Karpathy 风格的知识栈：为什么我将 Hermes、MiniMax M3 和 Obsidian 作为核心

大多数人将笔记、模型和智能体视为三个独立的世界

这个技术栈将它们融合为一个反馈循环：

Obsidian 作为你的记忆，Hermes 作为你的智能体，MiniMax M3 作为推理核心

为什么“知识栈”比“笔记应用”更强

经典的 PKM 在三个方面注定失败：

• 笔记写一次后就再也不更新
• AI 对话很聪明，但缺乏记忆——每次对话都从零开始
• 重要工作的上下文总是超出能力范围——无论是你还是模型

我们真正想要的是：

• 一个本地、可链接的知识图谱，包含我们所知的一切
• 一个生存在这个图谱内部（而非之上）的智能体
• 一个前沿模型，能够基于海量真实上下文进行推理，而不仅仅是两三段文字

Hermes + MiniMax M3 + Obsidian 为你提供了这一切：

• Obsidian —— 本地 Markdown 知识图谱，支持反向链接、图谱视图和专为个人知识库设计的插件生态
• Hermes Agent —— 自我进化的开源智能体，内置学习循环、工具和长期运行任务，部署在你自己的基础设施上
• MiniMax M3 —— 我每天在 Hermes 中实际运行的模型。长上下文、多模态、智能化。我选择它，是因为我想要一个模型能够在同一个上下文窗口中读取我的整个笔记库、日志和一摞新的原始文章——而无需我拼凑一个 RAG 管道。经过几个月的实际使用，它已成为我的默认模型。更多原因见下文

最终体验不再像“使用 LLM”，而更像在慢慢训练第二大脑

为什么我选择 M3（以及我注意到了什么）

我选择 M3 并非因为某个基准测试

我选择它，是因为我在 2025 年尝试的其他所有模型在我的工作流程中都有相同的失败模式：

它能够很好地总结单条笔记，但一旦我要求它阅读十条笔记、与我的 MOC 进行交叉引用并写回一条新笔记时，它就会失去线索

症状总是相同：

• 摘要局部连贯，但全局出错
• 引用了文件中实际不存在的项目
• 使用了来自不同分类法的标签
• 创建了一个指向不存在页面的维基链接

模型很聪明。但工作流程超出了模型的能力范围

M3 是我尝试的第一个模型，其中整个图谱都能放入上下文，并且在整项任务中保持稳定

在实际使用中，有三个突出点：

1. 它真正使用了我的分类法。我在一个固定架构中有大约 41 个标签（#coin/、#project/、#concept/*、#solana 内部、#meta）。当我要求 M3 编译一条新笔记时，它约 90% 的情况下能一次性选对主标签。

使用 200K 上下文的模型时，我大概只有 60% 的准确率。区别在于 M3 能同时看到整个标签景观并进行推理，而不是从少数例子中猜测。

1. 在长智能体循环中不会丢失线索。完整的笔记库检查涉及 30 多个工具调用：读取 MOC、跟随维基链接、统计标签、扫描重复项、撰写报告。

大多数模型在调用约 8-9 次后开始偏离。

M3 能保持连贯直到结束。这就是我不再每 20 分钟轮换一次会话的最重要原因。

1. 它将前向引用视为一种功能。当我要求它编译一条笔记而某个概念还不存在时，M3 仍然会写入前向引用。

Obsidian 会将其渲染为灰色链接。我每周在 lint 时处理一次。

这比模型要么伪造一条笔记要么完全跳过链接要好得多。

经过数月使用后的三个诚实注意事项：

• 首次调用延迟较高。Hermes 会预加载上下文。不要根据前 3 秒来判断 M3——给它 10 秒。
• 它会自信地写入一个指向不存在页面的 [[维基链接]]。这就是上面的“前向引用”行为。只有当你跳过每周 lint 时才会成为问题。
• 多模态是真实的，但对于图表密集的 PDF，我仍然会优先使用专门的视觉工具。M3 可以很好地读取图像和短截图中的文字。对于含有图表的整页内容，它不是合适的工具。

