等等党又对了一次，Hermes + Obsidian 我打算长期用了

发表于 更新于
⏳ 约5分钟 · 2004汉字+120词

【编者注】 本文发布时推荐的 API 中转平台「爱加油（aijia.you）」已于 2026 年 6 月停止运营。文中涉及 API 配置的部分，请参考下方「API Key 从哪来？」一节中更新的中立方案。文章其余内容关于 Hermes + Obsidian 的判断与体验不受影响。

其实 Hermes 出来已经好多天了。我一直在观望，自己也在配、在用，故意没有急着发文章——因为上次被小龙虾搞了个焦虑，这次我想确认自己真的觉得好用，再开口。

现在我觉得可以说了。

我早说过了吧（得意脸）

几个月前，我写过一篇文章：小龙虾(OpenClaw)试吃记录，以及感想。当时的结论是——扛住焦虑，再等一会儿。

我替你们亲自踩过了：服务器被吃垮三次，本地安装花了一个下午，配好之后发现能干的事情 Gemini 和 Claude 早就在帮我做了。最后我写道：

“小龙虾还有很长的路要走：安装门槛太高、资源消耗太大、启动太慢、实际能解决的问题和现有工具高度重叠。”

但我当时也说了，小龙虾是过渡性产品。这类东西的逻辑历来如此：先有一批先行者跑出来验证需求、暴露痛点，然后才会有真正成熟的东西接上来。小龙虾帮整个行业试出来了”AI Agent 需要什么”——需要持久记忆、需要轻量部署、需要和你现有的工作流咬合——这个价值是真实的。只是那个答案，不是它自己。

我们等下一个，现在：

Hermes 来了。

我看了不少对比文章，好多没有提一个我们用户最关心的问题：token 消耗多少？上下文会不会爆？

这两件事直接关系到钱包和体验，但评测文章普遍喜欢聊功能，不聊账单。

Hermes 在这两点上的设计，我觉得值得单独说一下。

token 消耗：Hermes 解决过的复杂问题，会被固化成 Skill 文档。下次遇到同类任务，直接调 Skill，不需要重新把整段背景推导一遍——节省的是几倍到几十倍的 token。而且 Hermes 从 Vault 里取记忆用的是语义检索，不是全库塞进上下文，每次只拿相关的片段。

上下文长度：正因为检索精准，上下文天然短。上下文短带来的副作用是：模型更难”脑补”——也就是幻觉更少。这不是玄学，是 RAG 领域的基本共识：给模型喂干净的短上下文，比喂一大堆噪声然后祈祷它不出错，靠谱得多。

省钱和准确，这次是同一件事。

Hermes 是什么

Hermes Agent（NousResearch 出品，GitHub 40,000+ Stars）是一个开源的、会自我成长的 AI Agent。

它的定位和小龙虾不同：

  • 小龙虾是网关中心（gateway-centric）：接入一堆服务、帮你路由指令。它也有记忆系统，但记什么、调什么，得靠 Agent 自己判断和触发——更像是一个被动存档，不是主动带入。
  • Hermes 是运行时中心（runtime-centric）：它记住你。上周它帮你解决过一个复杂问题，它会把方法固化成一份 Skill 文档存起来。下周你再遇到类似的事，一句话，它直接调出来用。而且每次对话只精准检索相关片段、复用压缩过的 Skill——上下文更短、信噪比更高，省 token 的同时，幻觉也更少。

而且它是模型无关的——你可以接 OpenAI、OpenRouter，也可以跑本地模型，不绑死任何一家。

Hermes + Obsidian，怎么配

目前社区里最热门的组合是 Hermes + Obsidian，有人还会加上 OMI 做上下文捕获，但那个我觉得是进阶玩法，先说核心两件套。

逻辑很简单：

Obsidian 存记忆，Hermes 用记忆。

1
你的笔记 / 日常记录 → Obsidian Vault（本地）→ Hermes 读取 → 对话时自动带入上下文

你不需要每次打开对话都跟 AI 自我介绍一遍，也不需要把上下文手动复制粘贴进去。Hermes 启动时会读你的 Vault，它知道你在做什么、你的偏好是什么、上次讨论到哪里了。

