知识自动化管线搭建指南
从零搭建 AI Agent 知识自动化管线
信息过载不是一个新问题，但在 AI 时代它以一种全新的方式卷土重来：每天涌现的论文、技术博客、开源项目和 API 变更日志，远超个人阅读极限。传统的"RSS + 稍后读 + 笔记"流程已经崩溃——收藏夹里躺着 500+ 篇文章，而你一星期都未必点开一篇。
答案不是"更努力地阅读"，而是让 AI Agent 替你完成筛选、摘要、分类和入库。本文介绍一套经过实战验证的 5 层知识自动化管线，把从信息源到知识库的全过程交给 Hermes Agent 处理。
五层管线架构
整个管线分为五个层级，每一层都是独立的 Agent 任务，通过 cron 调度串联运行：
Layer 1
RSS 监控层 — Hermes 每 30 分钟轮询指定 RSS 源（ArXiv、Hacker News、指定技术博客），抓取新条目标题与摘要。去重后推入"知识收件箱"。
Layer 2
AI 摘要与分类层 — 对收件箱中的条目调用 LLM 进行自动摘要（200 字以内），同时标注领域标签（NLP / CV / Agent / Infra）和重要度评分（1-5 星）。
Layer 3
Staging 缓冲层 — 摘要结果不直接入库，而是先写入
~/wiki/staging/ 目录。你有 24 小时窗口手动审核、补充或删除，避免垃圾信息污染知识库。Layer 4
长文提取层 — 对审核通过的条目，Hermes 抓取原文全文，提取核心论证、关键数据和可复现步骤，生成结构化笔记。代码仓库相关的条目同时提取 README 摘要和使用示例。
Layer 5
LLM Wiki 落库层 — 最终笔记写入
~/wiki/ 知识库。自动建立实体页（项目、论文、技术栈）、概念页（方法论、架构模式）和对比页（方案 A vs B），以双向 wikilink 互联。关键设计决策
为什么需要 Staging 层？
在早期版本中，我们尝试过"全自动入库"——AI 打分 ≥ 4 星就直接写入 Wiki。结果发现三个问题：
- LLM 对"新颖性"的判断偏保守，过度过滤了跨领域的内容
- 摘要有时会遗漏你最关心的细节（比如某个 API 的参数变更）
- 缺乏人机协作的"校准信号"——你无法纠正 AI 的分类偏差
Staging 层解决了所有三个问题。它给了你一个低摩擦的审核入口：每天早上花 5 分钟扫一眼 staging 目录，批量确认或删除。你的每一次"确认"和"拒绝"都会作为反馈信号被记录到 log.md 中，后续可以用来微调摘要 Prompt。
部署步骤
以下是完整部署流程，基于 Hermes Agent 的 cron 系统：
前置条件：
Hermes Agent 已安装并配置好 LLM provider；~/wiki/ 目录结构已按 Karpathy LLM Wiki 规范 初始化。
| 步骤 | 操作 | Hermes 命令 | 频率 |
|---|---|---|---|
| 1 | 创建 RSS 监控 cron | cronjob create --schedule "30m" |
每 30 分钟 |
| 2 | 创建摘要分类 cron | cronjob create --schedule "every 1h" |
每小时 |
| 3 | 初始化 staging 目录 | mkdir -p ~/wiki/staging |
一次性 |
| 4 | 创建长文提取 cron | cronjob create --schedule "0 8,20 * * *" |
每天早晚各一次 |
| 5 | 创建 Wiki 落库 cron | cronjob create --schedule "0 9 * * *" |
每天上午 9 点 |
运营效果
~120
日均抓取条目
15-20
日均入库笔记
5 分钟
每日审核耗时
运行两个月后，我们的 Wiki 已有 400+ 篇结构化笔记、80+ 个实体页和 30+ 个概念页。最重要的是——这些内容真的会被用到。当你在写技术方案时需要查阅"RAG 评估框架对比"，Hermes 可以直接搜索你的 Wiki 给出整理好的对比表，而非从零搜索互联网。
— 全文完 —