企业官网建设流程全解析

内容比较多，可以收藏之后全文复制给你的Claude Code或者Codex阅读，叫它帮你操作。也可以上厕所的时候慢慢看，可以学到新的知识！

你可能遇到过这些问题。

推特看到好文，一顿复制粘贴。想找出来学习，得手动翻半天。

Notion 里存了几百篇笔记，但这些笔记之间是孤立的。你根本不知道某个概念在其他地方出现过。

每次问 AI 问题，它都从零开始搜索，临时拼凑答案。没有积累，没有记忆，Token还废掉一半。

更要命的是，你的笔记存在别人的服务器上。哪天服务关了，数据就没了。

ok我搭建的这套系统解决了这些问题。

四个核心优点：

1. 完全自动化：你不需要手动整理笔记，AI 自动帮你做
2. 本地存储：数据永远属于你自己，不会上传到任何服务器
3. 持久化积累：知识会不断积累，不是每次从零开始
4. 只需提问：你只需要提问和探索，其他交给 AI

简单来说，你把文档交给系统，系统自动整理成结构化的知识网络。你可以用双向链接自由浏览。

整条链路是：文档导入 → AI 整理 → Wiki 生成 → 双向链接。

全程不需要你手动操作任何图形界面，文件丢进去自动成网。

三个工具，各有分工

这套系统由两个工具组成。

Obsidian：笔记展示层

Obsidian 是一款本地双向链接笔记工具。

完全免费，跨 Windows、Mac、Linux 三平台。

它最核心的特点是双向链接。

什么叫双向链接？

在笔记里输入两个方括号，比如 [[Claude-Code-笔记]]，Obsidian 会自动把它变成一个紫色链接。

如果「Claude-Code-笔记」这篇笔记存在，点击就能跳转。

如果不存在，点进去就会创建它。

这就是双向链接的用法，非常简单。

它不需要你手动维护，Obsidian 自动帮你建立关系。

传统笔记软件的问题是什么？

写了几十篇笔记，但这些笔记之间是孤立的。根本不知道「苹果」这个词在其他所有地方出现过。

Obsidian 的 Graph View 可以把所有笔记和它们之间的链接关系可视化成一张图。

一眼就能看到知识结构。看到哪些节点是孤岛，哪些是枢纽。

另外，Obsidian 完全免费。个人使用没有任何限制。

所有数据都在本地，不会上传到任何服务器。

Hermes Agent：自动化执行引擎

Hermes Agent 是 Nous Research 开发的自主 AI 代理。

它最大的特点是内置学习循环，能从经验中创建技能、改进技能。

在这套知识管理工作流里，Hermes 承担的功能是自动化执行引擎。

它内置了 llm-wiki skill，可以直接按 LLM Wiki 的文件结构规范操作知识库。

这意味着什么？

你不需要手动创建文件夹、整理笔记、添加双向链接。

你只需要告诉 Hermes「把这篇文章写入知识库」，Hermes 就会自动：

• 提取文档中的关键实体（人物、工具、项目）
• 提取核心概念（方法论、技术原理）
• 创建结构化的 Markdown 文件
• 添加 双向链接 连接相关概念
• 更新知识库索引

这里要强调一个重要的使用规则：只有当你明确要求的时候，Hermes 才会操作知识库。

具体来说：

• 当你说「写入知识库」「导入知识库」「把这个文件放进知识库」的时候，Hermes 才会执行导入操作
• 当你说「结合知识库」「查一下知识库」「根据知识库回答」的时候，Hermes 才会去检索

日常的普通对话，Hermes 不会主动去动你的知识库。

这样做的好处是什么？

你的知识库不会被无关的对话污染。只有真正需要结合知识内容的提问，才会触发检索。

LLM Wiki ：知识库标准

LLM Wiki 不是一个独立的应用，而是一套知识库文件结构规范。

它定义了如何组织知识

这套结构的核心思路是：让 AI 增量构建一个持久化的 Wiki。

什么叫持久化？

你导入一篇文档，系统不会只是索引一下就完事了。

它会真正理解这篇文档，提取里面的关键实体、概念、关系，然后生成或更新对应的 Wiki 页面。

这些 Wiki 页面会保存在本地。

随着你导入的文档越来越多，这个 Wiki 会越来越丰富。

页面之间会形成引用和关联，矛盾的地方会被标注。

当你再提问的时候，不需要从原始文档里临时拼凑了。

Wiki 里已经有了结构化的知识，直接基于 Wiki 回答就行。

而且会标注来源，告诉你这个结论来自哪篇文档。

完整工作流演示

现在把两个工具串起来看。

整个工作流的入口是 Hermes Agent。

第一步：下达指令

比如你说「把这篇 AI 写小说的文章写入知识库」。

这句话里有明确的动作「写入知识库」，所以 Hermes 知道需要执行知识库写入操作。

第二步：Hermes 自动整理

Hermes 通过内置的 llm-wiki skill 自动完成以下操作：

• 读取文档内容
• 提取关键实体（人物、工具、项目）
• 提取核心概念（方法论、技术原理）
• 创建结构化的 Markdown 文件
• 添加 双向链接 连接相关概念
• 更新知识库索引和日志

