花了整整两天我把推特收藏的200多篇文章全导进了一个本地知识库。不是手动分类不是打标签是AI自动帮我提取关键概念、建立双向链接、生成结构化的Wiki页面。整个过程我就做了一件事把文件丢进去。以前用Notion存笔记存了几百篇但这些笔记之间是孤立的。根本不知道「RAG」这个概念在我收藏的其他5篇文章里也出现过。每次想查点什么得手动翻半天最后还是找不到。更烦的是每次问AI问题它都从零开始搜索临时拼凑答案。没有积累没有记忆Token还废掉一半。现在这套系统解决了这些问题。四个核心优点•完全自动化你不需要手动整理笔记AI自动帮你做•本地存储数据永远属于你自己不会上传到任何服务器•持久化积累知识会不断积累不是每次从零开始•只需提问你只需要提问和探索其他交给AI三个工具各有分工这套系统由三个工具组成每个工具负责不同的环节。工具一Obsidian笔记展示层核心能力本地双向链接笔记工具完全免费跨Windows、Mac、Linux三平台。最核心的特点是双向链接。适合人群需要管理大量笔记、构建个人知识库的开发者、研究者、内容创作者。特别适合那些厌倦了Notion等在线工具、想要数据完全本地化的人。怎么用在笔记里输入两个方括号比如[[Claude-Code-笔记]]Obsidian会自动把它变成一个紫色链接。如果这篇笔记存在点击就能跳转如果不存在点进去就会创建它。就这么简单。它不需要你手动维护Obsidian自动帮你建立关系。Graph View可以把所有笔记和它们之间的链接关系可视化成一张图一眼就能看到知识结构看到哪些节点是孤岛哪些是枢纽。实测效果我导入了200多篇技术文章Obsidian自动建立了1000多个双向链接。以前找一个概念要翻10分钟现在点一下链接就到了。踩坑经验Obsidian本身不支持AI整理需要配合其他工具使用。另外Graph View在笔记数量超过500时会有点卡建议定期清理无用的孤立节点。安装命令访问 obsidian.md[1] 下载对应系统版本安装后创建一个Vault本质就是一个文件夹把笔记文件夹拖进去就行。工具二Hermes Agent自动化执行引擎核心能力Nous Research开发的自主AI代理内置学习循环能从经验中创建技能、改进技能。在这套知识管理工作流里Hermes承担的是自动化执行引擎的角色。它内置了llm-wiki skill可以直接按LLM Wiki的文件结构规范操作知识库。适合人群需要自动化处理大量文档、不想手动整理笔记的开发者和技术人员。特别适合那些已经有一定技术基础、熟悉命令行操作的人。怎么用你不需要手动创建文件夹、整理笔记、添加双向链接。你只需要告诉Hermes「把这篇文章写入知识库」Hermes就会自动完成以下操作• 提取文档中的关键实体人物、工具、项目• 提取核心概念方法论、技术原理• 创建结构化的Markdown文件• 添加双向链接连接相关概念• 更新知识库索引这里要强调一个重要的使用规则只有当你明确要求的时候Hermes才会操作知识库。具体来说• 当你说「写入知识库」「导入知识库」「把这个文件放进知识库」的时候Hermes才会执行导入操作• 当你说「结合知识库」「查一下知识库」「根据知识库回答」的时候Hermes才会去检索• 日常的普通对话Hermes不会主动去动你的知识库这样做的好处是什么你的知识库不会被无关的对话污染。只有真正需要结合知识内容的提问才会触发检索。实测效果我导入了一篇5000字的技术文档Hermes在30秒内完成了提取、整理、建链的全过程。生成的Wiki页面包含了5个实体文件、3个概念文件以及它们之间的双向链接。踩坑经验首次使用需要配置知识库目录和使用规则否则Hermes可能会误操作。另外对于特别长的文档超过1万字建议分段导入否则提取效果会打折扣。安装命令source工具三LLM Wiki知识库标准核心能力一套知识库文件结构规范不是独立应用。它定义了如何组织知识让AI增量构建一个持久化的Wiki。适合人群需要长期积累知识、构建个人知识体系的研究者和技术人员。特别适合那些想要一个结构化、可检索、可持续增长的知识库的人。怎么用你导入一篇文档系统不会只是索引一下就完事。它会真正理解这篇文档提取里面的关键实体、概念、关系然后生成或更新对应的Wiki页面。这些Wiki页面会保存在本地。随着你导入的文档越来越多这个Wiki会越来越丰富。页面之间会形成引用和关联矛盾的地方会被标注。当你再提问的时候不需要从原始文档里临时拼凑了Wiki里已经有了结构化的知识直接基于Wiki回答就行而且会标注来源。实测效果我导入了50篇技术文章生成了200多个Wiki页面。现在问AI任何技术问题它都能从知识库中找到相关文档给出有来源的答案。踩坑经验LLM Wiki需要配合Hermes Agent使用单独安装没有意义。另外Wiki页面的质量取决于导入文档的质量垃圾进垃圾出。安装命令访问 GitHub nashsu/llm_wiki[2]在Releases找到最新版本下载macOS的DMG或App tar.gz文件解压后把LLM Wiki App拖到应用程序文件夹。完整工作流演示现在把三个工具串起来看。第一步下达指令比如你说「把这篇AI写小说的文章写入知识库」。这句话里有明确的动作「写入知识库」所以Hermes知道需要执行知识库写入操作。第二步Hermes自动整理Hermes通过内置的llm-wiki skill自动完成以下操作• 读取文档内容• 提取关键实体人物、工具、项目• 提取核心概念方法论、技术原理• 创建结构化的Markdown文件• 添加双向链接连接相关概念• 更新知识库索引和日志全程不需要你动手。第三步文件结构生成Hermes会按LLM Wiki规范创建文件knowledge_base/ ├── raw/sources/ # 原始文章 ├── wiki/entities/ # 实体文件工具、人物 ├── wiki/concepts/ # 概念文件方法论 ├── wiki/index.md # 知识库索引 └── wiki/log.md # 更新日志每个文件都包含元数据标签、创建时间、核心内容、双向链接指向相关页面。第四步Obsidian展示知识网络打开知识库目录把它作为Vault拖进Obsidian。现在你就拥有了一个由AI精心整理过的知识库。双链网络可以自由浏览Graph View可以看到知识点之间的关联强度。第五步无限循环这个过程可以无限循环。每次导入新文档知识网络都会自动更新。已有的页面会被补充新的信息与新内容矛盾的地方会被标注。不同文档里提到的同一个概念会被关联到同一个Wiki节点上。久而久之知识库会变得越来越准确越来越丰富。使用规则三条说「写入知识库」Hermes来整理当你有新的文档需要管理产品文档、会议记录、学习笔记、技术方案你只需要告诉Hermes「把这篇文章写入知识库」全程不需要你动手。说「结合知识库」Hermes来检索当你需要基于资料库来回答问题比如「根据我们已有的产品文档介绍一下我们的技术架构」你加上「结合知识库」这几个字Hermes就会检索知识库中的相关文档AI整合之后给你一个完整的回答并且标注来源。Obsidian随时可用wiki目录可以直接拖进Obsidian当Vault使用。双链跳转、Graph View、全文搜索所有Obsidian的功能随时可用。所有内容都是纯Markdown可以在任何工具之间迁移。这套系统用了2个月最大的感受是知识不再是孤岛了。以前存的笔记存完就忘了。现在每导入一篇新文章整个知识网络都会自动更新旧笔记和新笔记之间自动建立联系。你不需要手动整理不需要手动分类只需要把文件丢进去AI帮你搞定一切。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】