2026年6月我每天的开发工作是这样开始的早上8点虚拟机自动开机。Agent体检脚本跑一遍——CPU、内存、磁盘、网络、模型余额、Gateway状态——30秒出完整报告。9点打开飞书直接用中文说帮我把昨天的调试经验收进WikiAgent自动读聊天记录、提炼知识点、建页面、加交叉引用、更新索引。下午写代码时切换到Pro模型做复杂推理跑批量任务时切回Flash省钱。晚上写公众号文章Agent自动生成封面、生成配图、排版、发布草稿——我只用App审核确认。这不是在讲AI能做什么这是我现在真实的日常工作方式。核心就是一句话用一套中台把所有AI能力串起来。一、什么是个人AI开发中台先说概念。企业级AI中台通常包含模型网关、Prompt管理、知识库、Agent编排、审计日志。搭建成本几十万起步需要一个团队维护。个人AI开发中台就是这些能力的个人版。你不需要一个团队——一个配置良好的AI Agent 几个开源工具就够了。我的中台架构是7层层作用核心组件通信层跨平台消息收发飞书Gateway、WebSocket模型层多模型路由和切换DeepSeek V4 Pro / Flash知识库层结构化知识存储和检索LLM Wiki (27页) RAG工具层外部系统交互Terminal / Git / Browser / API技能层领域知识按需加载50 Skills记忆层跨会话持久记忆Memory Store调度层定时自动化任务Cron Jobs每一层都可以独立替换、独立调试、独立升级。这篇文章逐层拆解。二、通信层飞书即终端你的AI中台不应该只在终端里用。否则你每次都得SSH进去敲命令——这违背中台的初衷。我的方案是飞书Gateway飞书 Gateway 工作原理飞书 App ←→ WebSocket ←→ Hermes Agent ←→ 模型 工具你在飞书里发一条消息帮我把昨天的调试经验收进Wiki→ WebSocket 推送到 Agent→ Agent 加载技能、调用工具、执行操作→ 结果通过 WebSocket 推回飞书为什么选飞书三个原因手机随便用躺在床上想查个文档打开飞书问Agent就行支持文件和图片截图直接发过去Agent能看图分析不需要额外App你本来就用飞书零切换成本配置很简单——一个systemd用户服务随系统自启systemctl --user enable hermes-gateway systemctl --user start hermes-gateway启动后飞书跟你说话 跟Agent说话。你可以像聊天一样做开发。三、模型层不要只用一个大模型很多人觉得最好的模型干所有事。但2026年的现实是场景推荐模型原因日常对话、简单任务DeepSeek V4 Flash够快、够便宜公众号文章、深度分析DeepSeek V4 Pro输出质量高长篇连贯代码审查、架构设计DeepSeek V4 Pro需要推理深度批量数据提取、文档处理DeepSeek V4 Flash量大省钱图片识别、视觉分析视觉模型专用能力代码自动补全Claude Sonnet / GPT-5各自优势场景核心策略一个问题先判断复杂度再选模型。我的配置是一个默认模型 一句话切换默认DeepSeek V4 Flash日常对话、快速任务我说切换到pro切到 DeepSeek V4 Pro写文章、深度分析我说切回flash切回去Agent记住当前状态下次开机会自动加载成本对比真实数据FlashPro写一篇15000字公众号文章~0.3元~2元日常对话100轮~0.1元~0.6元89份PDF批量Ingest~0.04元~0.3元Pro贵7倍但写出来的公众号文章质量差距肉眼可见。日常用Flash、重要任务切Pro——这是在能力和成本之间的最优平衡。四、知识库层LLM Wiki RAG双引擎这是中台的长期记忆。没有知识库Agent每次都是第一次见你。我的方案是两套并行4.1 LLM Wiki结构化知识网络现在27页6个实体20个概念1个对比。用Obsidian管理Agent通过工具读写。