AI、Obsidian、Claude 与自主 Agent 文章译述书册

你读过的每篇文章、保存的每条推文、录下的每段语音，都可以自动流入 Obsidian。Claude 负责把点连起来，你只负责收集知识。

大多数人把 Obsidian 当成档案柜：不断往里塞资料，却从不真正提取和使用。几个月后，他们只得到一个漂亮但死掉的资料库。真正的“第二大脑”和“死档案”的区别只有一个：反馈。信息只进不出，就不是知识系统，而是一个分类良好的墓地。

作者要搭建的是一个闭环系统：自动捕获信息，n8n 把内容送进 Obsidian，Claude 读取整个库、发现连接、每天生成报告，让知识反过来推动你的思考。

为什么多数知识管理系统失败

失败点通常不是“没有保存”，而是“没有输出”。人们捕获了太多内容，却没有机制把它重新带回自己的思考中。主要问题有三个：

1. 捕获摩擦太高：如果保存一条信息需要超过 10 秒，你在真正忙碌时一定会放弃。
2. 没有连接层：每篇文章、每条笔记都孤立存在，没有系统提醒你“几个月前保存的内容正好对应你今天的问题”。
3. 没有回访理由：如果知识库不会主动给你洞见，你就必须靠记忆去调用它，而人通常不会记得。

解决方案是：捕获自动化，连接交给 Claude，输出嵌入每日流程。

系统架构：四层

第一层是捕获层：Readwise 收文章和划线，Airr 收播客片段，Whisper 转写语音，Telegram bot 快速收集灵感。原则是只收集，不分类、不总结、不额外加工。

第二层是管道层：n8n 监控所有来源，把新内容自动写入 Obsidian 对应文件夹，格式化为 Markdown，并附上来源、日期和内容结构。

第三层是 Obsidian：本地 Markdown 文件夹，是长期存储和事实来源。所有值得保留的内容都在这里。

第四层是 Claude：智能层。它读取整个库、找联系、识别模式、写日报，并回答关于你自己想法的问题。这一层把“档案”变成“思考伙伴”。

推荐的 Obsidian 结构

只需要五个部分：

1. Inbox：所有未处理内容先进入这里。
2. Notes：文章、划线、播客片段等外部输入。
3. Ideas：你自己的想法、观察和语音转写。
4. Projects：当前正在推进的项目。
5. CLAUDE.md：Claude 每次先读的上下文文件，写明你是谁、在做什么、目标是什么、希望 Claude 如何帮助你。

作者强调不要过度设计文件夹。复杂结构会增加摩擦，最后让系统崩掉。拿不准时，一律先放 Inbox。

CLAUDE.md 的作用

这是整个系统最重要的文件。它让 Claude 不再每次“冷启动”，而是像长期读过你笔记的协作者。里面应包含：你的身份、工作、当前重点、年度目标、当前项目、卡点、知识库结构、你希望 Claude 扮演的角色，以及你最近在读和思考什么。

这份文件要每周更新一次，否则 Claude 得到的上下文也会过期。

每日自动报告

每天早上，n8n 自动触发 Claude 阅读过去 24 小时的 Inbox 和过去 7 天的 Notes，然后输出三部分：

1. 连接：最近内容和旧笔记之间最值得注意的 3 个联系。
2. 模式：本周阅读和收集内容中显现出的思考主题。
3. 问题：一个今天值得认真坐下来思考的问题。

这份报告自动保存到 Inbox。作者建议周一到周五早上 6 点运行，并在打开其他应用前先读它。

每周综合

每周用 15 分钟让 Claude 深度读取过去 7 天新增内容，回答四个问题：

1. 你正在形成什么尚未明说的核心观点？
2. 最近保存的内容是否和你过去的信念矛盾？
3. 你明显缺少哪些知识或视角？
4. 本周最有杠杆的一项行动或思考是什么？

作者认为，这一步才是真正产生复利的地方：日报发现连接，周报形成论点。

最终结论

一开始，这只是个好用的收集工具。三个月后，Claude 会开始把几周前、几个月前的内容与你当前问题连接起来。六个月后，它会拥有一条关于你思考演化的完整轨迹：你相信过什么、改过什么、长期纠结过什么、哪些想法从小线索变成了行动。

作者说，这就是“自己思想的复利”。知识之所以不增长，是因为多数想法被孤立保存；这个系统让它们自动进入网络，并由 Claude 替你导航。

最后的建议是：不要等系统完美。今晚先放进 5 条笔记，连接 Claude，让它找出这 5 条之间的关系。一旦你看到它发现了你没注意到的连接，你就会开始愿意每天喂养这个系统。

这篇文章讨论的是一种受 Andrej Karpathy 启发的知识库构建方式：Wiki Layer，也可以理解为 “LLM Wiki”。

大语言模型的一个核心低效点，是它们经常需要反复上传、读取和处理同一批原始文件。每一次提问，模型都可能重新消耗大量 token 去读 PDF、网页、文本、截图或其他资料；不同文件之间的上下文关系也容易丢失，重要连接可能被遗漏，最终答案质量也会下降。

Wiki Layer 的思路很直接：让 LLM 只对原始资料做一次清洗、结构化和链接。完成后，模型不再直接处理混乱的原始文件，而是围绕一个干净、有结构、相互连接的知识库工作。

这样做的结果是：重复查询时可以大幅节省 token，答案质量和相关性更高，文档之间自动建立连接，还能形成可视化知识图谱。随着时间推移，这个知识库也可以持续增长和更新。

Wiki Layer 的结构

整个系统围绕三个核心部分搭建。

第一部分是 raw/：这里保存所有不可变的源文件，包括 HTML 页面、PDF、文本笔记、截图、表格，以及其他原始资料。这个文件夹不手动编辑，它是整个系统的事实来源。

第二部分是 wiki/：这是主要知识库。里面是由 LLM 生成和维护的干净 Markdown 文件。后续模型主要与这一层互动，而不是反复读取原始资料。

第三部分是指令和模板：这些文件定义系统规则，包括如何清洗数据、使用哪些模板、怎样创建内部链接、添加哪些元数据，以及知识库未来如何更新。

如何搭建 Wiki Layer

第一步，建立项目文件夹，并把已有资料放入 raw/ 子文件夹。

第二步，启动结构化代理。在 Claude 或其他支持文件和代码能力的强模型中，提供专门的系统提示词。这个代理负责清理技术噪音、广告和不必要格式，把内容转成可读 Markdown，套用预设模板，创建 [[Page_Name]] 这种内部 wiki 链接，并添加元数据和文档关系。

第三步，把项目文件夹作为 Obsidian 知识库打开。这样你立刻能获得可视化知识图谱、全文搜索，以及在相关笔记之间快速跳转的能力。

第四步，使用完成后的知识库。之后你不用每次都上传几十个文件，只需要告诉模型：在 wiki/ 文件夹里的 Wiki 数据库中工作。模型就可以从一个清洗过、结构化、互相连接的知识系统里检索信息。

