermes Workflows I can’t live without (Architectural Deep Dive)

前言/背景

隨著 AI Agent 技術的成熟，投資者與研究人員不再滿足於手動查詢各個大型語言模型 (LLMs)。本文作者分享了他在過去四個月中，如何將「Hermes」這個 AI Agent 深度整合進其量化投資與研究工作流中。文章具體展示了兩個核心應用場景：建立每日 Alpha 資訊追蹤系統，以及自動化的鏈上資金鑑識 (Onchain Forensics)。其核心架構思維在於「多源數據彙整」、「外部記憶沉澱」與「跨維度交叉驗證」。

章節詳細總結

工作流 1：每日 Alpha 追蹤與資訊合成 (Daily Grok Alpha Trackers + X Bookmark + Alpha Synthesis)

• 架構決策與痛點：社交平台 (如 X) 的推薦演算法使得使用者難以穩定追蹤特定專家的觀點。為了解決這個問題，作者利用 Hermes 建立了一系列的定時任務 (Cron Jobs)。
• 資料管線設計 (Data Pipeline)：
  1. 特定來源監控：追蹤 11+ 位總經、股市與加密貨幣分析師，將其過去 24 小時的貼文進行摘要。
  2. 書籤自動分類：每日產生的 5-15 個書籤，由 Hermes 自動依據重要性分為三級 (Tier 1-3)。
  3. 防同溫層機制 (Rotating External Sources)：為了避免陷入資訊迴音室 (Echo chamber)，系統週一至週日會輪替抓取外部資源 (如 Arxiv 論文、對沖基金信件、衍生性商品數據)。
  4. Top 10 合成與記憶沉澱：將上述所有來源的資訊整合成「每日 Top 10 Alpha」，並將這些見解寫入外部記憶體 (Hindsight)，以此作為隔日工作流的上下文基礎。
• 技術依賴清單：
  • 需要 Grok 或 X Premium 訂閱以使用 x_search。
  • X API v2 處理書籤。
  • 推論模型：DeepSeek v4 Pro (因其具備成本效益與良好的摘要能力)。
  • 外部記憶提供者：Hindsight。

工作流 2：鏈上鑑識與交叉驗證 (Onchain Forensics)

• 架構決策與痛點：許多代幣專案在過去 1-2 年間透過 Launchpad 啟動，手動追蹤其代幣持有者分佈 (Token holders concentration) 與巨鯨動向非常耗時。
• 多維度交叉驗證邏輯 (Cross-Checking Logic)： 系統每日追蹤主要持倉的鏈上合約，記錄巨鯨的買賣轉移行為。其最核心的架構設計在於「將鏈上數據與社群情緒 (X Sentiment) 進行對比」：
  • 異常倒貨：如果鏈上數據顯示持續拋售 (Dumps)，但社群情緒卻是一片看好 (Positive)，系統會標記為潛在風險，需進一步調查。
  • 潛在建倉：如果社群情緒悲觀 (Negative)，但鏈上卻顯示持續資金流入 (Inflows)，則暗示可能有大戶正在提前佈局。
• 技術依賴清單：
  • 使用 x402 協議 (透過 AgentCash & BlockRun)。
  • 整合工具：Nansen, BlockRun SQL, Surf, Base RPC。
  • 社群情緒分析：Cookie MCP。

加碼推薦：監控雷達 (Bonus)

• 作者推薦了 Exa Monitors 與 Firecrawl 的監控功能，這類工具可以作為「搜尋雷達」，按照自訂的頻率 (每日或每小時) 自動推送相關的新聞與訊號，進一步擴充資料輸入源。

總結與結論

1. 從單次對話走向自動化管線：AI 的高階應用不再只是「一問一答」，而是透過 Cron Jobs 將多個 Agent 與工具串聯，形成持續運作的 ETL 數據管線。
2. 外部記憶 (External Memory) 是系統進化的關鍵：透過將每日提煉的 Top 10 摘要寫入外部記憶系統 (如 Hindsight)，Agent 能夠在隔天帶著先前的上下文進行推論，形成正向的學習飛輪。
3. 多維度數據的交叉驗證 (Triangulation)：在金融與投資領域，單一數據源極易受操弄。架構師應設計如「鏈上真實數據」對比「社群表象情緒」的驗證機制，以提高決策系統的強健度。
4. 系統性的防同溫層設計：在自動化資訊收集的架構中，必須刻意引入隨機性或輪替的外部資料源 (Rotating sources)，避免 LLM 推論陷入自我強化的迴音室效應。