核心设计types/— 三种页面类型Entity / Concept / ComparisonSCHEMA.md— Wiki的宪法定义页面结构和规则index.md— 总目录每个页面必须登记log.md— 不可变操作日志只追加不修改raw/— 原始资料归档PDF、文章、截图wikilinks— 交叉引用网络[[页面名]]为什么不用纯RAG因为RAG每次检索结果不保证相同。同样是电源纹波排查第一次返回文档A的第3段第二次可能返回文档B的第7段。对于工程知识这种需要确定性的场景编译好的Wiki比检索的结果靠谱。4.2 RAG快速语义检索5000维TF-IDF向量索引覆盖Hi3519DV500的全部硬件文档。用在哪• 快速查阅芯片规格DDR支持什么频率 → RAG秒回• 跨文档交叉验证同一个寄存器在3份文档中的描述不一致 → RAG对比• 模糊回忆记得有个文档说DDR在60°C会降频但忘了在哪 → RAG定位双引擎策略快速问答 → RAG语义检索 LLM生成回答 ↓ 发现高频问题 知识固化 → LLM WikiAgent建页面 交叉引用 ↓ 以后同类问题 直接查Wiki → 100%准确0 Token浪费五、工具层Agent的手和脚一个没有工具的AI只能说话。一个有工具的Agent能做事情。我的中台开放了这些核心工具工具用途真实应用场景Terminal执行Shell命令编译Hi3519DV500 BSP、跑YOLOv8推理File R/W读写文件创建Wiki页面、保存公众号文章Git代码版本管理PR创建、diff审查BrowserWeb交互抓微信公众号原文、查CSDN帖子Web Search网络搜索查最新的SDK版本、芯片价格Image Gen生成图片公众号封面、架构图、配图Cron Job定时任务早报、周报、开机体检一个典型场景——公众号文章生成流程1. 我说写一篇NPU推理部署的文章2. Agent调用→Memory查排版偏好、项目约定→Knowledge Base查Wiki中的NPU推理页面和原始文档→Terminal验证SVP推理命令参数→Write File创建文章和目录→Image Gen生成架构图和封面→Web Publish上传草稿到微信公众号3. 我只需要打开订阅号助手App → 审核 → 发布关键设计原则工具不绑定模型。换模型不影响工具能力。Flash和Pro都能调用相同的Terminal、读相同的文件。六、技能层领域知识的即插即用这是中台最容易被忽视的一层——但它决定了Agent的专业水平。什么是Skill一段针对特定任务的操作手册。包含触发条件、步骤、命令、注意事项。当我说帮我把这篇文章发到公众号Agent不是凭经验操作——它加载了wechat-publish技能里面记录了• 公众号排版标准禁止编号列表、代码块灰底渲染、深色截图加白边• 发布脚本路径和参数• 封面生成尺寸和风格• 常见坑位和修复方案技能系统的厉害之处在于它会自动维护自己。如果技能里写的命令过时了Agent在执行时发现不对会自动更新技能。一个不被维护的技能会自我修复。当前技能库概览类别技能数例子软件开发15TDD、代码审查、调试、Agent协作嵌入式开发8Hi3519编译、交叉工具链、海思BSP公众号创作10排版、封面、配图、选题、发布知识管理5LLM Wiki、RAG、Obsidian系统运维5开机体检、Cron、systemd技能不是静态文档——它们是你和Agent协作经验的结晶。每完成一次复杂任务好的做法被固化到技能里下次自动复用。七、记忆层让Agent记住你没有记忆的Agent每次都是第一次见你。我的记忆系统分两层第一层User Profile你是谁• 名字、角色产品工程师软/电/结构三合一• 项目鸿鸥派 HongOU PIHi3519DV500• 工作方式偏好verbose输出、自动汇报Token• 工具链交叉编译路径、开发板配置第二层Memory工作笔记• 安全规则API Key必须打码• 排版标准公众号格式细节• 调试经验RTSP地址纠错、传感器时钟配置• 项目约定文件命名规则、CSV格式偏好记忆的自动修剪机制不是记越多越好。过期的信息如昨天的PR编号、“临时调试记录”会被自动清理。只有一个月后仍然有用的信息才持久化。