> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# OKF + Hermes  + Gbrain
- URL: https://www.hubwiz.com/blog/okf-hermes-gbrain/
- Published: 2026-08-06T08:23:05.000Z
- Updated: 2026-08-06T08:23:05.000Z
- Description: 许多人对Andrej Karpathy提出的"LLM-Wiki"概念着迷，即LLM读取和编写Markdown维基以自主工作。结果，许多个人和小团队开始实现它。
- Author: admin
- Tags: KNOWLEDGE GRAPH, #Import 2026-10-14 14:41

许多人对Andrej Karpathy提出的"LLM-Wiki"概念着迷，即LLM读取和编写Markdown维基以自主工作。结果，许多个人和小团队开始实现它。

在将任务交给人工智能时，最大的问题往往不是人工智能模型本身，而是“如何为其提供必要的背景信息”。

例如，如果您要求人工智能“汇总上个月的订单数据”，除非它知道哪些表包含这些数据、列的含义以及表之间的连接方式，否则它无法给出正确的答案。

关键在于，OKF 试图解决的问题是“信息孤岛”，而不是“扩展”。

官方博客中描述的问题很简单：重要的内部知识，例如表结构、指标定义、事件响应指南、系统 JOIN 路径等信息，分散在元数据目录、维基、代码注释，甚至经验丰富的员工的知识中。

因此，每次创建新的人工智能代理时，团队都必须从头开始收集和理解必要的上下文信息。

OKF 是一项标准，它为这些“并非设计用于协作的维基”提供了一套通用规则。最简单的理解方式是，它提议为人工智能的 Markdown 维基提供一种“通用语言”，类似于互联网上的“HTML”。

## 1、OKF有什么好？

需要传递给AI代理的大部分知识是**公司内部知识**。

这包括表定义、指标计算方法、操作流程和API规范。然而，这些信息分散在维基、目录、代码和人们的头脑中。

结果，每次创建代理时，你都必须**从头开始重建必要的上下文**。

Google Cloud博客将此称为**上下文组装问题**。更多细节将在后面的"要点"部分提供。

通过使用OKF，你可以在使用AI的同时积累必要的上下文，然后直接利用它。

OKF旨在 **整合（编译）**分散的知识到可以用Git管理的Markdown文件中，然后进行维护。优点是，不必每次都搜索信息`index.md`，代理和人员读取源代码并将其转换为OKF包，这样你就可以从那里继续。

OKF试图解决的问题是"信息孤岛"而不是"扩展"。

官方博客中描述的问题很简单：重要的内部知识，如表模式、指标定义、事件响应指南、系统JOIN路径和其他信息，分散在不同的地方，如元数据目录、维基、代码注释，甚至经验丰富的员工的知识中。

因此，每次创建新的AI代理时，团队都必须从头开始收集和理解必要的上下文。

OKF是一个标准，为这些"不设计来协作的维基"提供一套通用规则。最容易理解的是，它是一个为Markdown维基提供"通用口语"的提案，类似于互联网上的"HTML"。

## 2、代理如何使用OKF？

AI代理通常很难仅通过调用模型来保持实际准确性。它们需要理解业务的具体上下文，引用正确的数据定义，并考虑过去的决策和操作知识。

OKF旨在用作"代理可以读取的内部知识库"。然而，拥有OKF并不会自动提高代理的输出质量。所描述知识的准确性、更新频率、与现有系统的连接方法以及代理端的参考设计都会影响其实用性。

此外，OKF v0.1不是一个完成的标准，而是一个初始规范，将通过未来的实现和用例不断发展。在AI时代，一个关键问题将是组织内部文档和元数据，使其易于AI代理访问。OKF可以作为此目的的候选格式进行参考。

## 3、MCP vs RAG vs OKF

在AI代理周围，有几个与OKF目标相似的约定和技术。因为很容易与MCP和RAG混淆，我们将用表格总结它们的作用。

![](https://www.hubwiz.com/blog/content/images/2026/08/image-96.png)

简而言之，**OKF负责"预先编写的知识"，而MCP和RAG负责"即时检索和连接数据的机制"**。例如，"每周活跃用户的定义"可以写在OKF中，而对BigQuery的实际查询可以通过MCP完成。RAG不是互斥的，也可以在RAG中使用OKF包作为搜索目标。

这不是选择一个选项的问题，而是审视**你已经拥有哪些领域以及缺少哪些领域**的实际方法。

## 4、如何安装Hermes + Wiki LLM

在本视频中，我将逐步向您展示如何在VPS上安装Hermes，以便您可以从任何地方与助手聊天。我还将向您展示如何开始添加知识图谱和Gbrain以扩展助手的功能。

让我们开始部署过程。要获得VPS的最佳优惠，请确保使用我的链接注册。您将获得任何Hostinger计划的额外10%折扣。

一旦您点击链接，您将被带到Hermes代理部署页面。

![](https://www.hubwiz.com/blog/content/images/2026/08/image-97.png)

