为什么需要这套组合
用了一段时间AI助手后，发现一个核心痛点：每次和AI聊完，有价值的分析、整理的资料、讨论的结论，都留在了那个对话窗口里。 Hermes Agent本身有内置记忆（memory），但容量上限只有4KB——大概能记十几条笔记。对于一个每天产生大量对话的知识工作者来说，远远不够。 尝试对接用了好多年的trilium笔记。
实现 Discord（入口）→ Hermes（大脑）→ Trilium（记忆） - Discord作为对话入口，随时随地发消息 - Hermes作为AI核心，处理推理、执行任务 - Trilium作为外部知识库，无限容量，持久存储。
Trilium：为什么选它
市面上笔记软件很多，选Trilium主要看中几点：
- 自建，数据完全在自己手里——不依赖第三方服务
- 层级结构——笔记有树形目录，不是扁平文件
- 搜索语法强大——支持全文搜索、标签过滤、日期范围、属性查询
REST API（ETAPI）——一个curl命令就能读写，AI调用极其方便
接入过程
第一步：获取ETAPI Token
打开Trilium → Options → ETAPI → Create new token
第二步：配置MCP Server（后来放弃了）
一开始尝试了社区的MCP Server方案，但遇到了Pydantic兼容性问题——返回格式和Hermes的解析器不匹配。折腾了一会儿后决定放弃。
第三步：直接调ETAPI（最终方案）
实践证明，直接用curl调ETAPI比MCP更优：
- 没有额外的工具定义开销，每轮对话省~1000 tokens
- 没有兼容性问题，稳定可靠
可以灵活构造复杂查询
第四步：自动备份
hermes写了个Python脚本，通过ETAPI定期导出全部笔记为zip，配合cron定时执行，保留最近3份，自动清理旧备份。
实战场景
场景1：读取健康数据并分析
我把体检报告存在Trilium里。实现：
- 通过ETAPI搜索笔记
- 提取表格数据
分析趋势，给出风险提示。
场景2：会议准备
对AI描述了会议背景，它会： 1. 从Trilium读取相关笔记 2. 搜索最新法规（Agent-Reach） 3. 调研市场可选品牌 4. 从职业视角整理讨论要点 5. 最后存回Trilium的对应目录
从开始到输出完整大纲，不到5分钟。场景3：知识沉淀
对话中产生的有价值内容，AI会主动问"要不要存到笔记里？"。比如刚才讨论的FDA新规，直接存到Trilium，下次需要时随时调取。 对话不再是一次性的，每轮对话都在为知识库添砖加瓦。
踩坑记录
MCP vs ETAPI
| 维度 | MCP | ETAPI（curl） |
|---|---|---|
| Token消耗 | 多~1000/轮 | 零开销 |
| 稳定性 | 有兼容性问题 | 稳定 |
| 灵活性 | 受限于工具定义 | 完全灵活 |
| 易用性 | 自然语言调用 | 需要记API |
结论：对于Trilium这种有成熟REST API的工具，直接调API比MCP更优。
Token管理
Hermes的memory有上限（目前3999字符），需要精打细算。策略：
- 高频使用的信息写入memory
- 大量数据存Trilium
- 对话中按需从Trilium检索
成本
| 组件 | 成本 |
|---|---|
| Trilium | 免费（自建） |
| Hermes Agent | 按API调用计费 |
| Discord | 免费 |
| 服务器 | 已有的VPS |
几乎零额外成本。
总结
这套组合的核心价值：对话产生的洞察存入Trilium，Trilium的内容注入对话上下文。随着时间推移，AI对你越来越了解，越来越有用。
适合谁：
- 每天产生大量对话和笔记的知识工作者
- 重视数据自主可控的人
- 想让AI真正"记住"自己的人
下一步计划：
- 探索更多自动化场景（定时巡检、自动摘要）
- 研究Trilium的搜索DSL，实现更精准的知识检索
- 把Agent Reach的搜索结果自动归档到Trilium
评论