八、调度层你睡觉时Agent在干活7×24小时自动运行的定时任务任务频率做什么开机体检每天8:00CPU/内存/磁盘/网络/模型余额图片简报每周日19:00自动生成开发周报图片公众号选题提醒每周一9:00盘点已写/待写文章调度层不需要Agent在线——Cron Job触发独立会话完成后结果推送到飞书。一个真实例子周日简报每周日晚上7点脚本自动运行——扫描Wiki更新记录、本周调试日志、编译产物——生成一张800×1200的暗色主题简报图片直接发到飞书。你只需要周日晚上打开飞书看一眼。九、实战回放一条消息背后的7层协作假设我在飞书里发了一条消息“用终端跑一下开发板的RTSP推流看看live265有没有图像”这条消息触发了什么1. 通信层0.1s— WebSocket 收到消息路由到Agent2. 记忆层0.05s— 加载RTSP地址live0/live265/live264图像倒立需vflip,hflip3. 模型层0.5s— 判断任务复杂度低用Flash4. 技能层0.1s— 不匹配任何技能直接执行5. 知识库层0.2s— 查Wiki确认RTSP推流命令格式6. 工具层2-5s— 执行终端命令抓取FFmpeg输出7. 通信层0.1s— 结果成功/失败截图推回飞书总耗时3-6秒。如果没有这7层整合你需要打开终端 → SSH到开发板 → 记起命令 → 输入 → 看输出 → 回到飞书汇报。大概30秒起步。十、搭建成本硬件一台Ubuntu 24.04虚拟机4核/10GB内存/100GB磁盘——任何现代笔记本都能跑。软件全部免费组件成本Hermes Agent免费开源飞书Gateway免费飞书API免费额度够用知识库Obsidian免费RAGTF-IDF本地运行零成本模型API费用用量场景月费Flash月费Pro为主轻度每天50轮对话~5元~20元中度每天100轮公众号~15元~60元重度批量Ingest多Agent~40元~150元我的实际数据6月份中度使用日常Flash 文章ProAPI费用约30元。十一、和直接用ChatGPT的区别维度直接用ChatGPT个人AI中台知识记忆每次重新描述背景Memory自动注入工具能力只有对话Terminal/文件/Git/浏览器/发布定时自动化无Cron 7×24运行跨平台网页/App飞书/微信/终端 多端统一知识积累每次对话结束后丢失LLM Wiki持续积累定制化靠Prompt50 Skills按需加载成本控制固定价格按任务选模型数据隐私云端本地API关键区别ChatGPT是一个对话工具。AI中台是一个开发平台。十二、搭建步骤如果你想搭一个类似的中台以下是简明步骤第一步安装基础1. 一个Linux环境Ubuntu 24.04推荐2. 安装Hermes Agent3. 配置模型API Key至少一个4. 验证终端里问Agent一个问题确认能回复第二步配置通信层1. 创建飞书应用获取App ID和App Secret2. 配置 Gateway 连接飞书3. 设为systemd用户服务随系统自启4. 验证飞书里机器人确认能回复第三步建立知识库1. 创建Obsidian Vault2. 初始化 SCHEMA.md 和 index.md3. 开始投入第一批资料PDF/笔记/文章4. Agent自动建页面、加链接、写日志第四步配置自动化1. 开机体检脚本系统资源模型余额2. 周报简报自动生成推送飞书3. 知识库定期健康检查孤立页面、断链检测写在最后三年前用ChatGPT我的方式是在网页上问一句、等回复、复制到编辑器里——每次对话都是独立的一次性操作。现在用AI中台Agent知道我是谁、在做什么项目、有哪些历史经验、偏好什么输出格式。我可以一句话触发一个完整流程——从查资料到写代码到生成文档到发布——全程我只负责审核。这不是AI变强了的结果这是AI被组织起来了的结果。个人AI中台的核心不是选哪个模型而是把这些能力组装成一个能持续工作的系统。你的知识库每周在增长Agent的能力就同步在增长。你今天踩的坑变成明天的Skill下个月Agent自动避开。搭建你自己的AI中台大概需要一个周末。第一个上午装好环境和通信层第一个下午投第一批资料进知识库。然后你就会发现——你跟AI的关系从对话变成了协作。
个人AI开发中台搭建——Hermes + 多模型 + 知识库全栈架构