点击**开始**，您将与我一起进入购物车页面选择VPS计划。您应该会看到我们的优惠券代码自动应用。如果没有，只需手动输入**GAO**。

首先，选择您的计费周期。您可以选择1个月、12个月或24个月。为了获得最佳价格，我建议选择12个月计划。

接下来，向下滚动并启用每日自动备份。Hermes代理可以重新配置自己的服务器环境，因此如果出现故障，备份将帮助您快速恢复一切。

之后，选择延迟最低的服务器位置。除非您特别需要其他区域，否则我建议保留默认选项。

最后，点击**继续**按钮。

![](https://www.hubwiz.com/blog/content/images/2026/08/image-98.png)

注册VPS后，付款处理后，您将被带到Hermes代理配置页面。只是一个快速提示：此页面经常更改，因此您的屏幕可能看起来与我的略有不同。

在本视频中，我们将使用Nexos API作为默认值。这将允许您使用多个模型与Hermes代理。

之后，点击下一步，查看所有文件，然后点击部署。部署过程通常需要大约5分钟才能完成。

![](https://www.hubwiz.com/blog/content/images/2026/08/image-99.png)

欢迎使用Hostinger Docker Manager。您可以在这里看到您的Hermes代理已经在新的Docker项目中运行，并且它已经设置Traefik作为反向代理，以确保您可以从网络上的任何地方安全地访问您的代理。

![](https://www.hubwiz.com/blog/content/images/2026/08/image-100.png)

部署完成后，打开Hermes仪表板并确认首次启动成功完成。这是设置不仅仅是一个计划的时刻。

Hermes现在正在运行，运行在永久环境中，并准备开始工作。

![](https://www.hubwiz.com/blog/content/images/2026/08/image-101.png)

因此，不是检查仪表板并认为"很好，它已安装。现在我可以将Hermes用于我的第二大脑"，Hermes代理默认已安装Wiki LLM并准备好使用。

Gbrain是一种记忆基础设施，用于以AI代理以后可以使用的格式存储此类信息。它是YCombinator CEO Garry Tan发布的开源软件，我被它作为LLM Wiki的能力所吸引。

我在这里提到的LLM Wiki不仅仅是供人类阅读的Wiki，而是以易于LLM和AI代理参考的格式存储知识的外部记忆。

我认为它类似于Andrej Karpathy（也是OpenAI的早期成员）谈论的LLM的Wiki概念。

GBrain嵌入保存的信息并使用向量搜索来查找语义相似的过去上下文。

![](https://www.hubwiz.com/blog/content/images/2026/08/image-102.png)

关键是它不仅仅是简单的关键字搜索，而是可以根据语义相似性检索信息，例如"过去做出类似决策的案例"或"与此功能相关的业务约束"。

这些是手动命令。一切设置好后，您可以运行Gbrain，然后运行PGLite。此过程准备Gbrain，然后运行`gbrain doctor`验证一切是否正确配置。

![](blob:https://www.hubwiz.com/41eb658e-aa30-46e1-bee4-1bd832fdf6cf)

由于我们是在Hermes中执行此操作，设置将自动处理，因此您无需手动输入这些命令。一切都将为您安装和验证，包括OpenAI嵌入配置。

如您所见，Gbrain已经存在很长时间，并提供许多可选的技能包。许多附加工具和功能也围绕它构建。

![](https://www.hubwiz.com/blog/content/images/2026/08/image-104.png)

## 5、结束语

查看Google的开放知识格式（OKF）让我意识到了一些事情。OKF和RAG专注于使有组织的知识易于AI访问和使用。然而，在信息成为知识之前，会议记录、聊天记录、疑虑、担忧和未完成的讨论中仍然隐藏着有价值的上下文。

这就是为什么ai-context-hooks不直接提供有组织的知识。相反，它创建了一种让AI返回源的方法。OKF是知识有组织后的格式。上下文钩子是此发生之前的入口点。

与其给AI答案，我们给它返回原始上下文的路径。未来，不仅模型和提示很重要，信息如何存储和呈现给AI也很重要。

---

*原文链接:* [*Google OKF + Hermes Agent + Gbrain: Turn Any Folder Into a Knowledge Graph*](http://freedium-mirror.cfd/https://medium.com/data-science-collective/google-okf-hermes-agent-gbrain-turn-any-folder-into-a-knowledge-graph-eb91d072326d?ref=hubwiz.com)

*汇智网翻译整理，转载请标明出处*