AI 知识库系统调研——Hermes + Obsidian + LLM-wiki 三工具联动
系列总索引 | 作者：AI 技术调研团队 | 更新日期：2026-06-09
定位：工程师实践指南，非学术综述 | 共 10 篇文档
系列简介
这个系列诞生于一个真实痛点：通用大模型不认识”你”。它不知道你的笔记、你的代码仓库、你的历史对话，也无法跨会话记住你说过什么。2026 年，随着 Andrej Karpathy “compile knowledge into a wiki” 范式的爆发、MCP 协议成为 AI 工具集成事实标准、以及 Claude Code 深度嵌入 Obsidian 的 Claudian 项目出现，个人 AI 知识库的工程实践迎来了关键拐点。
本系列聚焦三个核心工具的联动方案：Hermes（AI Agent 记忆与闭合学习循环）、Obsidian（Vault 结构化知识存储与 Local REST API）、LLM-wiki（Karpathy 编译范式知识提炼）。三者分别承担”经验积累”、“持久化存储”、“知识提炼”三个角色，构成一套可自我迭代的个人 AI 知识库系统。
目标读者：有 AI 工具使用经验、希望构建私有知识库的工程师；关注 RAG/向量数据库/MCP 协议的开发者；Obsidian 重度用户想引入 AI 自动化的知识工作者。读者无需深厚的机器学习背景，但需要具备基本的 Python/CLI 操作能力。
三工具速览
| 工具 | 角色定位 | 核心能力 | 官方链接 |
|---|---|---|---|
| Hermes (Nous Research) | AI Agent 记忆层 + 闭合学习循环 | 三层记忆架构（MEMORY/USER/SOUL）、Skills 生态、Obsidian 深度集成 | Nous Research |
| Obsidian | 核心知识存储 + 双向链接图谱 | Vault 结构设计、Local REST API（端口 27123）、Dataview 查询、Git 工作流 | obsidian.md |
| LLM-wiki / claude-obsidian | 知识提炼 + AI 自动化写作 | Karpathy 编译范式、Zero-RAG、15 个 Claude Code Skills、AI 自组织 Vault | claude-obsidian |
2026 年最重要发现
1. Karpathy LLM Wiki 模式爆发
Andrej Karpathy 提出”compile knowledge into a wiki”范式——把 RAG 的”查询时检索”改为”提前编译”，降低 token 消耗，提升知识质量。这一理念在 2026 年 4 月引发数十个开源项目跟进，包括 llm-wiki-compiler（1,486⭐）、karpathy-llm-wiki（1,027⭐）、swarmvault（531⭐）等。
2. Claudian（12,534⭐）把 Claude Code 嵌入 Obsidian
claude-obsidian（6,397⭐，2026-04）提供 15 个 Claude Code Skills，实现 AI 自组织 Vault——Claude 不再只是助手，而是直接成为 Obsidian 的”写作者”，能自主创建、链接、整理笔记。Claudian 社区生态进一步把这一能力封装为一键安装体验。
3. MCP 成为事实标准（658+ 项目）
Model Context Protocol 从 Anthropic 的内部协议演变为 AI 工具集成的通用标准。Obsidian MCP 生态已有 658+ 相关项目，knowledge-base-server 实现了 7 层 Pipeline，n8n 通过 MCP 节点连接几乎所有主流 AI 服务。任何希望做 AI 自动化的知识库方案，现在都应该优先考虑 MCP 接口。
4. knowledge-base-server 7 层 Pipeline 将知识摄取拆分为 7 个独立阶段（摄取→清洗→分块→嵌入→索引→检索→生成），每层可独立替换，大幅降低私有知识库的工程复杂度。这一架构思路已成为 2026 年 RAG 工程的最佳实践参考。
5. Zero-RAG 趋势兴起
MeMex-Zero-RAG 等项目验证了”无嵌入无向量库，纯 Markdown+Git”的极简路线——对于个人知识库场景，精心维护的纯文本 Wiki 在召回质量上有时优于向量检索。这一趋势与 Karpathy 编译范式高度吻合，提示工程师在引入复杂向量基础设施前先评估 Zero-RAG 的适用性。
文档地图
| 编号 | 文档 | 核心内容 | 适合读者 | 预计阅读时间 |
|---|---|---|---|---|
| 00 | AI 知识库系统总览与设计哲学 | 系统架构、设计原则、双消费层、系列导航 | 所有读者（必读） | 15 分钟 |
| 01 | Hermes-Agent 深度解析 | 三层记忆（MEMORY/USER/SOUL）、Skills 生态、Obsidian 集成、闭合学习循环 | Hermes 用户、Agent 开发者 | 20 分钟 |
| 02 | Obsidian 作为 AI 知识库核心存储 | Vault 结构设计、AI 插件配置、Local REST API、Dataview 查询、Git 工作流 | Obsidian 用户、知识工作者 | 20 分钟 |