2026年6月我每天的开发工作是这样开始的早上8点虚拟机自动开机。Agent体检脚本跑一遍——CPU、内存、磁盘、网络、模型余额、Gateway状态——30秒出完整报告。9点打开飞书直接用中文说帮我把昨天的调试经验收进WikiAgent自动读聊天记录、提炼知识点、建页面、加交叉引用、更新索引。下午写代码时切换到Pro模型做复杂推理跑批量任务时切回Flash省钱。晚上写公众号文章Agent自动生成封面、生成配图、排版、发布草稿——我只用App审核确认。这不是在讲AI能做什么这是我现在真实的日常工作方式。核心就是一句话用一套中台把所有AI能力串起来。一、什么是个人AI开发中台先说概念。企业级AI中台通常包含模型网关、Prompt管理、知识库、Agent编排、审计日志。搭建成本几十万起步需要一个团队维护。个人AI开发中台就是这些能力的个人版。你不需要一个团队——一个配置良好的AI Agent 几个开源工具就够了。我的中台架构是7层层作用核心组件通信层跨平台消息收发飞书Gateway、WebSocket模型层多模型路由和切换DeepSeek V4 Pro / Flash知识库层结构化知识存储和检索LLM Wiki (27页) RAG工具层外部系统交互Terminal / Git / Browser / API技能层领域知识按需加载50 Skills记忆层跨会话持久记忆Memory Store调度层定时自动化任务Cron Jobs每一层都可以独立替换、独立调试、独立升级。这篇文章逐层拆解。二、通信层飞书即终端你的AI中台不应该只在终端里用。否则你每次都得SSH进去敲命令——这违背中台的初衷。我的方案是飞书Gateway飞书 Gateway 工作原理飞书 App ←→ WebSocket ←→ Hermes Agent ←→ 模型 工具你在飞书里发一条消息帮我把昨天的调试经验收进Wiki→ WebSocket 推送到 Agent→ Agent 加载技能、调用工具、执行操作→ 结果通过 WebSocket 推回飞书为什么选飞书三个原因手机随便用躺在床上想查个文档打开飞书问Agent就行支持文件和图片截图直接发过去Agent能看图分析不需要额外App你本来就用飞书零切换成本配置很简单——一个systemd用户服务随系统自启systemctl --user enable hermes-gateway systemctl --user start hermes-gateway启动后飞书跟你说话 跟Agent说话。你可以像聊天一样做开发。三、模型层不要只用一个大模型很多人觉得最好的模型干所有事。但2026年的现实是场景推荐模型原因日常对话、简单任务DeepSeek V4 Flash够快、够便宜公众号文章、深度分析DeepSeek V4 Pro输出质量高长篇连贯代码审查、架构设计DeepSeek V4 Pro需要推理深度批量数据提取、文档处理DeepSeek V4 Flash量大省钱图片识别、视觉分析视觉模型专用能力代码自动补全Claude Sonnet / GPT-5各自优势场景核心策略一个问题先判断复杂度再选模型。我的配置是一个默认模型 一句话切换默认DeepSeek V4 Flash日常对话、快速任务我说切换到pro切到 DeepSeek V4 Pro写文章、深度分析我说切回flash切回去Agent记住当前状态下次开机会自动加载成本对比真实数据FlashPro写一篇15000字公众号文章~0.3元~2元日常对话100轮~0.1元~0.6元89份PDF批量Ingest~0.04元~0.3元Pro贵7倍但写出来的公众号文章质量差距肉眼可见。日常用Flash、重要任务切Pro——这是在能力和成本之间的最优平衡。四、知识库层LLM Wiki RAG双引擎这是中台的长期记忆。没有知识库Agent每次都是第一次见你。我的方案是两套并行4.1 LLM Wiki结构化知识网络现在27页6个实体20个概念1个对比。用Obsidian管理Agent通过工具读写。