为什么 Wiki Layer 比传统方式更好

它首先提升 token 效率：模型不必每次提问都重新读取原始文件。

它也提高准确性：信息已经被清理、组织，并且建立了连接，模型更容易找到相关内容。

它更容易扩展：知识库可以增长到数百甚至数千份文档。

它改善工作流：Obsidian 把这些 Markdown 文件变成一个可视化的“第二大脑”。

它也更有隐私优势：资料可以保留在本地机器上，不必全部上传到云端。

什么时候该使用 Wiki Layer

如果你已经有 10 到 20 份以上围绕同一主题的文档，或者你的资料会持续更新和扩展，就值得考虑这种方式。

如果你经常生成内容、报告、研究材料或想法，或者处理个人、商业、机密信息，这种结构也很适合。

如何按自己的需求改造

代理提示词可以完全定制。你可以在指令文件中定义不同文档类型使用哪些模板，需要哪些元数据字段，比如日期、作者、标签、摘要等；也可以定义笔记之间如何创建链接，以及代理在遇到更新和冲突时应该怎么处理。

因此，Wiki Layer 不只适用于个人笔记，也适用于营销、软件开发、学习、健康、商业分析等很多领域。

最终观点

Karpathy 的 Wiki Layer 把一堆混乱文件变成真正的 AI 知识库。

一旦花时间完成初始搭建，你会得到一个持续演化的系统。它不仅能显著提升 LLM 工作速度，也能改善回答质量，因为模型面对的不再是杂乱原始材料，而是一个已经清洗、压缩、结构化并互相连接的知识层。

这篇文章最重要的启发是：不要让 LLM 每次都从零开始读原始资料。先让它把资料整理成可长期复用的知识库，再让它基于这个知识库工作。这样节省的不是一点 token，而是整个工作流中的重复认知成本。

作者的核心观点是：多数人看到 Opus 4.8，只把它理解为“更好的编程模型”；但真正重要的变化，是 Claude 可以围绕一个明确的完成状态持续工作，而不是每一步都等你继续提示。

以前你会说：“帮我写 10 个广告创意。” 现在更强的用法是：“在找到我这个品类里最好的广告创意之前，不要回来。”

这个变化，把 AI 从“被动执行一次任务”推进到“围绕目标自主推进直到完成”。

作者称 Opus 4.8 改进了什么

原文称，这不是一次彻底重写，而是一次针对性升级：

• SWE-bench Pro 从 64.3% 提到 69.2%。
• 更不容易漏掉自己的错误。
• 更愿意承认不确定，而不是编造答案。
• 能独立工作更久而不偏离目标。
• 价格保持不变：每百万 token 输入 5 美元、输出 25 美元。
• Fast mode 速度提升、成本降低。

但作者强调，真正的重点不是模型升级本身，而是 Dynamic Workflows。

Dynamic Workflows 到底是什么

旧方式是一个 agent 一步一步工作。Dynamic Workflows 则是：你描述目标，Claude 自己写编排脚本，启动多个并行子 agent，同步推进、相互检查、甚至对抗式验证彼此的结果，最后把经过验证的结果合并后再交给你。

你回来时拿到的不是草稿，也不是半成品，而是 Claude 已经尽量自检过的完成结果。

原文举例称，Jarred Sumner 使用 Dynamic Workflows 将 Bun 从 Zig 改写到 Rust，涉及 75 万行 Rust，现有测试套件 99.8% 通过，从首次提交到合并用时 11 天。这里仍按作者说法记录。

作者给出的触发条件：

• Claude Code v2.1.154 或更高版本。
• Max、Team 或 Enterprise 计划。
• 在 prompt 中输入 workflow，Claude 会先规划并确认。
• 或设置 /effort ultracode，让 Claude 自行判断是否触发。
• 先开启 auto mode：/permissions，选择 auto mode。

原文也提醒：Dynamic Workflows 会比普通会话消耗更多 token。应先从范围明确的小任务开始，并用 /cost 监控使用量。

真正的转变：你不再是循环本身

过去每个 AI 任务都是 Claude 完成一步后停止，等你审查、指出缺口、继续提示、再次审查。你是整个循环。

Dynamic Workflows 的关键，是把你从循环中移开。你只定义“完成”是什么样子，Claude 在过程中自检、纠错、迭代，直到答案收敛。

作者认为，未来真正领先的创始人，不只是会写 prompt，而是会定义完成状态。

下面是原文给出的 20 个值得设置的完成状态。

一、赚钱类工作流

1. Google Maps 潜在客户生成

旧方式是一个个研究企业、写 brief，持续数周。新方式是让 Claude 在某个城市、某个行业中寻找 200 家评分高于 4.0、但没有网站或网站过时的企业。对每家企业收集服务、好评、联系方式和信任信号，并生成外联 brief 与网站改版 brief。

目标结果：一晚上生成 200 个合格线索和个性化 brief。作者举例称，如果 5% 成交、平均每单 800 美元，就可能从一次夜间任务中获得 8000 美元收入。

2. 为每个潜在客户写个性化冷邮件序列

泛泛而谈的冷邮件会被删除。更好的完成状态是：对 CSV 中的每个潜在客户，研究其具体情况，识别你的产品能解决的具体问题，然后为每家公司写 3 封个性化邮件，不能使用模板，要引用该企业的具体信息。

目标结果：数百组个性化邮件序列，醒来即可发送。

3. 竞品定价情报与市场地图

让 Claude 研究你所在市场的所有主要竞品，收集价格、定位、核心 offer、差评弱点和服务缺口，生成完整竞争情报报告，指出你可以低价切入、差异化或占据空白定位的位置。

目标结果：一张带有可利用市场缺口的完整市场地图。

4. Affiliate 内容机器

让 Claude 为某个 affiliate 细分领域研究并写 30 篇 SEO 文章。每篇文章都要确定目标关键词，研究排名前 5 的页面，找出它们缺失的内容，并写出覆盖这些缺口的完整文章，同时给出文章之间的内部链接建议。

目标结果：30 篇可发布文章。

5. 定价页优化

让 Claude 审计你的 onboarding funnel 和 pricing page，同时研究同类目中前 20 家公司的定价结构、锚定策略和转化元素，并交叉参考定价心理学研究，最终列出所有能提升转化的具体修改及证据。

目标结果：带优先级的页面改动清单和转化影响估计。

二、营销与增长工作流

6. 找出 100 个病毒式 hook

让 Claude 搜索 Twitter、LinkedIn、YouTube 上某个细分领域的高表现内容，分析每个 hook 的情绪触发、格式和语言模式，再基于这些模式生成 100 个 hook，并按类型分类。

目标结果：不是拍脑袋写 10 个 hook，而是从已验证爆款中反推 100 个 hook。

7. 广告账户审计

导出广告账户数据后，让 Claude 按照被挑战的信念、情绪角度、格式类型、offer framing 和 hook 结构对每条广告分类。然后分析表现前 20% 与后 20% 的共同模式，并生成下一批 10 条广告的创意 brief。

