Hermes + Obsidian + LLM Wiki 搭建本地知識庫

原始來源與檔名：20260514_2026-05-14T093749+0800-Hermes+Obsidian+LLM Wiki搭建本地知识库.md

前言/背景

這套方案的核心架構是「增量式 Wiki 建構 (Incremental Wiki Building)」。與傳統 RAG 每次查詢都臨時組裝上下文的方式不同，LLM Wiki 的理念是讓 AI 在每次攝入文件時，就主動地將知識「結構化」並「持久化」為相互關聯的 Wiki 頁面。Hermes Agent 充當這套管線的「執行引擎」，基於明確的語意觸發（寫入知識庫 vs 結合知識庫）來控制知識的寫入與讀取，避免了系統在日常對話中不必要的 I/O 雜訊。這是一種將「知識整理的認知負擔」徹底外包給 AI 的架構設計。

章節詳細總結

  1. 核心痛點的解決方案：
    • 解決了傳統筆記系統的三大痛點：手動整理耗時、筆記間孤立缺乏關聯、每次問 AI 從零開始沒有累積（且耗費大量 Token）。
    • 核心目標：你只管輸入文件，AI 自動整理為結構化知識網路；你只管提問，AI 從你的知識庫中回答。
  2. 三工具協同架構：
    • LLM Wiki：定義知識庫的「資料結構標準」。規範了 raw/sources（原始素材）、wiki/entities（人物、工具）、wiki/concepts（方法論）、wiki/index.md 等目錄結構，確保 AI 增量構建時有一致的格式。
    • Hermes Agent：作為「自動化執行引擎」。它內建了 llm-wiki skill，能接收語意指令（「寫入知識庫」）後，自動提取文件中的實體、概念，創建 Markdown 文件並建立雙向連結。
    • Obsidian：作為「展示層」。將由 AI 生成的 Markdown wiki 資料夾直接作為 Vault 開啟，利用其雙向連結 (Wikilinks) 與 Graph View 進行知識瀏覽與視覺化。
  3. 明確的觸發語意控制：
    • 這是確保知識庫不被汙染的關鍵設計。Hermes 必須在用戶明確說出「寫入知識庫」時才進行攝入，「結合知識庫」時才進行檢索。日常對話不觸碰知識庫，保持其純粹性。

總結與結論

這套架構將傳統 RAG 的「向量化→相似度查詢」轉換為「結構化知識萃取→持久化 Wiki→精確查詢」。它的本質優勢在於知識的「累積性」：每次導入新文件，現有的 Wiki 頁面不只是被索引，而是被真正地豐富與更新，不同文件對同一概念的描述會匯聚到同一個節點，矛盾之處會被標記。這使得知識庫隨時間推移越來越聰明，而不是單純地越來越大。