对我来说这个组合刚刚好——我本来就在用 Obsidian 做笔记，那些笔记不需要做任何额外处理，直接就变成了 Hermes 的”长期记忆库”。零迁移成本。

基本搭建步骤：

  1. 从 GitHub 安装 Hermes（一行命令，Linux/macOS/WSL2 均可）
  2. 终端启动，hermes setup 引导配置
  3. 把 Obsidian Vault 路径接入作为记忆源
  4. 开始用

API Key 从哪来？

hermes setup 过程中会要求填入一个大模型的 API。Hermes 支持任何 OpenAI 兼容格式的 API，不绑死哪一家。

国内用户推荐直接用官方平台，无需中转，稳定且无 ToS 风险：

海外模型（Gemini、GPT-4o 等）可通过 OpenRouter 统一调用，一个 Key 换遍主流模型。

在 hermes setup 里填入对应平台的 Base URL 和 API Key 即可。以 DeepSeek 为例：

1
2
3
API Base URL：https://api.deepseek.com/v1
API Key：你的 DeepSeek API Key
Model：deepseek-chat（日常首选，性价比高）

如果你之前用过小龙虾，hermes setup 会自动检测 ~/.openclaw，提供一键迁移——配置、记忆、API key 全部带过来。

好在哪里

1. AI 终于有了长期记忆

这是最核心的。以前每次开新对话，AI 都是失忆状态，你要把背景重新铺一遍。Hermes + Obsidian 解决了这个问题：你的偏好、你的项目背景、你上次得出的结论，它都记得。

2. Skills 自动积累，越用越聪明

它解决过的复杂工作流，会被固化成 Skill 文档存在 Vault。几周之后，一个原来需要你写长 prompt 才能触发的操作，变成一句话指令。

3. 本地存储，数据自己拿着

所有记忆在你的 Obsidian Vault 里，不上云。可以检视、可以编辑、可以删除。这一点对我来说很重要。

4. 跨平台连续作战

CLI 开始一个任务，手机 Telegram 收通知，Discord 继续跟进——不断线，不丢上下文。

5. 更省 token，更少幻觉

Skills 把复杂推理的结果压缩成可复用的文档，下次直接调取而非重新推导，省的是几倍到几十倍的 token。精准语义检索只把相关片段塞进上下文，没有噪声——上下文越短、越干净，模型越难”脑补”出不存在的东西。省钱和准确，这次是同一件事。

和小龙虾对比

OpenClaw（小龙虾） Hermes + Obsidian
设计哲学 网关中心：接入多服务 运行时中心：记忆+技能积累
安装难度 高（编译 + 依赖 + 配置一下午） 低（一行命令，自动迁移 OpenClaw 配置）
资源消耗 重（我实测吃垮服务器） 轻量，本地友好
启动速度 慢（>10 秒） 快
持久记忆 有，但依赖 Agent 主动保存，旧内容需手动搜索触发 自动全量读取 Vault，Skills 自动检索，无需手动干预
技能积累 无 自动生成 Skill 文档，越用越强
数据存储 依赖第三方配置 本地 Vault，完全掌控
Token 消耗 无 Skill 压缩，每次推导从头开始 Skill 复用大幅压缩，精准检索减少噪声
幻觉风险 上下文质量依赖用户手动管理 短上下文、高信噪比，幻觉概率更低
适合人群 技术玩家，喜欢折腾服务连接 笔记重度用户，想要 AI 真正记住你的人

一句话总结：小龙虾是”AI 接线员”，Hermes 是”AI 长期搭档”。

最后说两句

折腾文具这件事，我折腾够了。

一个工具如果需要我反复调教才能勉强跑起来，它就不配占用我的时间。我之前说，在我已有 MCP 和 Skill 的工作流基础上：

“小龙虾能帮我做什么？所以就真的安排不下你的工位啊亲！”

Hermes 换了个思路——它没有挤进来抢别人的工位，而且它一看设计的产品生命周期就长。开源、模型无关、搭配 Obsidian 这种已经成熟的生态，不会因为某个模型降价或某个竞品冒出来就垮掉。

至少我感觉我等到一个称手的工具了，暂时不会换了。