这就是全部主张。

这个模型恰好擅长笔记库工作流程所需的东西：一次性读取整个图谱并写回其中，同时不丢失结构。

第一层——Obsidian 作为事实来源

Obsidian 是这个技术栈中基础但至关重要的底层

• 你的知识以纯 Markdown 文件形式存储在磁盘上，而不是被锁定在某个人的云端
• 反向链接、图谱视图和每日笔记帮助想法汇聚成集群，而不是在聊天历史中消失
• 插件将 Obsidian 转变为一个可编程的文档、任务和数据集图谱，智能体可以系统化地遍历

原则很简单：

如果值得保留，就优先存放在 Obsidian 中 如果智能体做了有用的事，结果应该成为一条笔记

一个实用的结构：

1/obsidian-vault
2  /inbox
3  /people
4  /projects
5  /research
6    ai-agents.md
7    minimax-m3-benchmarks.md
8  /ai
9    hermes-playbook.md
10    agents-ideas.md

Hermes 会读取、重构和创建这些笔记——但笔记库仍然是事实来源

第二层——Hermes 作为自我进化的操作者

这是技术栈从“带 LLM 的笔记系统”转变为基础设施的地方

Hermes Agent 是由 @NousResearch 构建的自我进化 AI 智能体

它保持着你和你工作的持久模型，从经验中创建技能，在使用中改进技能，并搜索自己过去的对话以回忆相关上下文，而不是在每个会话中重置

你可以通过两种主要方式运行 Hermes：

• 作为 Linux、macOS 或 WSL2 上的 CLI 工具
• 通过 Hermes Desktop —— 适用于 macOS、Windows 和 Linux 的原生应用，将相同的智能体核心封装在 GUI 中

安装路径

macOS / Linux / WSL2（CLI）

以下一行命令将安装 Hermes Agent，设置环境，并暴露全局 hermes 命令

1curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

安装后：

1source ~/.bashrc 2>/dev/null || true
2source ~/.zshrc 2>/dev/null || true
3hermes

Windows PowerShell（CLI）

1irm https://hermes-agent.nousresearch.com/install.ps1 | iex

Windows 安装程序会处理 Python 3.11、Node.js 22、ripgrep、ffmpeg 和便携版 Git Bash，然后将 hermes 添加到你的 PATH

Hermes Desktop（GUI）

如果你不想在终端中操作，下载 Hermes Desktop 来自官方桌面页面，然后运行适用于 macOS、Windows 或 Linux 的原生安装程序。

• 当你想要原生 GUI 而不是 CLI 优先的设置、更简单的入门以及相同的 Hermes 核心而无需手动 shell 引导时，使用 Desktop
• 当你需要可重现性、脚本化、远程服务器/VPS 部署以及对工具、环境变量和长时间运行工作流的精细控制时，使用 CLI

大多数人会同时使用两者：使用 Desktop 进行日常交互，使用 CLI 进行设置、自动化和远程工作

架构——这个技术栈实际上是如何组合在一起的

清晰的思维模型：

1Obsidian Vault
2   ↓
3Hermes Agent
4   ↓
5MiniMax M3
6   ↓
7Updated notes, summaries, skills, scheduled jobs

每一层都有不同的职责：

• Obsidian 以 Markdown 文件形式存储你的笔记，便于索引、搜索、比较和版本控制
• Hermes 是编排层——它读取文件、运行工具、记住之前的工作、调度任务，并决定何时持久化有用的内容。它还可以连接到消息平台和网关
• MiniMax M3 是这个技术栈中的推理引擎。它读取大量笔记集合、重写混乱的笔记、比较笔记库中的文档，并处理长时间的智能体任务，而不会忘记 20 个工具调用之前的上下文
• 在我的工作流程中，最后一点是关键：完整的笔记库 lint、跨 MOC 重构，或一个包含 30 次调用的“将这篇文章编译成 5 节笔记并更新 3 个 MOC”的任务，都能从头到尾保持连贯
• “MSA 架构”的说法是营销话术。实际体验是：我可以运行一个任务 20 分钟，模型仍然记得我在第 1 分钟要求它做什么

Hermes 不是要取代 Obsidian。它位于你的笔记库和模型之间，将笔记库变成可操作的东西

一个实际的循环：

• 你在 Obsidian 中捕获原始想法
• Hermes 读取笔记库或特定文件夹
• Hermes 将相关的笔记集合发送给 MiniMax M3
• M3 重构、打标签、链接、总结或扩展材料
• Hermes 将结果以干净的 Markdown 写回笔记库