全程不需要你动手。

第三步：文件结构生成

Hermes 会按 LLM Wiki 规范创建文件：

knowledge_base/ ├── raw/sources/ # 原始文章 ├── wiki/entities/ # 实体文件（工具、人物） ├── wiki/concepts/ # 概念文件（方法论） ├── wiki/index.md # 知识库索引 └── wiki/log.md # 更新日志

每个文件都包含：

• 元数据（标签、创建时间）
• 核心内容
• 双向链接 指向相关页面

第四步：Obsidian 展示知识网络

打开知识库目录，把它作为 Vault 拖进 Obsidian。

现在你就拥有了一个由 AI 精心整理过的知识库。

双链网络可以自由浏览，Graph View 可以看到知识点之间的关联强度。

第五步：无限循环

这个过程可以无限循环。

每次导入新文档，知识网络都会自动更新。

已有的页面会被补充新的信息，与新内容矛盾的地方会被标注。

不同文档里提到的同一个概念会被关联到同一个 Wiki 节点上。

久而久之，知识库会变得越来越准确，越来越丰富。

安装步骤

第一步：安装 Obsidian

打开官网 obsidian.md，下载 macOS 版本。

安装之后，打开 App。

它会让你选择或创建一个 Vault。

Vault 就是笔记仓库，本质上就是一个文件夹，里面装满了 Markdown 文件。

你可以把已有的笔记文件夹直接导入，也可以新建一个空白的 Vault。

第二步：安装 LLM Wiki

访问 GitHub 上的 nashsu/llm-wiki，在 Releases 找到最新版本。

https://github.com/nashsu/llm_wiki

下载 macOS 的 DMG 或 App tar.gz 文件。

解压后把 LLM Wiki App 拖到应用程序文件夹。

双击打开 App。

第一次使用需要新建一个项目，点击 New 或加号按钮。

点击右下角的设置图标，选择模型供应商，填入你的 API Key。

LLM Wiki 支持 OpenAI、Claude、Minimax 以及任何 OpenAI 兼容的 API 接口。

第三步：安装 Hermes Agent

Hermes Agent 是 Nous Research 开发的自主 AI 代理，负责自动化执行。

支持系统：macOS、Linux、Windows

安装步骤：

打开终端，运行安装命令：

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

安装完成后，重新加载配置：

source ~/.zshrc

检查是否安装成功：

hermes

如果能进入 Hermes 对话界面，说明安装成功。

首次配置：

运行配置向导：

hermes setup

选择模型提供商：

hermes model

根据你的账号选择（OpenAI、Claude、OpenRouter 等）。

配置知识库规则（重要）：

首次使用时，告诉 Hermes 你的知识库规则：

我的知识库目录是：/Users/你的用户名/Documents/knowledge_base规则： 1. 只有我明确说"写入知识库"时，才可以写入知识库。 2. 只有我明确说"结合知识库"时，才先检索知识库再回答。 3. 所有知识页使用 Markdown 和 [[双向链接]]。 4. 使用 LLM Wiki 文件结构管理知识库。

以后就可以直接说"写入知识库"或"结合知识库"，Hermes 会自动执行。

使用规则

用好这套工作流只需要记住三条规则。

规则 1：说「写入知识库」，Hermes 来整理

当你有新的文档需要管理，产品文档、会议记录、学习笔记、技术方案。

你只需要告诉 Hermes「把这篇文章写入知识库」。

Hermes 会通过内置的 llm-wiki skill 自动：

• 提取文档中的关键实体和概念
• 创建结构化的 Markdown 文件
• 添加 双向链接
• 更新知识库索引

全程不需要你动手。

规则 2：说「结合知识库」，Hermes 来检索

当你需要基于资料库来回答问题，比如「根据我们已有的产品文档，介绍一下我们的技术架构」。

你加上「结合知识库」这几个字，Hermes 就会检索知识库中的相关文档。

AI 整合之后给你一个完整的回答，并且标注来源。

日常的普通对话，Hermes 不会主动去读知识库。

比如你问「今天天气怎么样」，直接回答，不会去查你的资料库。

这样知识库不会被无关内容污染，每次检索的结果也更精准。

规则 3：Obsidian 随时可用

wiki目录可以直接拖进 Obsidian 当 Vault 使用。

双链跳转、Graph View、全文搜索，所有 Obsidian 的功能随时可用。

你可以在 Obsidian 里边浏览、编辑笔记。

所有内容都是纯 Markdown，可以在任何工具之间迁移。

总结

写入知识库，Hermes 自动整理。你说，Hermes 做。

结合知识库，AI 检索、整合，回答你的问题。

知识库目录，Obsidian 展示，双链自由浏览。

两个工具各有分工：

• Hermes Agent 是自动化执行引擎，负责接收指令，提取结构化知识，按 LLM Wiki 规范创建文件
• Obsidian 是笔记展示层，负责双向链接和知识网络可视化

用好这套工作流，你不需要手动整理笔记。

不需要每次都从零开始搜索。

让 AI 替你做繁琐的知识管理工作，你只需要专注于提问和探索。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】