Hermes Agent 进阶：获得一个共同成长的长期记忆伙伴
本文探讨了如何构建AI Agent的长期记忆系统，实现个人数字资产的沉淀与共同成长。作者通过实践总结出，记忆管理不仅是数据堆砌，而是需要对数据进行分层处理。作者提出了四层记忆架构：以Obsidian作为核心数据底座，Hermes自带记忆作为热数据层，Honcho推导长期偏好，以及AI进行深度发散推理。核心理念强调用户才是数据主人，通过区分事实与个人思考，在保留原始数据真实性的同时，让AI更好地理解和辅助用户。
相关文档
国产 Muse？LightVela 保姆级教程：5 分钟搭一个会记忆、能接微信、还能自己干活的 AI Agent
本文是一篇 LightVela 平台的保姆级教程，教读者从零搭建一个类似 Meta Muse 的 Personal AI Agent。LightVela 是腾讯轻量云团队推出的云端 Agent 托管产品，核心是 Hermes Agent，无需自建服务器。教程涵盖八个步骤：创建 Hermes Agent、接入微信等聊天通道、配置可更换的大模型（DeepSeek、Qwen、Claude 等）、通过 SOUL.md 定义人设、培养长期记忆、安装 Skill 扩展能力、设置定时任务让 Agent 主动干活，以及使用云存储管理资料。作者强调模型只是可更换的'大脑'，Agent 本体才是核心，并提醒用户注意操作审批和密钥安全。文章指出 AI 正从偶尔打开的聊天框演变为长期在线、了解用户、持续工作的 Agent。
2026 我的 Obsidian 完整分享
作者 Jackywine 基于六年重度使用经验，全面分享 Obsidian 知识管理体系的万字长文。文章回顾了自己从疯狂装 47 个插件、反复删库重建的「工具崇拜」弯路，到形成成熟使用方法的历程；汇总并点评了多篇入门教程与论坛精华；介绍了 Obsidian 的创始人故事、本地 Markdown 数据持久性理念、双链优先于分类的核心思想、2500+ 插件生态，以及与 Notion、Logseq、Roam 的对比；最后结合 Karpathy 用 LLM 构建知识库的实践，探讨了 AI Agent 时代 LLM-Wiki 的知识管理新范式。
一人媒体公司实操指南：六个 AI 角色的分工系统
文章介绍如何用六个分工明确的 Hermes AI 机器人加共享知识库，构建一人媒体公司的完整内容生产闭环。系统采用四层基础设施（Bot Mode、独立档案、Obsidian 知识库、Kanban 看板），六个角色分别为信号侦察、研究员、内容策略师、长文作者、分发和编辑，各自遵守职责契约。关键机制包括可检查的结构化交接、人类保留编辑边界批准权、数据反哺系统迭代。文章还给出 8 步 MVP 落地路径，强调自动化应消除重复决策而非消除个人品味。
出门不带电脑也能调用家里的知识库：MacBook + Mac mini + iPhone 协同保姆级教程
作者分享了一套将 MacBook、Mac mini、iPhone 三台设备打通的完整方案：Mac mini 作为 24 小时常开的“主脑”运行 Hermes 并接入微信，MacBook 作为操作端负责开发与写作，iPhone 作为遥控器通过微信指令和 SSH 远程控制。核心工具为 Syncthing（知识库同步）、Tailscale（跨网络组网）和 SSH（远程控制），全部免费。文章详细讲解了设备互信、文件夹共享、防休眠设置、Tailscale 与国内代理（Clash/Surge）共存等配置步骤，并总结了设备已连接但文件夹非共享、Clash 配置校验失败、DNS 冲突等踩坑经验，新手可照做跑通。
Give Hermes A Second Brain With Obsidian
本文介绍如何利用 Obsidian 为 AI 助手 Hermes 构建一个“第二大脑”，使其能够访问工作所需的全部上下文。文章详细说明了从创建空 vault、让 Hermes 自动搭建结构，到通过访谈填充身份文件、设置上下文规则、建立路由表，以及实现捕获模式和夜间编译的完整流程。核心思想是区分原始素材（Raw）和编译知识（Wiki），让 AI 在回答前先读取相关文件，从而减少重复解释、提高回答质量。
MemOS —— 给Hermes打造永续记忆
文章探讨了如何利用 MemOS 插件为 Hermes Agent 构建长期记忆系统。作者指出，单纯的模型能力不足以支撑持续成长的 Agent，关键在于记忆的组织与沉淀。MemOS 通过全量写入、语义切块、去重合并、混合检索及任务归纳等机制，将对话转化为结构化的经验记录，并配合可视化面板实现了记忆的本地化管理。这使得 Hermes 能够记住用户习惯与上下文，从“一次性工具”进化为“越用越顺手”的生产力系统。
