用 Firecrawl + SearXNG 给 Hermes Agent 搭建本地搜索与网页抓取
用 Hermes Agent 做本地 AI 助手，网页搜索和内容抓取是刚需。SearXNG 负责聚合多引擎搜索，Firecrawl 负责 JS 渲染抓取，两者用 Docker Compose 一键部署，通过 127.0.0.1:3002 暴露给 Hermes Agent 直连。 为什么需要两层？ 直接上结论——单用 SearXNG 搜不到动态渲染页面的内容，单用 Firecrawl 的搜索功能又依赖外部服务。组合起来： 能力 SearXNG Firecrawl 聚合搜索 ✓ ✓ (通过 SearXNG) JS 渲染抓取 ✗ ✓ (Playwright) 批量爬取 ✗ ✓ 结构化提取 ✗ ✓ 架构 123456789Hermes Agent ├── web_search → Firecrawl API (127.0.0.1:3002/v2/search) │ └── SearXNG (容器内 searxng:8080) │ ├── Google (走代理) ...
让服务器的 AI 读写你的 Obsidian 笔记库：从自建同步到 MCP 集成
我的主力笔记工具是 Obsidian，本地通过插件直接管理文件，体验很好。但有一个问题：服务器上跑着 AI Agent（Hermes），它需要读写我的笔记库，而 Linux 服务器装不了 Obsidian 桌面客户端。Fast Note Sync 的 MCP 接口解决了这个问题——AI Agent 通过 MCP 协议直接操作笔记，本地依然用 Obsidian 管理，数据在两端实时同步。 两条路径，一个笔记库 整套方案的逻辑很简单： 1234567本地（有 Obsidian） 服务器（无 Obsidian） ↓ ↓Obsidian + FNS 插件 AI Agent (Hermes) ↓ WebSocket ↓ MCP 协议Fast Note Sync Service (NAS, Docker) ↓ SQLite本地存储 本地通过 Obsidian 客户端直接管理笔记，实时同步到服务端。服务器上的 AI Agent 通过 MCP 协议读写同...
在 RTX 4060 笔记本上运行 Qwen 3.5 9B：llama.cpp 本地部署实录
之前写了在 Fedora 44 上编译支持 CUDA 的 llama.cpp 的过程，这次记录一下用编译好的二进制运行 Qwen 3.5 9B 模型的完整经历，包括踩坑和性能测试结果。 硬件与模型 项目 配置 CPU AMD Ryzen 7 7840HS GPU NVIDIA RTX 4060 Max-Q 8GB 内存 32GB DDR5 系统 Fedora 44 (Linux 7.0.9) 模型 Qwopus3.5-9B-coder-Exp-IQ4_XS.gguf (5.2GB) 视觉投影器 mmproj.gguf (921MB) 模型是 Qwen 3.5 系列的 9B 参数编码变体，IQ4_XS 量化后体积约 5.2GB。Qwen 3.5 是混合架构，同时使用 Transformer 注意力机制和 Mamba 状态空间模型（SSM），其中只有部分层（第 3、7、11、15、19、23、27、31 层）使用完整注意力，其余为 Mamba 层。这种设计使得 KV cache 占用比纯 Transformer 模型小得多。 编译产物在 /h...
在 Fedora 44 上编译支持 CUDA 的 llama.cpp：完整指南
llama.cpp 是本地运行大模型的首选推理引擎，但官方预编译版本在 Linux 上不提供 CUDA 支持。本文记录了在 Fedora 44 系统上，使用 Toolbox 容器从源码编译支持 CUDA 13.2 的 llama.cpp 的完整过程，包括环境配置、依赖解决和性能优化。 为什么选择自己编译？ 在尝试了多种方案后，我决定从源码编译 llama.cpp，主要基于以下考虑： 方案 优点 缺点 llama.cpp 预编译 免编译 官方不提供 Linux CUDA 版本 Ollama 一键安装，自动 CUDA 封装层，略重 Vulkan 后端 无需 CUDA Toolkit 性能损失约 20-30% 源码编译 性能最优，可定制 需要解决依赖问题 关键发现：llama.cpp 官方发布的 Linux 版本只有 CPU、Vulkan、ROCm 和 SYCL 后端，没有 CUDA 后端。CUDA 预编译仅限 Windows。这意味着在 Linux 上用 NVIDIA GPU 跑 llama.cpp，要么从源码编译，要么接受 Vulkan 的性能损失...
Hermes WebUI 安装与使用指南
背景 Hermes Agent 默认在终端里交互，但终端对很多人来说不够直观。hermes-webui 是社区维护的专用 Web 前端，提供流式聊天、工具调用卡片、会话管理、文件浏览等功能，是目前体验最好的 Hermes 浏览器客户端。 本文介绍 hermes-webui 的安装、配置和日常使用。 hermes-webui 是什么 先厘清三个概念： hermes-webui hermes dashboard Open WebUI 定位 专用聊天前端 内置管理面板 通用 LLM 前端 仓库 nesquena/hermes-webui 内置命令 hermes dashboard open-webui/open-webui 聊天体验 流式输出、工具卡片、Mermaid 图 嵌入式终端 TUI 通用聊天界面 Hermes 特性 工具调用卡片、审批流、子代理卡片 配置编辑、Cron、技能、日志 无（不知道 Hermes 的存在） 适合场景 日常聊天 + 工作区 管理/运维/配置 多模型对比 推荐组合：hermes-webui 负责聊天，hermes ...