目标结果：停止猜测广告为什么有效，用数据归纳创意模式。

8. 分析 5000 条应用商店评论

让 Claude 分析某个 app 在 App Store 和 Google Play 上的所有评论，把异议、欲望、功能请求和赞美按主题聚类，提取客户描述问题时使用的原话，找出用户离开和留下的主要原因。

目标结果：替代昂贵用户研究项目的洞察报告。

9. Onboarding 漏斗调查

让 Claude 从注册到首次价值时刻审计你的 onboarding funnel，研究同类最佳流程，映射当前每一步，找出所有流失点，并为每个流失点给出类似公司验证过的修复方案，最后锁定最大转化瓶颈。

目标结果：找到产品中最大的收入泄漏点，并给出修复路径。

10. 前 20 个竞品消息矩阵

让 Claude 研究前 20 个竞品，分析主页、广告、热门内容和客户评论，建立比较矩阵：核心定位、主 hook、主要 offer、证据点和 CTA。再找出没人占据的信息差或定位空白。

目标结果：找到竞品留下的 positioning gap。

三、内容工作流

11. 50 个 UGC 视频概念

让 Claude 为某个产品生成 50 个 UGC 视频概念，覆盖所有认知阶段：完全无意识、问题意识、解决方案意识、产品意识、最强购买意识。每个阶段 10 个概念，包含 hook、核心信息、格式和 CTA。

目标结果：完整 UGC 内容日历。

12. 扫描整个品类的落地页

让 Claude 找到并分析某个品类中的至少 50 个 landing page，识别标题结构、证据元素、offer framing 和 CTA，归纳高转化页面的模式，以及低转化页面的共同问题。

目标结果：针对你落地页的转化模式报告和具体建议。

13. 30 天内容日历

让 Claude 为某个平台和细分领域建立完整 30 天内容日历。每天研究当前表现好的内容，确定最有互动潜力的角度，并写出完整 post draft，包括 hook、正文和 CTA。

目标结果：一个月内容，一次夜间任务完成。

14. 10 个 YouTube 视频脚本包

让 Claude 研究并写出 10 个完整 YouTube 脚本。每个视频都要找到有搜索需求和互动潜力的话题，研究竞品视频缺口，写出逐字稿，并附标题变体和缩略图概念。

目标结果：10 个已研究、已成稿、可录制的视频。

15. 完整 Newsletter 期刊

让 Claude 研究某个主题过去 7 天内的重要进展，找出 5 个最重要故事，跨多个来源验证，为每个故事写一段适合受众的解读，再写完整开头和结尾。

目标结果：一封事实已核验、可发送的 newsletter。

四、研究与战略工作流

16. 市场研究报告

让 Claude 为某个市场生成完整研究报告，覆盖市场规模、增长率、关键玩家、客户细分和新趋势，至少综合 100 个来源，并对每个统计数据回到原始来源验证，标出冲突数据。

目标结果：一份完整市场研究报告。

17. 投资或合作尽调

让 Claude 对某家公司做尽调，研究创始团队、融资历史、产品、客户评论、媒体报道和竞争位置，找出所有红旗和正向信号，并用独立来源交叉验证。

目标结果：一份带明确建议的尽调报告。

18. 定价策略完整分析

让 Claude 为某个产品制定完整定价策略，研究主要竞品定价，查找相关定价心理学研究，结合评论和客服工单中的支付意愿信号，构建 3 个定价模型，并估计各自收入影响。

目标结果：3 个经压力测试的定价方案。

19. SEO 机会地图

让 Claude 找出某个细分领域的 SEO 内容缺口。研究前 50 个关键词，分析每个关键词排名前 10 的页面缺失什么，并评估现实排名难度，找出 20 个 6 个月内有机会通过优质内容排名的关键词。

目标结果：20 个 SEO 机会，每个都有难度分和内容 brief。

20. 商业想法验证

让 Claude 验证某个商业想法：研究市场规模、竞品、来自论坛和评论的客户痛点、支付意愿信号、监管因素和分销渠道，并找出 50 个潜在客户，分析他们现在为替代方案支付什么。

目标结果：在投入开发前，得到一份 go / no-go 验证报告。

20 个工作流背后的共同模式

作者指出，这 20 个 prompt 都有同一个结尾：“不要停止，直到……”

这就是关键。你不再只是要求 Claude 执行一个任务，而是给它一个完成状态，让它持续运行直到达到那个状态。

Dynamic Workflows 的价值，不在于单个 prompt 更漂亮，而在于多个 agent 并行工作、互相验证、持续迭代，直到答案收敛。你回来时拿到的是完成工作，而不是下一轮需要你继续推动的中间产物。

如何今晚开始

原文给出的准备条件：

• Claude Code v2.1.154 或更高版本，可运行 claude update。
• Max、Team 或 Enterprise 计划。
• 开启 auto mode：运行 /permissions 并选择 auto mode。
• 从上面 20 个 prompt 中选一个。
• 从小范围任务开始，不要一上来处理整个业务。
• 运行过程中用 /cost 监控 token 使用。

作者最后的建议是：第一次 workflow 可能会感觉慢；到第三次，你会开始怀疑自己以前为什么要一条消息一条消息地手动推进。

真正的能力不是“会写 prompt”，而是能清楚定义完成状态。

这篇文章的核心观点是：大多数 Claude 用户每周都在重复解释、重复纠正、重复提示，而一个项目根目录中的 CLAUDE.md 文件可以把这些重复劳动系统性消除。

很多人甚至没听过 CLAUDE.md。听过的人，也常把它当成随手记录的普通说明文件，而不是整个 Claude 工作流中最关键的配置层。

问题在于：每次新开 Claude 会话，它默认都从零开始。它不知道你是谁、你的写作方式、你正在构建什么、你的偏好、你的流程和你的规则。于是每个会话都变成同一个循环：重新解释、重新纠正、重新提示、反复来过。更糟糕的是，Claude 还可能自信地给出完全不像你的输出。

CLAUDE.md 的作用，就是把 Claude 从通用聊天机器人，变成围绕你和你的项目工作的系统。

如何在两分钟内设置

1. 打开任意项目文件夹。
2. 创建一个文件，名称必须是 CLAUDE.md。
3. 用任意文本编辑器打开它。
4. 写入你的规则和偏好。
5. 保存。

在该文件夹中工作时，Claude 会读取这个文件中的说明。作者强调，这不需要插件、不需要额外设置界面，也不需要复杂配置。

第一部分：修复 Claude 的沟通方式

1. 永远移除寒暄和填充语

Claude 很喜欢用“Great question”“Absolutely”“Of course”这类开场。它们礼貌，但浪费时间。可以要求它直接回答，不铺垫、不预热、不寒暄。

1. 重大任务前先给方案

Claude 默认会选一个方向直接执行。你只是想改一点文字，它可能重写整段风格；你只是想调整结构，它可能推翻原有组织方式。可以要求它在重大任务前先给 2 到 3 个方案，等你选择后再继续。