核心设计types/— 三种页面类型Entity / Concept / ComparisonSCHEMA.md— Wiki的宪法定义页面结构和规则index.md— 总目录每个页面必须登记log.md— 不可变操作日志只追加不修改raw/— 原始资料归档PDF、文章、截图wikilinks— 交叉引用网络[[页面名]]为什么不用纯RAG因为RAG每次检索结果不保证相同。同样是电源纹波排查第一次返回文档A的第3段第二次可能返回文档B的第7段。对于工程知识这种需要确定性的场景编译好的Wiki比检索的结果靠谱。4.2 RAG快速语义检索5000维TF-IDF向量索引覆盖Hi3519DV500的全部硬件文档。用在哪• 快速查阅芯片规格DDR支持什么频率 → RAG秒回• 跨文档交叉验证同一个寄存器在3份文档中的描述不一致 → RAG对比• 模糊回忆记得有个文档说DDR在60°C会降频但忘了在哪 → RAG定位双引擎策略快速问答 → RAG语义检索 LLM生成回答 ↓ 发现高频问题 知识固化 → LLM WikiAgent建页面 交叉引用 ↓ 以后同类问题 直接查Wiki → 100%准确0 Token浪费五、工具层Agent的手和脚一个没有工具的AI只能说话。一个有工具的Agent能做事情。我的中台开放了这些核心工具工具用途真实应用场景Terminal执行Shell命令编译Hi3519DV500 BSP、跑YOLOv8推理File R/W读写文件创建Wiki页面、保存公众号文章Git代码版本管理PR创建、diff审查BrowserWeb交互抓微信公众号原文、查CSDN帖子Web Search网络搜索查最新的SDK版本、芯片价格Image Gen生成图片公众号封面、架构图、配图Cron Job定时任务早报、周报、开机体检一个典型场景——公众号文章生成流程1. 我说写一篇NPU推理部署的文章2. Agent调用→Memory查排版偏好、项目约定→Knowledge Base查Wiki中的NPU推理页面和原始文档→Terminal验证SVP推理命令参数→Write File创建文章和目录→Image Gen生成架构图和封面→Web Publish上传草稿到微信公众号3. 我只需要打开订阅号助手App → 审核 → 发布关键设计原则工具不绑定模型。换模型不影响工具能力。Flash和Pro都能调用相同的Terminal、读相同的文件。六、技能层领域知识的即插即用这是中台最容易被忽视的一层——但它决定了Agent的专业水平。什么是Skill一段针对特定任务的操作手册。包含触发条件、步骤、命令、注意事项。当我说帮我把这篇文章发到公众号Agent不是凭经验操作——它加载了wechat-publish技能里面记录了• 公众号排版标准禁止编号列表、代码块灰底渲染、深色截图加白边• 发布脚本路径和参数• 封面生成尺寸和风格• 常见坑位和修复方案技能系统的厉害之处在于它会自动维护自己。如果技能里写的命令过时了Agent在执行时发现不对会自动更新技能。一个不被维护的技能会自我修复。当前技能库概览类别技能数例子软件开发15TDD、代码审查、调试、Agent协作嵌入式开发8Hi3519编译、交叉工具链、海思BSP公众号创作10排版、封面、配图、选题、发布知识管理5LLM Wiki、RAG、Obsidian系统运维5开机体检、Cron、systemd技能不是静态文档——它们是你和Agent协作经验的结晶。每完成一次复杂任务好的做法被固化到技能里下次自动复用。七、记忆层让Agent记住你没有记忆的Agent每次都是第一次见你。我的记忆系统分两层第一层User Profile你是谁• 名字、角色产品工程师软/电/结构三合一• 项目鸿鸥派 HongOU PIHi3519DV500• 工作方式偏好verbose输出、自动汇报Token• 工具链交叉编译路径、开发板配置第二层Memory工作笔记• 安全规则API Key必须打码• 排版标准公众号格式细节• 调试经验RTSP地址纠错、传感器时钟配置• 项目约定文件命名规则、CSV格式偏好记忆的自动修剪机制不是记越多越好。过期的信息如昨天的PR编号、“临时调试记录”会被自动清理。只有一个月后仍然有用的信息才持久化。