我用 Hermes、GBrain 与 LLM Wiki 搭了一套 AI 编辑部：内容生产全流程实践

我用 Hermes、GBrain 与 LLM Wiki 搭了一套 AI 编辑部：内容生产全流程实践

基于 Hermes、GBrain 与 LLM Wiki 的内容生产自动化实践

创作者的“绝望循环”与破局

如果你是一个独立研究者、技术博主或 Newsletter 作者，你一定对这种“绝望循环”深有体会：

你每天都在疯狂地摄入信息——听了 3 档播客，精读了 2 篇长篇论文，随手在手机上保存了 10 篇行业分析文章。你把它们统统塞进 Notion、Cubox 或 Readwise 里。 但在周末，当你坐下来准备写一篇深度长文时，你面对着成堆的高亮和标签，脑子一片空白。

为什么？因为收集信息不等于建立知识，检索信息也不等于生成内容。 维护一个庞大且相互关联的知识库（比如 Zettelkasten 卡片盒），其更新交叉引用、写摘要和建索引的工作量，感觉就像在打第二份工。

用 Andrej Karpathy 的话说：“知识库中最繁琐的部分是记账工作，而不是阅读。”

当你花费 80% 的精力在做笔记的“排版和连线”时，留给真正思考和写作的精力就只剩 20% 了。你需要的是一个“人工编辑”——一个能帮你阅读所有原材料、找出内在联系、整理成结构化大纲，并时刻记住你个人写作视角的智能体。

今天，通过串联 Hermes Agent、GBrain 和基于 Obsidian 的 LLM Wiki 这三个开源工具，我们完全可以打造出一条“自维护知识库 + 自动内容生产”的全栈管线。

一、三件套的角色分工：重塑内容生产管线

在这个全自动化编辑部里，人类和 AI 的分工被彻底重构：人类负责策划来源和提出好问题，AI 负责所有的摘要、交叉引用、归档和一致性维护。

它们是如何配合的？

1. LLM Wiki = 静态知识编译层（事实百科）

你的 Obsidian 笔记不再是“写完就死”的文本，而是一个会被 AI 反复“编译”的 Wiki。你把 100 篇关于“大模型推理”的论文 PDF 丢进 raw/ 文件夹。LLM Wiki 会自动阅读它们，更新现有的概念页面，提炼出核心观点，并打上 [CONFLICT] 标签来标记两篇论文之间相互矛盾的地方。 它的产出： 一部永远最新、交叉引用完美的个人百科全书。

2. GBrain = 动态个人语境引擎（私人视角）

如果 Wiki 是客观世界，GBrain 就是你的主观视角。 GBrain 最震撼的旗舰功能是 book-mirror（书籍镜像）。当你把一本新书（比如 20 章的技术专著）丢给 Agent 时，GBrain 会花费约 $6 的 API 成本，为你生成一个双列逐章分析报告：

• 左列：保留章节的客观核心内容与金句。
• 右列：根据你 GBrain 中的个人历史、正在做的项目、过去的思考，用你大脑中的语言把每个想法映射到你自己的生活和创作中。 它的产出： 带有极强个人色彩和洞察的研究素材。

3. Hermes = 自动化执行主编（调度与学习）

Hermes 是那个不知疲倦的主编。当你把一个 YouTube 链接发给它时，它会调用工具下载字幕，然后去查 LLM Wiki 看看有没有相关概念，接着去查 GBrain 寻找你的个人视角，最后把合成的洞察写成一篇 Newsletter 草稿。 更可怕的是，它会在你睡觉时自我进化。

二、实际工作流演示：从输入到输出的“零摩擦”

让我们看看这套系统在真实的一天中是如何运转的。

场景一：移动端的“零摩擦”摄入

灵感和好文章往往出现在你没带电脑的时候。通过为 Hermes 配置 Telegram Bot 网关，你的手机就成了超级输入端。

• 动作：你在通勤时看到一篇长文，直接把 URL 发给你的 Telegram Bot。
• 系统处理：远端运行的 Hermes 接收到链接 → 提取干净的正文 → 生成摘要 → 自动将其整合进你的 Obsidian LLM Wiki 中 → 更新实体页面、全局索引 index.md 和操作日志 log.md。
• 视频处理：你可以发送一条语音：“帮我扫描一下油管主页，把前三个关于 AI Agent 的视频拉下来放到 NotebookLM 里，摘要存入 Wiki。”——一条指令，素材准备就绪。

场景二：Brain-Augmented（大脑增强）研究

当你开始研究一个新选题时，传统的做法是打开 Perplexity 或 Google 重新搜索。但你会搜出大量你早就知道的废话。

• 动作：在命令行或 Discord 里输入："用 Perplexity 研究多智能体协作话题，但结合我的大脑语境，只返回我不知道的新内容。"
• 系统处理：GBrain 会先提取你知识库中关于“多智能体”的已有认知，作为上下文前置发送给 Perplexity。
• 输出：你得到的不是一份泛泛而谈的科普，而是一份高度定制的报告，包含：执行摘要、关键新进展、对你原有认知的确认信号、矛盾更新、以及推荐写入大脑的新知识。

场景三：自我进化的用户画像

最让人起鸡皮疙瘩的是 Hermes 的自我学习循环。 一位创作者在使用该系统一周后，打开了底层的 USER.md 文件。他发现 Hermes 每隔 10 轮对话就会进行一次“记忆回顾”，它在后台默默写下了 7 条关于该创作者的用户画像：

• 倾向于从商业而非纯技术的角度分析 AI 工具。
• 写作风格喜欢先抛出痛点（通常是 3 个），再给解决方案。
• 经常在周二晚上收集灵感，周四早晨要求输出大纲草稿。 (注：创作者从未明确对 AI 提过这些要求，这是 Agent 观察行为推断出的。)