1. 停止假装确定

Claude 有时会用自信语气回答不确定内容，尤其是数据、日期、引文和技术事实。应明确要求：不确定时先说明不确定，不要把猜测当事实。

1. 按任务复杂度决定回答长度

简单问题不需要长文，复杂问题也不能只给表层回答。可以要求它根据任务复杂度控制篇幅，不用重复和无意义总结填充答案。

第二部分：修复 Claude 的行为边界

1. 重大改动前先说明并等待确认

当你只想调整一段内容时，Claude 有时会重写半篇文档。应要求它在对既有内容做重大编辑前，说明会改什么，并等你确认。

1. 只修改明确要求修改的内容

Claude 经常顺手“优化”你没要求动的地方，导致你不得不重新审查全文。可以要求它只改你明确指定的部分，其他改进建议单独列出，不直接动手。

1. 编辑后说明变更范围

每次编辑任务完成后，Claude 都应该说明：改了什么、哪些地方没有动、还有哪些需要注意。

1. 没有当前会话确认，不执行外部动作

当 AI 工具接入邮件、日历、社交媒体和文档后，这条尤其关键。应要求 Claude 不在没有明确确认的情况下发送、发布、安排或分享任何内容。

第三部分：给 Claude 真实上下文

1. 说明你是谁

Claude 不知道你是新手、专家、创始人、营销人还是工程师。缺少上下文时，它只能猜，而且常常猜错。应在 CLAUDE.md 中写明角色、背景、专业程度和正在学习的领域。

1. 说明你正在构建什么

通用上下文只会得到通用输出。应定义项目、目标、受众、语气和限制条件。上下文越清楚，Claude 越能给出贴合当前工作的回答。

1. 锁定你的写作风格

Claude 有默认语气，但那不是你的语气。可以要求它匹配你的句长、词汇、格式、措辞偏好和整体风格，让初稿更接近你本人。

第四部分：给 Claude 延续性记忆

1. 创建 MEMORY.md

Claude 会忘记会话之间的细节，但文件可以保留。作者建议让 Claude 维护一个 MEMORY.md，记录已经做出的决策、被否决的想法、进行中的工作，以及选择背后的原因。

1. 会话结束时写总结

如果没有总结，重新打开旧项目时常要花很久回忆进展。可以要求 Claude 在会话结束时写入完成内容、当前进度和下一步。

1. 追踪失败方案

很多问题会反复出现，是因为 Claude 忘记了哪些方案已经失败。可以创建 ERRORS.md，记录失败内容、失败原因、最终有效的方案和经验教训。

1. 定义永久事实

每个项目都有长期不变的事实：技术栈、品牌语气、商业限制、合规规则等。把这些写进文件，并要求 Claude 在每次会话中默认应用。

第五部分：面向开发者的规则

1. 严格保持任务范围

修一个 bug 时，Claude 可能顺手重命名变量、整理 import、重构无关代码，甚至破坏本来正常运行的系统。应要求它只修改和当前任务直接相关的代码，不重构无关文件。

1. 破坏性操作前必须确认

删除文件、覆盖函数、丢弃记录都可能毁掉数小时工作。应要求 Claude 在破坏性操作前列出会改什么，并获得明确确认。

1. 设置硬性停止线

有些动作永远不应自动执行，比如生产部署、数据库迁移、外部 API 调用、发送邮件等。每次都必须确认。

1. 锁定技术栈

没有明确说明时，Claude 会倾向于使用网上最常见的框架，而不是你的项目实际技术栈。应写明语言、框架、数据库、测试工具和包管理器。

1. 代码任务后总结变更

编码任务完成后，Claude 应列出修改了哪些文件、改了什么、哪些文件没动、后续还需要做什么。这样审查会快很多。

1. Karpathy 风格的 4 条底层规则

作者提到 Andrej Karpathy 曾强调过几条能提升 Claude Code 表现的行为规则，并将其总结为：

• 不确定时先问，不要假设。
• 优先采用最简单可行方案。
• 不触碰无关代码。
• 明确标出不确定性。

原文还提到这些规则“据称”能显著提升编码准确率。这里应按作者说法理解，不把具体数字当作独立验证结论。

最终结论

CLAUDE.md 不是隐藏的开发者技巧，而是严肃 Claude 用户的操作系统。

前 4 条规则改善沟通方式；第 5 到 8 条阻止不想要的行为；第 9 到 11 条注入真实上下文；第 12 到 15 条建立跨会话记忆；第 16 到 21 条让 Claude Code 更安全、更稳定。

作者的建议很简单：今天先创建文件，写入 3 条最重要的规则，然后随着工作流逐步扩展。你会从第一次会话开始看到差异。

大多数人的学习方式看起来像学习，但几乎没有真正产生学习。

他们读章节、划重点、复习划线内容，然后因为“眼熟”而误以为自己理解了。等到考试或真实应用时，才发现熟悉感不等于能使用知识。

作者的核心观点是：真正有效的学习，依赖两个机制：主动回忆和间隔重复。Obsidian + Claude 的学习系统，就是把这两个机制嵌入学习流程，并通过知识图谱把孤立概念连接起来。

被动复习为什么无效

反复阅读笔记、给教材划线、考前突击，都容易制造“我好像懂了”的错觉。它们带来的更多是熟悉感，而不是可调用的理解。

真正有效的方式往往更不舒服：

1. 主动回忆（Active Recall）：不是重新看材料，而是主动从记忆里取出信息。
2. 间隔重复（Spaced Repetition）：不是集中刷一晚，而是在逐渐拉长的时间间隔里复习。

当你想不起来某个内容时，那种不舒服并不代表你没学会，反而说明学习正在发生。作者提到，Roediger 和 Karpicke 的研究显示，花更多时间自测的学生，一周后保留的信息明显多于被动复习的学生。另有 2025 年 BMC Medical Education 的研究显示，结合间隔重复和主动回忆的学习安排，相比传统学习计划可提升 15% 到 20% 的考试表现。

孤立学习的问题

传统笔记是线性的：你按顺序读，也按顺序写。概念 A 在第 12 页，概念 B 在第 20 页，概念 C 在第 45 页。即使它们之间存在深层关系，普通笔记也不会自动建立这些连接。

但理解恰恰存在于连接中。

只知道 A、B、C 三个概念，是对三个事实的表层熟悉。真正理解，是知道 A 在某些条件下导致 B，C 是解释这些条件何时出现的机制，并且这套关系还能映射到你观察过的真实模式。后者不是更聪明，而是建立了连接。

知识图谱的意义，是把笔记从“孤立节点集合”变成“互相连接的网络”。第十个概念比第一个概念更有价值，因为它能连接到前九个概念；第五十个概念又比第十个更有价值，因为网络更大。

