适合人群
- 每天刷 AI 新闻但关上手机就忘光的"信息焦虑症患者"
- 订了一堆 Newsletter 但从来读完的囤积型学习者
- 想用 AI Agent 自动化信息处理流程的开发者
- 对 LLM Wiki、Obsidian 知识图谱感兴趣的笔记爱好者
- 内容创作者，想提升信息输入质量和输出效率
准备清单
- 一台可运行 Hermes Agent 的电脑（Linux/macOS）
- Node.js 18+ 环境
- 一个邮箱账号（用于接收 Newsletter）
- Obsidian（可选，用于知识图谱可视化）
- 基本的终端操作能力
为什么你学 AI 总是学了就忘
有没有这种感觉——每天刷几十条 AI 推文、看无数条新闻，但关上手机那一刻，脑子里什么都没留下？
这不是你不够努力。问题出在两个地方：信息源质量和消化方式。
大多数人在微信公众号看二手甚至五手信息，真正有信号的内容在海外 Newsletter 里。而消化方式上，人类大脑不适合每天处理上百条碎片信息——但 AI Agent 适合。
本文介绍一套完整工作流：用 Hermes Agent 接入顶级 AI Newsletter → 自动筛选消化 → 通过 LLM Wiki 编译到 Obsidian 知识图谱 → 倒逼高质量输出。
第一步：筛选高质量 AI 信息源
没有好的信息源，后面的所有流程都是在处理噪音。以下是经过半年验证的 10 个高质量 AI Newsletter：
每日快讯类
- The Rundown AI（therundown.ai）：每日 AI 产业动态，通俗易懂、信息密度高
- TLDR AI（tldr.tech）：5 分钟科技简报，涵盖 AI + 编程 + 产品精华
- The Neuron（theneurondaily.com）：面向非技术读者的 AI 日报，3 分钟读完
工具产品类
- Ben's Bites（bensbites.com）：AI 工具圈消息源，新产品第一时间覆盖
开发者深度类
- Latent Space（latent.space）：swyx 的开发者简报，未公开项目 + 工程视角
- Smol AI News（smol.ai/news）：Discord、Reddit 等 AI 社区圈内信息直击
- Interconnects（interconnects.ai）：Nathan Lambert 的 RLHF、模型训练深度专栏
实用洞察类
- One Useful Thing（oneusefulthing.org）：Ethan Mollick 的 AI 实用洞察，学术 + 工作场景
- AI Breakfast（aibreakfast.beehiiv.com）：每周一份 AI 新闻早餐，系统回顾 + 深度讨论
- Every（every.to）：科技与商业趋势分析，资深专家视角
为什么不看国内公众号？
AI 这种变化快的赛道，真正有信号的内容全在海外。公众号内容被洗稿一层层过滤，等你看到时已经是二手甚至五手信息。
学东西，垃圾进垃圾出——源头必须把控好。
第二步：给 Hermes Agent 配置邮箱管道
有了好的信息源，下一步是让 Agent 能自动接收和处理这些 Newsletter。
方案一：使用 Agent 专用邮箱
网易推出了面向 Agent 的邮箱服务 Claw Email（claw.163.com），专门为 AI Agent 设计了邮件收发能力。
配置流程：
- 访问 claw.163.com 注册 Agent 邮箱（如
yourname@claw.163.com） - 安装 mail-cli 工具，让 Hermes 获得邮件读写能力：
# 全局安装 mail-cli
npm install -g @clawemail/mail-cli
# 配置 API Key（在 Dashboard 获取）
mail-cli config set-api-key YOUR_API_KEY
# 验证连接
mail-cli test
- 创建 Newsletter 专属子邮箱，隔离不同类型邮件：
mail-cli clawemail create \
--prefix newsletter \
--type sub \
--display-name "Newsletter Hub"
- 在 Dashboard 中开启子邮箱的外部通信权限：
- 进入 Dashboard → Agent 邮箱管理 → 选中子邮箱 → 通讯规则
- 选择「开放外部通信」
- 收信范围选「所有人」（Newsletter 发件域太杂，白名单维护不过来）
方案二：使用 Hermes 内置邮箱技能
Hermes Agent 支持 himalaya 等 CLI 邮件工具，可以直接接入你的 Gmail 或其他邮箱：
# 安装 himalaya
cargo install himalaya
# 配置 IMAP/SMTP
himalaya account configure
具体配置方法参考 Hermes 官方文档。
订阅 Newsletter
配置完成后，用 Agent 的专属邮箱地址去订阅前面列的 10 个 Newsletter。遇到确认邮件，直接让 Hermes 提取确认链接并自动确认。
"帮我检查邮箱里的确认邮件，提取所有确认链接并逐一确认订阅"
第三步：构建 LLM Wiki 知识图谱