因为有了这些“潜意识记忆”，Hermes 帮你起草的文章，会越来越像你亲自写的。

三、实操指南：搭建创作者的自动化管线

不要被“全栈”两个字吓倒，对于个人研究者，这套系统的起步成本极低。以下是完整的配置路径。

Step 0：低配技术栈准备

作为个人创作者，不需要昂贵的云服务器，一台日常工作的电脑即可：

• Hermes Agent：接入 OpenRouter，按 API 用量付费。
• LLM Wiki：基于本地 Markdown 文件夹，存储零成本。
• GBrain：使用 PGLite 本地引擎（低于 500 页知识时免配置、全免费）。
• Obsidian：作为可视化界面的查看器（免费）。

Step 1：搭建 Hermes + Telegram 移动网关

让手机能随时与你的大脑对话是内容生产的第一步。

1. 安装 Hermes：

   Bash

   npm install -g hermes-agent
   hermes setup # 交互式配置，填入你的 OpenRouter API Key
   

2. 去 Telegram 搜索 @BotFather，输入 /newbot 申请一个机器人，获取 Token。

3. 启动 Hermes 网关并绑定：

   Bash

   hermes gateway --telegram [YOUR_BOT_TOKEN] --allowed-users [YOUR_TG_USER_ID]
   

注：务必设置 allowed-users，防止陌生人向你的个人大脑中写入垃圾数据。

Step 2：建立三层 Wiki 目录与 Schema 宪法

打开 Obsidian，创建一个新 Vault（比如叫 MyBrain），建立以下目录结构：

text

├── raw/         # 不可变来源区（存放网页剪藏、PDF、转录稿，只进不改）
├── wiki/        # LLM 编译产物区（概念、人物、合成报告）
└── CLAUDE.md    # 核心 Schema 宪法文件

在 CLAUDE.md 中写下创作者的核心规则：

Markdown

# My LLM Wiki Schema
维护者：Hermes Agent。策展人：我（人类）。
1. 每次摄入 raw/ 中的新文章后，必须提炼核心概念更新到 wiki/concepts/ 目录下。
2. 每个 wiki 页面必须至少包含 2 个 [[wikilinks]] 指向其他页面。
3. 如果发现两篇来源观点矛盾，不要覆盖，打上 [CONFLICT] 标签。
4. 每次操作必须在 wiki/log.md 中追加一行日志。

Step 3：激活 GBrain 并运行 Book-Mirror

当你的基础 Wiki 跑通后，引入 GBrain 来处理深度映射。

1. 在本地初始化 GBrain（使用轻量级 PGLite 引擎）：

   Bash

   gbrain init --engine pglite
   gbrain import --source obsidian ~/MyBrain/wiki  # 将现有知识导入图谱
   

2. 体验最强功能： 将一本 PDF 书籍转换成文本放入 raw/，然后对 Hermes 下令：

   "调用 GBrain 的 book-mirror 技能分析这本书。结合我的大脑语境，为我做逐章的双列映射，右侧重点关注如何将这些理论应用到我正在写的『AI 生产力』专栏中。"

Step 4：配置“无人值守”的内容生产 Cron 管线

这是真正区分“玩具”与“操作系统”的一步。利用 GBrain 的 Cron 任务，建立两条自动运转的管线。

管线 A：大脑改进型 Cron（负责维护知识库健康）

Bash

# 每天早上 6 点，自动摄入昨天存进 raw 文件夹的所有素材并编译到 Wiki
gbrain cron add --skill daily-research-digest --schedule "0 6 * * *"
# 每周日深夜，执行深度 lint 检查，清理孤儿页面和断裂的链接
gbrain cron add --skill wiki-lint-deep --schedule "0 3 * * 0"

管线 B：内容执行型 Cron（负责生成输出素材）

Bash

# 每天下午，监控特定的 RSS 和 Twitter 关键词趋势
gbrain cron add --skill trend-monitor --schedule "0 15 * * *"
# 每周一早晨 8 点，自动根据上周的高频知识点，生成本周 Newsletter 选题大纲
gbrain cron add --skill weekly-newsletter-drafter --schedule "0 8 * * 1"

Step 5：使用 Obsidian Graph View 进行可视化验证

工作一周后，在 Obsidian 中按下 Cmd+G 打开知识图谱。 你不用再因为看到满屏“孤立的节点”而焦虑了。由于 Hermes 严格遵守了 Schema 中的强制交叉引用规则，你会看到一个极其健康的图谱：

• 孤儿节点（无人引用的笔记）< 10%。
• 核心概念节点（如“Agent 架构”）会有密集的入链。
• 配合标签颜色编码（color my graph by tag），你能清晰地看到知识是如何从“生肉（Raw）”向“成熟洞察（Synthesis）”流动的。

四、结语：你不再是“打字员”，而是“主编”

当这套系统运转起来后，你的内容生产体验将发生根本性的改变。

你不再是一个被各种未读文章追着跑的焦虑者，也不再是一个在卡片盒里苦苦寻觅链接的“打字员”。

你成了一家拥有无限精力的“媒体集团”的主编。

你只需要在 Telegram 里抛出有趣的链接，用语音记录下瞬间的灵感。剩下的记账、梳理、防遗忘、初步综合，全部由 Hermes 和 GBrain 在你睡觉时完成。等你坐到电脑前，面对的不再是白纸，而是一份已经高度整理、打满标签、并融入了你个人独特视角的深度草稿。

不要让阅读成为一种负担，不要让笔记成为知识的坟墓。把人工编辑的工作还给开源系统，把纯粹的思考与创造，留给自己。