Hermes Agent 完全上手指南：会自己进化的 AI Agent
这是一份关于 Hermes Agent 的深度上手教程。文章介绍了 Hermes 相比 OpenClaw 的核心优势：具备自我进化能力，能从任务中自动创建和优化 Skills，以及拥有强大的 SQLite 全文搜索记忆系统。教程涵盖从环境准备、安装配置、基础对话，到进阶的消息网关配置、定时任务、记忆训练，再到高级的 MCP 服务器集成、多 Profile 管理、浏览器自动化及语音交互等 15 个实践任务，帮助用户全面掌握这一开源 AI Agent 框架。
AI Agents Need More Than Memory. They Need Experience: Testing EverOS Cloud
作者实测 EverMind 的 EverOS Cloud——一个定位为 Agentic AI 的记忆操作系统。文章指出 RAG 式对话检索不等于经验提取，EverOS 将记忆分为 Episodes、Profiles、Cases、Skills 四类。作者用 Python API 模拟 FFmpeg 渲染报错（width not divisible by 2）场景：仅提交对话叙述只产生 Episode；提交完整的 tool_calls 执行轨迹后，系统成功生成结构化 Agent Case，并可用不同措辞的新查询检索到该 Case。测试验证了'执行轨迹→Case 提取→语义检索'链路，但 Skill 的生成与端到端复用仍待验证。作者认为 agent 记忆的价值在于保留可复用的工程经验，而非扩大上下文窗口。
Why Instinct feels Magical：逆向工程一个百亿美元级 AI Agent 产品
作者通过逆向工程分析 AI Agent 应用 Instinct 为何体验如此出色。Instinct 是免费、邀请制的个人助理，直接运行在 iMessage 和 WhatsApp 上，让不懂技术的家人也能轻松使用。文章拆解了其 Harness 架构：采用单线程对话模型，由主对话 Agent 负责人格、记忆与上下文管理，任务 Agent 负责具体执行；使用 git 跟踪的 Markdown 文件做记忆存储而非向量数据库；支持非循环式消息交互，用户无需等待即可继续发消息。作者认为 ChatGPT/Claude 的多线程模式是历史包袱，并称赞 Instinct 通过 Gmail 集成、克制的信息风格和大胆超配资源的产品策略，实现了真正的个人助理体验。
WeChatBridge：微信聊天记录与 AI 应用桥接的开源工具
作者为解决群消息爬楼、客户聊天复盘、内容存入知识库等痛点，开源了 WeChatBridge（微信流）工具。该工具可将选中的微信聊天记录转发到 Codex、Claude Code、豆包等 AI Agent，也可存入 Obsidian 或剪贴板。支持为不同聊天群配置不同处理场景和提示词，配合 Skill 读取文章、PDF 等生成摘要，并保留操作记录便于二次转发。工具不主动读取微信、本机处理数据，由用户自主选择转发目标。项目基于 Dukou 开源项目二次开发。
写在 MusicBridge 之后：我为什么没做图书同步工具，而是整理了一套严肃阅读工作流
作者在 MusicBridge 出圈后，本打算如法炮制开发电子书跨平台同步工具，但深入思考后发现听歌是单点需求，而严肃阅读是涵盖找书、格式处理、阅读器选择和笔记沉淀的完整链条。文章梳理了一套严肃阅读全链路工作流：以微信读书、得到电子书作为日常阵地；用 Z-Library 和 Anna's Archive 破解资源壁垒；利用 AI Agent 和开源 Skill（scanned-pdf-to-epub）将扫描版 PDF 重构为出版级 EPUB；推荐 BabyReader 和乔木阅读器等独立阅读器；最后用 flomo 与 Obsidian 实现轻重结合的知识内化。
一篇速通入门：重新理解 AI Agent 的一切
本文从 LLM 基础原理出发，循序渐进讲解 AI Agent 的底层机制。作者首先解释大模型如何通过 Token 预测生成文本，说明无状态、幻觉和知识截止等现象的根源；接着阐述多轮对话依赖上下文拼接实现的原理；进而介绍工具调用如何让模型影响外部世界，以及模型结合工具反馈形成闭环后 Agent 的诞生。文章提出 Agent = Model + Harness 的工程视角，剖析 Harness 在上下文管理、记忆系统、上下文压缩等方面的职责，帮助读者建立对 AI 能力边界的底层认知，摆脱对新工具的 FOMO 焦虑。