Hermes Agent 使用实践：核心机制与命令技巧
Hermes Agent 是 Nous Research 开源的 AI Agent 框架，模型无关、支持多平台。和传统 AI 聊天工具不同，它具备自进化能力——用得越久，积累的技能和记忆越多。本文重点介绍其核心机制和日常使用的命令技巧。 核心机制：它凭什么"越用越聪明" Hermes 的本质可以用一句话概括：让 AI 自己进化，而不是你当保姆。 传统 AI 工具是你写规则、调参数、加技能，整个过程依赖你持续输入。Hermes 把规则的生成过程自动化——它从经验中总结规则，写进系统。你只需要用，它在使用过程中反向构建自己的结构。 这个"自进化"的核心是一个五步闭环： 记住 → 总结 → 形成技能 → 用技能 → 根据反馈再改 这个循环不是偶尔触发，而是每一轮对话结束后都会发生。你每用一次，它就复盘一次。复盘不是"记录聊天"，而是"提炼经验"——只记有用的东西，还会整理结构。 三层记忆：不是"存聊天记录"那么简单 很多人以为 AI 记忆就是存聊天记录。Hermes 搞了三层结构，每层...
小米 MiMo 模型本地部署实践：从选型到踩坑
本文参考： XiaomiMiMo HuggingFace Ollama 官方文档 MiMo-7B-RL 技术报告 小米开源的 MiMo 系列模型在推理能力上表现亮眼，尤其是 MiMo-7B-RL 在数学推理任务上甚至超过了 DeepSeek R1。本文记录了在一台消费级笔记本上本地部署 MiMo 模型的完整过程，包括硬件配置分析、模型选型、部署方案对比，以及实际遇到的问题和解决方案。 硬件环境 本机配置如下： 项目 配置 OS Fedora 43 Workstation CPU x86_64 GPU NVIDIA GeForce RTX 4060 Laptop (8GB VRAM) 内存 16GB 磁盘 128GB（可用 82GB） CUDA 驱动 580.142 (CUDA 13.0) 关键限制：8GB 显存。这直接决定了能跑什么模型、用什么量化方案。 模型选型 小米 MiMo 系列开源了多个模型： 模型 参数量 类型 本地部署可行性 MiMo-7B-RL 7B 纯文本推理 ✅ 单卡可跑 MiMo-7B-RL-05...
介绍并初步使用 Hermes Agent
本文参考： Hermes Agent 官方文档 Hermes Agent GitHub 仓库 Hermes Agent 是由 Nous Research 开发的开源 AI Agent 框架，运行在终端、消息平台和 IDE 中。它属于 Claude Code（Anthropic）、Codex（OpenAI）同类的自主编码和任务执行代理，通过工具调用与系统交互。Hermes 支持任意 LLM 提供商（OpenRouter、Anthropic、OpenAI、DeepSeek、本地模型等 15+ 种），可在 Linux、macOS 和 WSL 上运行。 与其他 AI Agent 相比，Hermes Agent 有几个显著特点： 通过技能自我改进：Hermes 通过将可复用的过程保存为技能（Skills）来学习经验。当它解决复杂问题、发现工作流或被纠正时，可以将这些知识持久化为技能文档，在未来的会话中加载。技能随时间积累，使代理在特定任务和环境中表现越来越好。 跨会话持久记忆：记住你是谁、你的偏好、环境细节和经验教训。可插拔的内存后端（内置、Honcho、Mem0 等）让你选择内存...
Linux 下将浏览器缓存放到内存，并在登录登出时进行同步
如果你使用浏览器比较频繁，那么你的浏览器缓存会造成大量的磁盘 IO。想要减少磁盘 IO，保护磁盘的同时加快浏览器速度，可设置缓存使用内存。但是单纯使用内存放置浏览器缓存，会在重启后丢失缓存。所以本文使用脚本在登录登出时将缓存从内存同步回磁盘。 linux 下不同浏览器缓存位置不同： 默认 Microsoft Edge 缓存位置在 ~/.cache/microsoft-edge 默认 Google Chrome 缓存位置在 ~/.cache/google-chrome 默认 Mozilla Firefox 缓存位置在 ~/.cache/mozilla/firefox/XXXXXXXX.default-release/cache2 本文以 Microsoft Edge 浏览器为例。 Firefox 浏览器缓存位置中 XXXXXXXX 为八位因人而异的随机代码，请自行查找你缓存文件的位置。 1. 缓存同步（打包解包）脚本 首先需要安装 tar 的 lzop，根据你的发行版自行安装。 然后在你喜欢的位置建立核心脚本并添加可执行权限： 建议将脚本建立在你的用户主目录下的某个位...
Fedora 使用脚本配置国内镜像源
Fedora 默认使用 Metalink 给出推荐的镜像列表，保证用户使用的镜像仓库足够新，并且能够尽快拿到安全更新，从而提供更好的安全性。所以通常情况下使用默认配置即可，无需更改配置文件。 由于 Metalink 需要从国外的 Fedora 项目服务器上获取元信息，所以对于校园内网、无国外访问等特殊情况，metalink 并不适用，此时可以如下方法修改配置文件。 本脚本在Fedora 36 至 Fedora 39 测试通过 更改 Fedora 镜像源 Fedora 的软件源配置文件可以有多个，其中： 系统默认的 fedora 仓库配置文件为 /etc/yum.repos.d/fedora.repo，系统默认的 updates 仓库配置文件为 /etc/yum.repos.d/fedora-updates.repo。此外还有相应的 modular 仓库。 备份文件 将仓库配置文件备份到 /etc/yum.repos.d/backup 文件夹下。 123456cd /etc/yum.repos.d/sudo mkdir backup/sudo cp fedora.repo b...