这是整套流程的核心。不是简单地让 AI 帮你读完 Newsletter——而是把知识编译进一个互相连接的知识网络。
什么是 LLM Wiki？
Karpathy 在 2026 年提出一个观点：RAG 检索太窄，LLM 真正该干的是「知识编译器」。
打个比方：LLM Wiki 就像一个不知疲倦的实习生。你每天扔一篇文章给它，它把里面的概念、实体、主张、开放问题一个个拆出来，每个做一张索引卡片贴在墙上，再用线把新卡片和已有的相关卡片连起来。时间一长，这堵墙就是一张活的知识图谱。
操作步骤
- 让 Hermes 列出今天邮箱里的 Newsletter
"读取今天的 Newsletter 邮件，列出每封的主题和关键话题"
- 挑选最值得深读的文章
"这篇 Latent Space 关于 MCP 协议的文章，编译到我的 Wiki"
- Hermes 自动完成知识编译
Hermes 会将文章拆解为概念节点，与已有知识建立双向链接，生成 Markdown 文件存入 Obsidian vault。
- 在 Obsidian 中查看知识图谱
打开 Obsidian 的图谱视图，你会看到一个不断生长的知识网络。每个节点是一个概念，连线代表概念间的关系。
为什么这种方式有效？
这个模式符合认知科学的核心原理：新知识必须和旧知识建立连接才能真正记住。
传统方式：每天刷 100 条推文 → 零散碎片 → 一天就忘。
LLM Wiki 方式：每天深读 1 篇文章 → 自动关联已有知识 → 1 篇等于刷新 10 篇的旧知识。
知识图谱一天比一天厚，学进去就不易遗忘。
第四步：从知识输入到内容输出
学习不输出等于没学。有了 LLM Wiki 知识库之后，怎么把它变成你自己的内容？
方式一：让 AI 做知识问答
把 Wiki 的 index 文件给 Hermes，它就能在知识库中搜索和回答问题：
"阅读我的 Wiki index，解释 Verification Loop 这个概念。
列出知识库中所有相关文章和观点。"
方式二：生成信息图
Hermes Agent 内置信息图生成能力。给一个概念，它会扫描知识库中所有相关内容，直接输出一张结构清晰的信息图。
"基于我的 Wiki，生成关于 MCP 协议的信息图，包含核心概念、架构、应用场景"
方式三：AI 辅助写作
最有效的用法：你自己写文章，AI 做脑暴和盲点补充。
写作时遇到想不清楚的地方，直接问 Hermes：
"这个概念我上周读过哪几篇文章支持？"
"那个观点我怎么反驳？"
"还有哪些角度我没考虑到？"
Hermes 会利用 LLM Wiki 功能，从知识库中找出相关论据和反例，帮你补全盲点。
写完后如果需要排版和发布到自媒体平台，可以让 Hermes 自动处理。
完整工作流总结
每日流程（约 15 分钟）：
1. Hermes 自动收取 Newsletter（自动）
↓
2. 生成每日 Digest 摘要（自动）
↓
3. 你挑选 1 篇最值得深读的文章（2 分钟）
↓
4. Hermes 编译到 LLM Wiki（3 分钟）
↓
5. 在 Obsidian 查看知识图谱变化（5 分钟）
↓
6. 用 Wiki 辅助你的内容输出（5 分钟）
这套系统的价值不在省时间——在于让每一条新信息都和你的已有知识产生连接，真正"学进去"。
常见问题
Q: 不用 Hermes Agent，用 ChatGPT 能实现类似效果吗？
部分可以。你可以手动复制 Newsletter 内容到 ChatGPT 让它做摘要。但缺少自动收取邮件、自动编译到 Obsidian、知识图谱双向链接这些自动化环节。Hermes 的优势在端到端自动化。
Q: Obsidian 不熟悉怎么办？
Obsidian 是免费开源的笔记工具，上手很简单。核心就两个概念：Markdown 文件和双向链接。花 30 分钟看官方教程就能用。
Q: LLM Wiki 的知识编译质量怎么样？
对于概念定义、核心论点、实体关系的提取，目前 LLM 做得很好。但对于需要深度判断的内容（如"这个论点是否可靠"），还是需要人工审核。建议把 LLM Wiki 当作高效的知识索引，而非权威解读。
Q: 每天花多少时间维护这套系统？
配置阶段需要 2-3 小时。日常使用每天 15 分钟即可。Hermes 自动处理邮件收取和摘要生成，你只需要做"挑哪篇深读"这一个决策。
Q: 对 Claude Code 用户有什么额外价值？
如果你同时用 Claude Code 做开发，Hermes Agent 的知识库可以直接服务于编程场景——比如让 Claude Code 参考 Wiki 中关于某个技术方案的讨论来做架构决策。配合 Claude Pro 订阅 使用体验更佳。
参考来源
- 铁锤人 @lxfater：Hermes Agent 工作流推文
- Karpathy LLM Wiki 概念
- Hermes Agent 官方文档
- Claw Email Agent 邮箱
- Obsidian 官方网站
下一步建议
- 刚接触 Hermes Agent？→ Claude Code 完整教程
- 想学 MCP 配置扩展能力？→ Claude Code MCP 配置教程
- 想用国内模型降低成本？→ Claude Code 国内配置教程
- 想了解 Claude Pro？→ Claude Pro vs API 费用对比
- 需要稳定的网络工具？→ Shadowrocket 小火箭