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。
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。
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。
作者苍何介绍了开源项目 WeChatBridge（微信流）的 iOS 版本发布。该工具可将微信聊天记录批量转发给 Codex、Claude Code 等各家 Agent 进行总结分析，也可沉淀到 Obsidian 作为个人知识库。作者分享了借助 Claude Code 和 Kimi K3.1 Pro 开发 iOS 版的过程：先让模型制定详细计划和技术文档，再照文档执行，6 个多小时完成了原计划 18 个工作日的工作。文章强调"别跟它聊需求，跟它定验收"的 Agent 开发心得，并详细介绍了 iOS 版的收、存、投功能，包括分批收集超过 100 条消息、场景化提示词、隐私安全设计等。
作者分享了一套基于苹果快捷指令与 Grok Bot Webhook 的知识自动入库方案进阶版。通过将微信聊天记录合并转发到快捷指令，再经临时网盘 filebin 上传文件生成公网链接发给 Bot，实现聊天记录、截图、录音等内容的自动整理与收录进知识库。文章详细介绍了快捷指令的配置方法（图床 ID、Webhook 地址与密钥）、Mac 与手机端收录聊天记录的操作步骤、单独调用方式（Raycast、菜单栏、操作按钮），以及隐私注意事项和密钥安全提醒。该流程还可灵活改造用于其他用途。
本文是 Nous Research 开源个人 AI Agent Hermes 的深度配置教程。作者从私人助理定位出发，介绍了 Hermes 的核心能力：通过 /learn 学习资料生成技能、后台复盘积累经验、旧会话检索、子任务委派与审阅等。文章对比了 Hermes 与 Grok Bot 的差异，强调 Hermes 在模型自选、数据自主掌控和可迁移性上的优势。教程涵盖各平台安装与模型接入步骤、工作区目录规划、.hermes.md 资料管理约定、工具集按职责开启、Firecrawl 网页服务配置等最优设置，并预告后续将分享 5 个私人助理实用 Skill 及海外玩家的生活场景 AI 用法。
作者金尘马分享了一个实用方案：通过 Hermes 为微信单独配置一个专用 Agent，在微信聊天框发送文字即可自动保存到 Obsidian 笔记库，并同步到 GitHub。文章详细介绍了准备工作、Agent 规则配置、微信 ClawBot 连接步骤，并提供了一套完整的一键配置提示词，可交给 Codex 或 WorkBuddy 自动完成配置。整个方案成本低、操作简单，大幅降低了随手记录的摩擦。
本文是一篇面向小白的保姆级教程，介绍如何将 Hermes（一个常驻电脑或服务器的 AI 执行助手）安装到 Linux/macOS 上，接入 openai-codex 模型和个人微信，实现通过手机微信远程给家里的机器派任务。文章详细讲解了整条链路：安装 Hermes、登录 Codex 订阅并选择模型、扫码连接微信、审批配对、验收测试等步骤，并提供了常见问题的排查方法。作者还分享了自己的实际用例，如定时读取邮件生成日报、操作远端文件、执行终端任务等，并提醒用户注意安全，避免使用 root 运行、不交出敏感密钥。
本文介绍如何使用 Tailscale 将 MacBook 与家中的 Linux AI PC、Mac mini 和 Windows 设备组成一张私人加密网络，实现随时随地远程办公。教程从 Tailscale 的核心功能（Devices、Taildrop、Ping、MagicDNS、Exit Nodes 等）讲起，逐步讲解四台设备的安装登录流程，并分别演示 MacBook 通过 SSH 连接 Linux、通过屏幕共享或 SSH 连接 Mac mini、通过远程桌面或 SSH 连接 Windows 的完整步骤，适合新手从零搭建跨系统的远程访问环境。
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。
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。
本文介绍了本地部署 AI Agent Hermes 的强大功能与应用，包括接入微信、知识库管理、自我进化等特性。文章详细提供了 Windows 环境下的部署教程，涵盖模型配置、微信接入及常见问题解决方案，展示了其在 OCR、记账、多端协同等场景的实战效果。
本文介绍了一套基于 Hermes Agent、Obsidian 和 LLM Wiki 的本地自动化知识库系统。通过 Hermes 的自动化引擎，用户只需下达指令，系统即可自动提取文档实体与概念，按规范生成 Markdown 文件并建立双向链接。Obsidian 负责可视化和展示，构建出持久积累、完全本地化的知识网络，解决了传统笔记软件信息孤岛和 AI 无记忆的问题。