这个循环——而不是一次性对话——才是真正的产品

实际设置——将 Hermes 连接到你的笔记库

将你的 Obsidian 笔记库放在一个正常的文件系统位置，并将该路径暴露给 Hermes。

macOS / Linux

1export OBSIDIAN_VAULT="$HOME/Documents/Obsidian/MainVault"
2ls "$OBSIDIAN_VAULT"

Windows PowerShell

1$env:OBSIDIAN_VAULT="$HOME\Documents\Obsidian\MainVault"
2Get-ChildItem $env:OBSIDIAN_VAULT

现在运行 Hermes 设置向导：

1hermes setup

或者，通过 Nous Portal 走最短路径（自动提供商、工具网关等）：

1hermes setup --portal

官方文档推荐 hermes setup 作为主要的入门命令，--portal 作为账户和提供商关联配置的快捷方式

然后验证安装：

1hermes doctor

hermes doctor 会检查依赖项、PATH、提供商配置，并在你开始接入模型和工具之前标记常见问题

模型层——将 Hermes 连接到 MiniMax M3

Hermes 将“使用哪个模型”视为一等配置，而不是硬编码的假设。

你直接使用 Hermes 本身来选择和更新模型，而不是手动编辑配置文件。

主要命令：

1hermes model

这会打开一个模型选择流程，Hermes 会列出支持的提供商和模型，让你选择能够暴露 MiniMax M3 的后端

实际设置路径：

1. 安装 Hermes（CLI 或 Desktop）
2. 运行 hermes setup 或 hermes setup --portal
3. 运行 hermes model
4. 选择能够让你访问 MiniMax M3 的提供商路径
5. 将其保存为默认的长上下文模型

如果你已经知道你的环境变量和提供商格式，你也可以使用以下命令设置特定值：

1hermes config set

文档称 hermes config set 是无需手动编辑文件即可写入单个配置值的支持方法。

在我的日常设置中，M3 是任何我原本需要拆分成多次模型调用的任务的默认模型。具体来说：

• 读取大型笔记文件夹，答案依赖于图谱而不是任何单个文件时
• 合并重复或重叠的笔记——这是一个图谱问题，而不是文本问题
• 以我的语气编写结构化摘要和概述（5 节模板、41 标签分类法）
• 长研究链，上下文不断增长——开放式“编译，然后更新 3 个 MOC，然后写 3 个话题思路”任务
• 代码繁重的多步骤智能体任务，模型需要记住自己超过 20 次调用的工具历史

我在 Hermes 中保留了一个小型快速模型用于微小的实用操作（重命名文件、查找字符串、格式化 YAML）。

对于以上所有情况——使用 M3。大致分工是：机械任务用廉价模型，推理任务用 M3。几周后，路由会变得无形。

经验法则：

对于微小的实用操作，使用快速、廉价的模型。对于任何依赖大上下文、结构或长推理的任务，使用 MiniMax M3。这才是技术栈变得明显优于标准聊天的地方

工作模式——真正可扩展的文件夹

如果你希望这对真实用户有效，笔记库结构很重要。

一个实用的布局：

1MainVault/
2  Inbox/
3  Projects/
4  People/
5  Reading/
6  Daily/
7  Reviews/
8  AI/
9    Hermes/
10    MiniMax/

为什么这有效：

• Inbox/ 捕获原始捕获和粗糙的转储
• Daily/ 用于低摩擦的日常日志
• Reading/ 存放源笔记、高亮和引用
• Projects/ 存储持久的输出和正在进行的工作
• Reviews/ 存储每周和每月综合

Hermes 在每个文件夹有明确职责时效果最好。如果你的笔记库混乱，Hermes 仍然会有所帮助，但会花更多时间解读混乱而不是改进它

一个简单的操作规则：

• 人类自由地在 Inbox/、Daily/ 和 Reading/ 中书写
• Hermes 被允许总结到 Projects/、Reviews/ 和主题文件夹如 AI/ 中
• 长期笔记存放在稳定、可预测的文件夹中

这为智能体提供了权限边界，即使你从未在 YAML 中正式定义它们。

真正值得自动化的工作

*Hermes 最强的用例不是“回答一个问题” - 它们是重复性的转换*

具体例子：

• 将昨天的每日笔记转化为结构化摘要
• 将 10 条粗糙的阅读笔记合并为一条常青笔记
• 从项目文件夹中提取未解决的问题
• 从散落的笔记中构建每周回顾
• 将当前笔记与旧笔记比较，并标出观点变化