Claude 在这里提供两种加速：

1. 它能同时阅读整个 vault，发现你顺序阅读时不容易看到的连接。
2. 它能生成主动回忆题，迫使你从记忆中提取知识，而不是被动复习。

面向学习的 Vault 结构

这套系统不是通用 second brain，而是专门为知识获取设计。可以单独建一个 Obsidian vault，也可以作为现有 vault 的一个子区域。

核心不是“保存更多资料”，而是让每个概念都能被测试、连接、复习和综合。

模块 1：概念笔记

每个学习材料都应被拆成“概念笔记”，而不是整页摘要或章节大纲。

一条概念笔记只捕捉一个想法，并且要精确到可以被测试、可以与其他概念建立连接。

其中最重要的部分是 What It Is，也就是“它是什么”。这部分必须用你自己的话写，而不是复制原文。把来源语言翻译成自己的语言，本身就是第一次主动回忆。如果你无法不看原文写出解释，就说明缺口已经出现。

写完核心部分后，再让 Claude 生成主动回忆问题。关键是问题不能只是“定义概念 X”。定义题只测试熟悉度。更好的问题应要求应用，比如：在某个情境 Y 下，概念 X 会建议你采用哪种方法，为什么？

只有能应用，才说明真的理解。

模块 2：连接协议

连接协议应在每次学习结束后运行。它的作用，是找出新概念和旧概念之间你没有看到的关系。

你是按顺序学习的，但图谱不是按顺序存储的。Claude 可以同时读取整个 vault，因此能发现单次顺序学习很难产生的跨主题模式。

作者建议每次学习会话新增 3 到 5 条概念笔记后，让 Claude 查找它们与旧笔记的非显而易见连接。

真正有价值的连接，不只是把两个事实放在一起，而是改变你对两个概念本身的理解。例如在化学中，理解电子构型与反应性的关系，不只是连接两个知识点，而是解释一种能预测大量现象的模式。

模块 3：主动回忆生成器

主动回忆的难点在于：好的问题很难自己生成。大多数人给自己出的题太简单，只是在问定义，而不是要求应用。

在这套系统里，Claude 负责生成问题，你负责回答，vault 负责记录哪些问题答对、哪些没掌握。

每次学习会话中，先回答问题，再看 Claude 的评价。不要先看解析。写下你的答案，然后再读反馈。

每条概念笔记的 frontmatter 中可以维护一个 mastery score（掌握分）。每次回忆后更新分数。分数达到一定水平后，进入更长复习间隔；如果某个概念反复答错，就不要只是机械重复，而应把它标记为需要综合理解的问题。

模块 4：间隔复习系统

间隔重复来自 Hermann Ebbinghaus 的遗忘曲线：如果没有策略性复习，人会在 24 小时内忘掉大约 70% 的新信息。

这套 vault 把复习计划直接写进每条概念笔记的 frontmatter。每次主动回忆后，根据表现更新 review-due 字段。

作者给出的复习间隔是：

1. 第一次复习：初学后 1 天
2. 第二次复习：第一次复习后 3 天
3. 第三次复习：第二次复习后 7 天
4. 第四次复习：第三次复习后 14 天
5. 第五次复习：第四次复习后 30 天
6. 后续复习：每 60 天

如果答对，就进入下一个间隔；如果答错，就退回上一个间隔。

每次学习开始时，先让 Claude 找出当前到期复习的概念。一次复习大约 15 到 20 分钟，只覆盖那些接近遗忘边缘的内容。已经掌握的内容减少出现频率，尚未稳固的内容更频繁出现。

学习时间的压缩来自这里：你不再反复复习已经记住的内容，而是把每一分钟用在正要忘掉的地方。

模块 5：综合会话

主动回忆和间隔重复负责建立和维护节点；综合会话负责把节点变成真正可用的理解。

能回答十个独立概念的问题，说明你学得不错。但能解释这十个概念如何共同产生某个现象、条件变化时会发生什么、传统解释哪里不完整，才说明你真正理解了学科。

作者建议每门学科每两周做一次综合会话。综合文档是检验理解的产物：如果你读完综合文档后，每个主张都能解释清楚，就说明你准备好应用这些知识；如果读到某些说法无法解释，就找到了下一轮学习重点。

这套系统比被动学习多产生了什么

这套 Obsidian + Claude 系统，本质上是一台持续运转的主动回忆机器。

每条概念笔记都是一次回忆练习：用自己的话写，是回忆；回答 Claude 生成的问题，是回忆；隔一段时间再回答，是回忆；综合整个知识图谱，也是回忆。

相比 Anki 这类标准间隔重复系统，知识图谱额外增加的是“连接层”。单张卡片测试事实，连接协议和综合会话测试关系，而理解存在于关系之中。

因此，学习效率提升不是来自“更努力”，而是来自第一次学习时就以能保留、能连接、能应用为目标，减少对同一材料的多轮低效重复。

这个周末就能开始

不需要先搭好完整 vault。今天只需要做三件事：

1. 为你正在学习的内容创建一条概念笔记，选择最重要的一个概念，用自己的话写下“它是什么”。
2. 让 Claude 基于这条笔记和你已有的 Obsidian 内容，寻找可能缺失的连接。如果 vault 还很空，也可以让它基于你对学习主题的简短描述来找连接。
3. 回答 Claude 生成的主动回忆题，不看概念笔记，写下答案，再诚实评估自己是否答对。

三步，30 分钟。这就是被动复习和主动学习之间的差异。

作者最后的判断是：你一直想学的学科未必难，难的是你过去使用的学习方法。被动复习让人感觉有效，却几乎不产生长期保留；主动回忆加连接构建更费力，但能留下真正持久的理解。

知识图谱的作用，是把“知道一些东西”变成“理解它们之间的关系”。

工具已经有了，Obsidian 可用，Claude 可用。剩下的变量只有一个：你今天是否创建第一条概念笔记，还是继续划下那些下周就会忘记的重点。

注：原文多次提到“运行这个 prompt”，但提取到的正文中没有包含具体 prompt 文本；这里不补写未提供的提示词，以免引入作者原文之外的内容。

Obsidian 已经有 2700 多个社区插件，其中 100 多个与 AI 相关。Obsidian 的 CEO 也亲自发布了面向 Claude 的官方 Skills，并在不到三个月内拿到 12900 多个 GitHub star。

作者的核心判断是：Obsidian + Claude 的生态正在快速爆发，但大多数人仍然把 Obsidian 当普通笔记软件，把 Claude 当普通聊天机器人，错过了两者之间真正有价值的“集成层”。一旦连接起来，它们可以变成 2026 年最强的个人知识系统之一。

第一部分：10 个核心插件

1. Smart Connections

最适合作为起点的 Obsidian AI 插件。它用 RAG（Retrieval Augmented Generation，检索增强生成）让你和整个 vault 对话。比如问“我关于客户留存知道什么？”，它会搜索所有笔记，找到相关内容，并基于你的知识回答。

1. Copilot

在 Obsidian 内部提供基于 RAG 的聊天问答，支持 Claude、GPT、Gemini 和本地模型。适合希望 AI 对话直接发生在 Obsidian 里的用户。

1. Templater

自动化笔记模板。比如会议笔记可以自动包含日期、参会人、行动项、frontmatter 标签等。稳定格式会显著提升 AI 检索质量。

1. Dataview

把 vault 变成可查询数据库。你可以查询最近 30 天创建、带有某个标签的所有笔记。Claude 如果能访问这些查询，就不只依赖全文搜索，还能基于结构化数据回答。