八、调度层你睡觉时Agent在干活7×24小时自动运行的定时任务任务频率做什么开机体检每天8:00CPU/内存/磁盘/网络/模型余额图片简报每周日19:00自动生成开发周报图片公众号选题提醒每周一9:00盘点已写/待写文章调度层不需要Agent在线——Cron Job触发独立会话完成后结果推送到飞书。一个真实例子周日简报每周日晚上7点脚本自动运行——扫描Wiki更新记录、本周调试日志、编译产物——生成一张800×1200的暗色主题简报图片直接发到飞书。你只需要周日晚上打开飞书看一眼。九、实战回放一条消息背后的7层协作假设我在飞书里发了一条消息“用终端跑一下开发板的RTSP推流看看live265有没有图像”这条消息触发了什么1. 通信层0.1s— WebSocket 收到消息路由到Agent2. 记忆层0.05s— 加载RTSP地址live0/live265/live264图像倒立需vflip,hflip3. 模型层0.5s— 判断任务复杂度低用Flash4. 技能层0.1s— 不匹配任何技能直接执行5. 知识库层0.2s— 查Wiki确认RTSP推流命令格式6. 工具层2-5s— 执行终端命令抓取FFmpeg输出7. 通信层0.1s— 结果成功/失败截图推回飞书总耗时3-6秒。如果没有这7层整合你需要打开终端 → SSH到开发板 → 记起命令 → 输入 → 看输出 → 回到飞书汇报。大概30秒起步。十、搭建成本硬件一台Ubuntu 24.04虚拟机4核/10GB内存/100GB磁盘——任何现代笔记本都能跑。软件全部免费组件成本Hermes Agent免费开源飞书Gateway免费飞书API免费额度够用知识库Obsidian免费RAGTF-IDF本地运行零成本模型API费用用量场景月费Flash月费Pro为主轻度每天50轮对话~5元~20元中度每天100轮公众号~15元~60元重度批量Ingest多Agent~40元~150元我的实际数据6月份中度使用日常Flash 文章ProAPI费用约30元。十一、和直接用ChatGPT的区别维度直接用ChatGPT个人AI中台知识记忆每次重新描述背景Memory自动注入工具能力只有对话Terminal/文件/Git/浏览器/发布定时自动化无Cron 7×24运行跨平台网页/App飞书/微信/终端 多端统一知识积累每次对话结束后丢失LLM Wiki持续积累定制化靠Prompt50 Skills按需加载成本控制固定价格按任务选模型数据隐私云端本地API关键区别ChatGPT是一个对话工具。AI中台是一个开发平台。十二、搭建步骤如果你想搭一个类似的中台以下是简明步骤第一步安装基础1. 一个Linux环境Ubuntu 24.04推荐2. 安装Hermes Agent3. 配置模型API Key至少一个4. 验证终端里问Agent一个问题确认能回复第二步配置通信层1. 创建飞书应用获取App ID和App Secret2. 配置 Gateway 连接飞书3. 设为systemd用户服务随系统自启4. 验证飞书里机器人确认能回复第三步建立知识库1. 创建Obsidian Vault2. 初始化 SCHEMA.md 和 index.md3. 开始投入第一批资料PDF/笔记/文章4. Agent自动建页面、加链接、写日志第四步配置自动化1. 开机体检脚本系统资源模型余额2. 周报简报自动生成推送飞书3. 知识库定期健康检查孤立页面、断链检测写在最后三年前用ChatGPT我的方式是在网页上问一句、等回复、复制到编辑器里——每次对话都是独立的一次性操作。现在用AI中台Agent知道我是谁、在做什么项目、有哪些历史经验、偏好什么输出格式。我可以一句话触发一个完整流程——从查资料到写代码到生成文档到发布——全程我只负责审核。这不是AI变强了的结果这是AI被组织起来了的结果。个人AI中台的核心不是选哪个模型而是把这些能力组装成一个能持续工作的系统。你的知识库每周在增长Agent的能力就同步在增长。你今天踩的坑变成明天的Skill下个月Agent自动避开。搭建你自己的AI中台大概需要一个周末。第一个上午装好环境和通信层第一个下午投第一批资料进知识库。然后你就会发现——你跟AI的关系从对话变成了协作。
)
（支持资料、图片参考_相关定制）_可以扫码)