这就是 MiniMax M3 发挥价值的地方。

标准短上下文模型可以很好地总结单条笔记。

M3 可以总结一个包含 50 条笔记的文件夹，与我的笔记库中 10 个 MOC 进行交叉引用，并提出一个 1000 字的概述，真正使用我自己的语气和标签——因为它看到了整个图谱。

我最常运行的任务： 将一篇新文章放入 raw/，要求 M3 将其编译成一条 5 节笔记（#简介 → #研究背景 → #链接到笔记库 → #标签 → #相关），然后观察它：

• 正确地从我的 41 标签分类法中选出一个标签，
• 写入 8-12 个指向现有笔记的维基链接，
• 告诉我哪个 MOC 需要更新。

使用一个 200K 模型，我大概只能做对其中 3 个 使用 M3，我在一个包含约 500 个文件的笔记库上一次性全部做对 4 个

复合效应：我以这种风格编译的每条笔记都会成为 M3 下次回答问题的上下文的一部分。

在每周编译六个月后，模型“知道”我的语气、我的标签系统以及我为哪种工作更新哪些 MOC——无需我重新训练任何东西。

一个典型的终端流程：

1hermes

然后在 Hermes 内部，你要求执行以下任务：

• “阅读 Reading/AI Agents/ 中的所有内容，并创建一条名为 agent-architecture-overview.md 的合并笔记”
• “扫描近 7 天的 Daily/，并将每周回顾写入 Reviews/2026-W24.md”
• “在 Inbox/ 和 Projects/ 中查找重复的想法并提出合并建议”

具体措辞很灵活，但核心思想是：每个任务都映射到实际文件夹，并产生实际的 Markdown 输出

调度和无人值守工作

Hermes 不仅为聊天而构建，也为网关、调度器和后台执行而构建

这一点很重要，因为最好的 PKM 工作流通常是异步的，而不是临时的。

有用的定时任务：

• 每天早上 08:00 —— 将昨天的笔记总结为 Reviews/ 中的每日摘要
• 每周五 —— 从 Daily/ 和 Projects/ 生成每周回顾
• 每天一次 —— 扫描孤立笔记和结构问题
• 每晚 —— 将新的阅读高亮转化为原子笔记并进行链接

架构上的转变很大：

• 聊天答案会消失
• 定时笔记维护会产生复合效应

随着时间的推移，这种复合效应正是将“只是笔记”转变为真正的第二大脑的关键

从头到尾的完整实际路径

1. 安装 Hermes

macOS / Linux / WSL2：

1curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

Windows：

1irm https://hermes-agent.nousresearch.com/install.ps1 | iex

Desktop：

• 从官方桌面页面 下载 Hermes Desktop，然后在 macOS、Windows 或 Linux 上运行原生安装程序。

2. 配置智能体

1hermes setup
2# 或
3hermes setup --portal

3. 验证健康状况

1hermes doctor

4. 选择你的模型

1hermes model

选择暴露 MiniMax M3 的提供商路径，并将其保存为长上下文工作的默认模型。

5. 启动 Hermes 并付诸实践

1hermes

此时，有用的第一步不是“写代码”。而是：

• 将 Hermes 指向你的笔记库
• 给它恰好一个文件夹
• 要求它生成一个干净的 Markdown 产物
• 在 Obsidian 中打开并检查结果
• 迭代直到这个工作流变得平淡且可靠

一旦一个循环感觉稳固，再添加另一个 → 然后再一个。

这就是你将 Hermes + MiniMax M3 + Obsidian 从一个酷炫想法转变为实际基础设施的方式

如果你觉得有用：

• 收藏这篇文章。链接经常变化，每周都有新的仓库出现——你需要它作为参考
• 点赞并转发上面的帖子，帮助其他建设者摆脱聊天机器人的陷阱
• 想每周深入了解 AI 架构、量化交易和智能体经济。关注我：@polydao
• 加入 TG 频道：Buzzoni Notes —— 这里我分享我的原始提示词、自定义技能以及还未在 X 上发布的早期内容

不要只是阅读。动手构建。从今天开始改变你的工作流程