| 03 | LLM-wiki 智能知识生成 | Karpathy 编译范式、claude-obsidian（6.4K⭐）、Zero-RAG、GraphRAG | 工程师、内容创作者 | 20 分钟 |
| 04 | RAG 技术原理与知识库实践 | Embedding 原理、向量数据库选型、高级 RAG、Obsidian 增量索引、本地部署 | RAG 开发者、ML 工程师 | 25 分钟 |
| 05 | 三工具联动架构设计 | 完整数据流、Hermes 内部架构、Obsidian API 集成、LLM-wiki 提炼、触发机制 | 系统架构师、全栈工程师 | 25 分钟 |
| 06 | 知识摄取 Pipeline 设计 | 多源摄取、网页摄取、AI 会话经验提取、去重合并、完整 HermesPipeline 代码 | 后端工程师、自动化爱好者 | 25 分钟 |
| 07 | MCP 协议与知识库 AI 自动化 | MCP 协议原理、Obsidian MCP 生态（658+ 项目）、Claudian、knowledge-base-server、n8n 工作流 | DevOps、自动化工程师 | 20 分钟 |
| 08 | 可迭代知识库的工程设计 | 知识腐烂问题、生命周期状态机、置信度系统、贝叶斯更新、AI 反馈闭环 | 工程团队 Lead、知识架构师 | 20 分钟 |
| 09 | AI 知识库开源项目全景图 | AnythingLLM（61K⭐）、mem0（58K⭐）、Khoj（35K⭐）、Reor、向量数据库对比、技术栈推荐 | 选型决策者、所有读者 | 30 分钟 |
推荐阅读路径
快速上手（30 分钟）
适合：想快速了解这套方案能解决什么问题、是否值得投入时间深入
- 00 - 总览与设计哲学（15 分钟，建立整体认知）
- 09 - 开源项目全景图（15 分钟，了解生态现状与选型）
工程实践（完整路径，约 3.5 小时）
适合：决定动手构建、需要系统性理解每个组件
按编号 00 → 01 → 02 → 03 → 05 → 06 → 07 → 04 → 08 → 09 顺序阅读。其中 04（RAG 原理）可在阅读 06 遇到疑问时回头查阅。
特定需求路径
Hermes 用户（已在使用 Hermes Agent）： 01 → 05 → 06 → 07
Obsidian 用户（希望给 Obsidian 加 AI 能力）： 02 → 03 → 07 → 05
RAG 开发者（在做向量检索/知识库工程）： 04 → 06 → 08 → 09 → 03（了解 Zero-RAG 替代思路）
快速开始（Quick Start）
以下是用 Obsidian + Claude Code 搭建最小可用 AI 知识库的最短路径：
# 1. 安装 Obsidian Local REST API 插件（在 Obsidian 社区插件中搜索）
# 2. 启用插件后默认监听 http://localhost:27123
# 3. 安装 claude-obsidian Skills（需要 Claude Code）
npx claude-obsidian install
# 4. 验证 API 连通性
curl http://localhost:27123/vault/
# 5. 在 Claude Code 中召唤知识库写入
# Claude 将自动把对话中的关键知识写入 Obsidian Vault如果只想体验 Zero-RAG 极简方案（无需向量数据库）：
# 维护一个 Markdown Wiki 目录，用 llm-wiki-compiler 编译
npm install -g llm-wiki-compiler
llm-wiki compile --source ./notes --output ./wiki系列文档总览统计
| 统计项 | 数值 |
|---|---|
| 文档篇数 | 10 篇（含本 README） |
| 估计总字数 | ~80,000 字 |
| 覆盖开源项目 | 40+ 个 |
| 涉及 GitHub Stars 总量 | 250,000+ ⭐ |
主要技术栈覆盖：
- AI 框架：LangChain、LlamaIndex、Haystack、Fabric
- 向量数据库：Chroma、Qdrant、Weaviate、FAISS、LanceDB、pgvector
- 知识库平台：AnythingLLM、Khoj、Quivr、Reor、mem0
- Obsidian 插件：Smart Connections、Obsidian Copilot、Text Generator、Local REST API
- 自动化工具：n8n、MCP Server、Hermes Agent
- 编译/提炼工具：claude-obsidian、llm-wiki-compiler、karpathy-llm-wiki、swarmvault
- 协议标准：Model Context Protocol (MCP)、Obsidian REST API
本系列文档基于 2026 年 6 月的技术生态编写，GitHub Stars 数据来源于 2026 年 4 月 GitHub API 采集。