1. Tasks

在任意笔记中管理任务，支持截止日期、优先级和重复规则。Claude 读取 vault 后，可以看到跨笔记的所有任务，并帮助排序、重排和追踪进度。

1. Obsidian Git

为 vault 提供版本控制，按固定间隔自动提交。关键知识库需要历史记录、回滚能力和变更可追踪性。

1. Calendar

为每日笔记提供可视化日历。持续写 daily notes 后，Claude 就能看到你的工作、想法和决策随时间变化的记录。

1. Kanban

把任意笔记变成看板，用于项目阶段、内容管线或任务流。可与 Claude 搭配做状态更新和看板复盘。

1. Periodic Notes

自动创建日、周、月、季度笔记。它让 vault 形成有时间结构的记录，Claude 可以据此分析长期模式、趋势和进展。

1. Obsidian CLI

2026 年发布的命令行接口，可从终端创建、搜索和管理笔记。这让 Claude Code 能通过命令行程序化操作你的 vault。

第二部分：10 个重要工作流

1. 晨间综合（Morning Synthesis）

每天早上，Claude 读取过去三天的 daily notes 和活跃项目笔记，生成一份当天启动笔记：昨天停在哪里、今天到期什么、哪些已逾期、建议优先关注什么。

1. 会议处理器（Meeting Processor）

会后把原始记录粘进新笔记，Claude 自动提取行动项、负责人、截止日期、关键决策，并链接到相关项目笔记。

1. 研究摄入管线（Research Ingestion Pipeline）

把文章链接或 PDF 转写放入 Inbox，Claude 生成摘要、关键洞见、来源元数据，并链接到同主题旧笔记，同时标出与既有知识的冲突。

1. 每周复盘自动化

每周五，Claude 扫描本周创建或修改的笔记，生成周复盘：完成事项、关键决策、计划与实际任务、观察到的模式、下周建议优先级。

1. 想法交叉授粉器

给 Claude 一条想法，让它找出 vault 中与之“非显而易见地相关”的笔记。真正有价值的洞见，往往来自看似无关主题之间的连接。

1. 项目启动生成器

开新项目时，告诉 Claude 目标、限制和时间线。它生成项目文件夹、项目概览、里程碑任务、相关旧笔记链接、知识缺口清单和周更新模板。

1. Vault 健康检查

每月让 Claude 审计 vault：孤立笔记、过时信息、两周无更新的停滞项目、不一致标签、缺失 frontmatter 字段，并生成维护清单。

1. 读书笔记系统

读完一本书后，把划线和想法放入笔记。Claude 结合现有知识生成关键思想摘要、相关旧笔记连接、针对当前项目的行动启发，以及下一步可读主题。

1. 论证构建器

写演讲、文章或提案时，把论点交给 Claude。它从 vault 中寻找支撑证据：数据、研究、书摘、项目结果，并按说服力组织成结构化论证。

1. 决策日志

重大决策前记录选项和当前判断，事后补充结果。长期下来，Claude 可以分析你的决策模式：哪些判断更准、偏见在哪里、未来应更重视什么。

第三部分：10 个高级设置

1. Claude Code + Vault 作为长期记忆

在 CLAUDE.md 中把 Obsidian vault 定义为 Claude 的长期记忆。Claude 做任务前先读相关笔记，任务后把发现写回 vault，跨会话积累知识。

1. mcpvault MCP Server

一个零依赖 MCP 服务器，不需要 Obsidian 运行也能读取 vault。支持 BM25 相关性搜索、frontmatter 安全处理和多种 MCP 方法，可用于 Claude Desktop、Claude Code、Cursor、Windsurf。

1. Steph Ango 的官方 Obsidian Skills

Obsidian CEO 构建的官方 Skills，覆盖 Markdown 笔记、Canvas 文件和 Obsidian CLI。它遵循开放 Agent Skills 规范，是官方认可的 AI agent 操作 Obsidian 的方式。

1. obsidian-second-brain Skill

面向 AI-first 第二大脑的技能集，包含 vault 管理、用你自己的笔记反驳和挑战你的思考工具、定时 agent，以及把 X、网页研究、YouTube 转写导入结构化笔记的研究工具。

1. 多 Vault 策略

为不同上下文使用不同 vault：个人生活、工作项目、学习课程等。Claude 连接到当前相关 vault，避免个人日记和工作笔记混杂。

1. Obsidian + Claude Code Routines

设置夜间 routine：每天凌晨 Claude 扫描 Inbox 新笔记，分类、加链接，并生成 overnight processed summary。第二天早上醒来就是整理好的 vault。

1. 图谱视图分析

Obsidian Graph View 在笔记很多时会变得嘈杂。可以让 Claude 分析图谱：哪些笔记是连接枢纽、有哪些主题簇、哪里应建立跨簇桥梁。

1. Zettelkasten + AI

卡片盒方法强调原子笔记、唯一 ID 和显式链接，本来为人脑设计，但也很适合 AI。Claude 可以沿链接链条，用你的累积知识推理复杂主题。

1. Vault 驱动的 Claude Projects

把 vault 的关键部分导出为 Claude.ai Projects 的知识文件。比如 Marketing 区域成为内容生产项目的知识库，Finance 区域成为预算项目的知识库。

1. 反馈闭环系统

当 Claude 基于 vault 产出摘要、分析或建议时，把输出保存回 vault，并标记为 #ai-generated。这样 vault 同时包含你的原始思考和 Claude 的综合结果，二者互相累积。

作者实际使用的配置

作者的日常主力栈很克制：

• Obsidian：Smart Connections、Templater、Dataview、Periodic Notes、Tasks
• mcpvault MCP server：连接 Claude Code
• CLAUDE.md：配置 vault 位置和笔记规范
• 夜间 routine：处理 Inbox 并生成晨间摘要
• 每周五下午 4 点：自动周复盘

也就是六个插件、一个 MCP server、两个自动化。作者说这个系统一个下午就能搭好，但每周能节省数小时，而且每增加一条笔记，整个 vault 都会变得更有价值。

如何从今天开始

如果完整列表看起来太复杂，作者建议按这个顺序来：

1. 第 1 小时：下载 Obsidian，按 PARA（Projects, Areas, Resources, Archives）结构创建 vault，安装 Templater，并建立 daily notes 和 meeting notes 模板。
2. 第 2 小时：安装 Smart Connections，和你的 vault 进行第一次对话。哪怕只有 5 到 10 条笔记，也能看到潜力。
3. 第 3 小时：设置一个 MCP server，最简单的是 mcpvault，并连接 Claude Desktop 或 Claude Code，完成第一次跨 vault 查询。
4. 第 2 天：围绕当前项目和关注领域创建 10 条新笔记，每条都加 frontmatter 标签，并至少链接到两条其他笔记。
5. 第 3 天：搭建第一个自动化工作流，也就是晨间综合，并设为每日运行。
6. 第 1 周：安装 Periodic Notes 和 Dataview，开始建立每日笔记和每周复盘习惯。
7. 第 2 周：你已经在运行一个 AI-powered second brain，之后就是优化和扩展。

最终观点

最难的不是技术，而是最开始的三个小时。之后系统会形成自己的动量。

如果你只用 Obsidian 而不用 AI，你在做很多机器更擅长的手工劳动。如果你只用 Claude 而不用 Obsidian，你每次会话都从零开始，而不是从你过去学过和写过的一切开始。

真正的力量在连接处：把 Obsidian 作为长期知识层，把 Claude 作为推理和综合层。先装一个插件，连接一个 MCP server，跑一个工作流。一周后，你很可能不会再想单独使用其中任何一个工具。

作者认为，很多人第一次接触 Hermes Agent 时会困惑，并不是因为 Hermes 本身复杂，而是缺少一篇能从零知识一路带到完整自主 agent 系统的完整指南。

这篇文章的目标，是让读者完成一套从安装、配置、写第一个 skill、连接 MCP server、建立持久记忆、自动化 workflow，到部署多 agent 运行系统的完整路径。

1. Hermes Agent 到底是什么

作者把 Hermes Agent 定义为一个开源自主 AI agent 框架。它不是普通聊天机器人，也不是某个工具的简单包装层，而是用于构建持续运行、跨会话记忆、可复用 workflow、并能按计划自动执行任务的 agent 基础设施。

它有四个关键特性：

1. 持久记忆

普通 AI agent 关闭会话后就忘记上下文。Hermes 会把对话、任务、输出和决策写入记忆层，后续会话可以继续使用。

1. Skill 系统

Hermes 执行被称为 skill 的可复用工作流文件。skill 是 Markdown 文件，描述 agent 应该做什么。写一次之后，后续可以反复调用。

1. 计划任务自动化

Hermes 可以按配置的时间自动运行，比如晨间研究简报、夜间内容处理、每小时来源监控等。

1. MCP 集成

通过 Model Context Protocol server，Hermes 可以连接真实工具，如文件系统、数据库、网页搜索、API 和外部服务。

作者的结论是：Hermes 不是一个“你使用的工具”，而是一个“会运行的系统”。

2. 安装与初始设置

原文要求的前置条件包括：Node.js 18 或更高版本、Git，以及能熟练使用终端。

作者给出的安装流程是：克隆 Hermes 仓库，进入目录，安装依赖，复制 .env.example 为 .env，然后在 .env 中配置模型提供商、API key、记忆后端、调度器、日志等级和日志路径。

配置项大致包括：

• 主模型提供商，例如 Anthropic。
• 模型名称，例如 Claude 系列模型。
• API key。
• SQLite 记忆后端和 memory.db 路径。
• 是否启用 scheduler。
• 时区。
• 日志路径。

启动后，Hermes 应显示类似信息：记忆后端已初始化、skill 目录已加载、scheduler 已启用、agent 已准备好接收指令。

作者建议用第一条消息测试安装是否成功：询问 Hermes 对自身配置、记忆状态和可用 skill 的了解。

3. 文件架构

作者给出的 Hermes 项目结构包括：

• skills/：所有 workflow 文件，每个 skill 是一个 Markdown 文件。
• data/：处理数据、输出和 SQLite 记忆数据库。
• logs/：运行日志。
• config/：来源配置和调度配置。
• CLAUDE.md：最重要的上下文文件。
• .env：环境变量。
• package.json：项目配置。

其中 CLAUDE.md 被作者称为整个安装中最重要的文件，因为它告诉 Hermes 你是谁、你做什么、你希望 agent 如何运行。

4. 编写 CLAUDE.md

CLAUDE.md 是 Hermes agent 的“运行宪法”。每个 skill 执行前都会读取它，每个自动化 workflow 都会使用它提供上下文，每个输出都会被它塑形。

一个差的 CLAUDE.md 会产生通用输出；一个精确的 CLAUDE.md 会让结果像来自真正理解你业务的人。

作者建议在里面写清楚：

• 身份：姓名或品牌、角色、主要平台、服务对象。
• 内容与工作焦点：主题、内容格式、语气、绝不做什么。
• 当前项目：每个项目的状态和下一步行动。
• 当前优先级：最重要的三件事。
• 内容标准：优秀、可接受、应拒绝的输出分别是什么。
• 可信来源：你信任的出版物、频道和人物。
• 不想要的主题、格式或方法。
• 记忆规则：存储重大决策、跟踪已发布内容、记住来源质量、避免短时间重复同一来源。
• 输出规则：输出保存位置、文件命名、日志记录、人类审核标记。
• 更新计划：多久复查一次这个文件。

作者建议在写任何 skill 之前，先花 30 分钟认真填完 CLAUDE.md。

5. 构建第一个 Skill

在 Hermes 中，skill 是描述 workflow 的 Markdown 文件。作者给出的基本结构包括四部分：

• Purpose：这个 skill 做什么。
• Trigger：如何触发，手动或定时。
• Process：Hermes 应执行的步骤。
• Output：产出什么，保存到哪里。

示例 skill 是一个 morning briefing：每天早上读取配置来源，筛选过去 24 小时的重要发展，结合 CLAUDE.md 和记忆层，生成结构化晨间简报。

简报结构包括：

• 今日最重要的一件事。
• 发生了什么。
• 值得继续观察的情况。
• 与历史记忆的连接。
• 今日建议重点。

输出保存到 data/outputs/，并写入记忆，打上类似 daily-brief 的标签。

6. 记忆系统

作者认为，记忆系统是 Hermes 从“有能力的工具”变成“复利系统”的关键。

每个重要操作都会生成一条 SQLite 记忆记录，包含：

• 内容。
• 标签。
• 时间戳。
• 来源 skill。
• 相关性分数。

当任何 skill 运行时，Hermes 会先检索相关记忆，作为执行上下文。检索使用语义相似度，因此即使关键词不完全相同，也能找到相关内容。

作者建议每个 skill 都显式写出记忆规则：执行前检索哪些历史记录，执行后存储哪些发现、决策和输出。

记忆的复利在于：一周记忆的 Hermes 已经有用；三个月记忆的 Hermes 会成为另一类工具，因为它已经读过大量来源、处理过大量内容、跟踪过许多决策，并逐步知道什么对你的具体工作有效。

7. 连接 MCP Servers

MCP server 让 Hermes 从“能思考世界的 agent”变成“能对世界采取行动的 agent”。

原文提到的核心 MCP 包括：

• Filesystem MCP：读写本地文件。
• Brave Search MCP：实时网页搜索。
• GitHub MCP：访问代码仓库。
• Puppeteer MCP：浏览器自动化。

作者强调，Filesystem MCP 是最马上有价值的连接，因为它让 Hermes 能读取指定文件、写输出、更新索引、监控文件夹。

Brave Search MCP 让 Hermes 可以检索实时信息，适用于研究、监控和简报类 skill。GitHub MCP 则适合开发者工具内容、开源项目监控、技术研究和仓库分析。

作者建议连接后询问 Hermes 当前连接了哪些 MCP server，以及每个 server 提供哪些工具，以确认配置成功。

8. Scheduler 系统

Scheduler 把 Hermes 从“你主动调用的工具”变成“持续运行的系统”。

作者建议在 config/schedule.json 中定义定时任务，例如：

• 每天 6 点：morning briefing。
• 每 2 小时：source monitor。
• 每晚 8 点：content processor。
• 每周日 7 点：weekly review。
• 每晚 11 点：memory consolidation。

作者认为每套 Hermes operation 都需要五个计划工作流：

1. 晨间简报：读取来源、生成情报、设定当天重点。
2. 来源监控：定期检查新内容，加入处理队列。
3. 内容处理：处理当天捕获内容，生成输出，更新记忆。
4. 每周复盘：综合一周活动，识别模式和洞察。
5. 记忆合并：去重、更新相关性分数、整理记忆。

9. 构建完整内容系统

作者用 Hermes 构建了一个自动化内容操作系统。目标是：监控来源、识别内容机会、生成草稿、管理发布队列。

配置来源

在 config/sources.json 中定义来源，例如 Anthropic Blog、GitHub Trending AI、Hacker News 等，并为每个来源设置类型、URL、优先级和检查频率。

内容机会识别器

创建 content-opportunity skill。它读取 CLAUDE.md 中的内容支柱和受众，读取 source monitor 标记的新内容，并为每条新内容评估病毒潜力：

• 受众是否关心？
• 是否是真正新信息？
• 是否连接到内容支柱？
• 是否能找到独特角度？

得分高于阈值的内容进入 content-queue.md，并写入记忆。

草稿生成器

创建 draft-generator skill。它读取内容队列，选择优先级最高的内容，做实时研究，检查记忆中是否覆盖过该主题，然后按不同格式生成草稿，如 tweet、thread、article。

表现追踪器

创建 performance-tracker skill。它记录内容表现，分析哪些主题、格式、来源效果最好，并在模式明显时更新 CLAUDE.md 的内容优先级。

10. 多 Agent 运行

作者认为，单 agent Hermes 已经强大，多 agent Hermes 则是另一类能力。

多 agent operation 指多个专门化 Hermes 实例各自负责一个领域，共享记忆，并协调输出。

示例四 agent 内容系统：

• Research Agent：监控来源、识别机会、做深度研究，只读取，不创作。
• Production Agent：接收研究结果，生成内容草稿，只创作，不发布。
• Quality Agent：根据标准审查输出，批准或退回，不创作、不发布。
• Distribution Agent：接收批准内容，管理发布计划，只发布，不创作。

每个 agent 有独立的 CLAUDE.md 和 skills，但都指向同一个 SQLite 记忆数据库。这样研究结果能被生产读取，生产输出能被质量审查读取，质量批准能被分发 agent 读取。

handoff 通过记忆标签完成：

• ready-for-production
• ready-for-quality
• ready-for-distribution
• published

作者还建议创建一个 orchestrator skill，每 30 分钟检查流水线状态，发现卡住超过 4 小时的项目时标记为 stalled 并提醒人工检查。

11. 高级 Skill 模式

随着系统成熟，基础 skill 格式不够用。作者列出四类高级模式：

1. 条件执行

根据条件走不同路径。如果条件不清楚，则标记人工审核。

1. 重试逻辑

对每个项目最多尝试多次。主方案失败后切换备用方案，仍失败则标记失败并等待审核。不要在不完整或不确定时继续产出。

1. 质量门槛

在保存任何输出前，用明确标准评估。通过则保存；失败则尝试修订；多次修订失败则写入 review-needed/ 并附失败说明。

1. 记忆驱动执行

执行前检索此前运行、表现数据和模式笔记。用这些信息避免失败方案、优先采用成功方案，并在执行后记录新观察。

12. 常见问题排查

原文列出了一些早期最常见问题：

• Scheduler 没有执行：检查 .env 中是否启用 scheduler，检查 cron 表达式和日志。
• 记忆没有跨会话持久化：检查 MEMORY_PATH 和 data/ 目录写权限。
• MCP server 没有连接：检查全局安装、API key、.env 配置，并重启 Hermes。
• skill 输出质量低：通常是 CLAUDE.md 太模糊，或者 skill 的 Process 部分不够具体。
• Hermes 使用过时信息：检查 Brave Search MCP 是否连接。
• skill 运行但没有保存输出：检查 Filesystem MCP 路径和输出路径是否正确。

13. 衡量和改进 operation

作者认为，如果 Hermes operation 不随时间改善，就说明记忆系统没有被正确使用。

他建议创建 weekly-review skill，每周日运行，读取过去 7 天所有记忆，分析：

• 哪些 skill 无错误运行。
• 哪些 skill 出错。
• 哪些 skill 输出最好。
• 哪些 skill 需要改进。
• 哪些内容表现最好。
• 高表现内容有什么模式。
• 记忆记录是否足够完整。
• 检索出的记忆是否相关。

重要指标包括：

• skill reliability rate：计划任务无错误运行比例，目标高于 95%。
• memory retrieval relevance：运行 skill 时检索出的记忆是否真的相关。
• output quality consistency：输出是否稳定达到标准。
• operation coverage：目标 workflow 中已有多少比例被自动化。

14. 90 天搭建计划

作者把成熟 Hermes operation 的构建分为 90 天。

第 1 到 7 天：基础

安装 Hermes，写好 CLAUDE.md，构建 morning briefing skill，连接 Filesystem 和 Brave Search MCP，跑第一次定时简报。

目标：Hermes 稳定运行，并每天产出一个有用输出。

第 8 到 30 天：核心 Skill

为你的具体操作构建 5 到 8 个核心 skill，配置五个标准自动化 workflow，找到第一个与你领域相关的 MCP server。

目标：自动化 30% 的重复性知识工作。

第 31 到 60 天：优化

检查记忆质量，改进存储约定，根据三到四周结果优化 skill 输出，并构建带条件执行和质量门槛的高级 skill。

目标：Hermes 输出稳定达到质量标准，不需要大量人工修订。

第 61 到 90 天：多 Agent

如果你的 operation 足够复杂，设计多 agent 架构，编写各个 specialist agent 的 CLAUDE.md，配置共享记忆层，部署 orchestrator skill。

目标：Hermes 能协调多 agent，端到端处理复杂 workflow。

最终观点

作者认为，今天开始并连续运行 90 天的人，会拥有后来者无法快速复制的系统。

原因不是技术难以获得，而是 90 天持续运行积累的记忆层无法跳过。到第 90 天，Hermes 已经知道哪些来源对你的受众最好、哪些方法有效、哪些失败过，也了解你的语气、标准和优先级，因为它已经围绕这些规则执行了数百次。

这份累积智能就是护城河。

每运行一天，护城河就更深。每晚一个自动 workflow 在你不参与的情况下完成，复利就从那里开始。