我不是从 Hermes 开始用 AI 的。

真正的起点可能是 2024 年底，我在阿黛浓美术馆等朋友时，问 o1 pro：写诗的秘诀是什么。

它回了 Emily Dickinson 那句：

Tell all the truth but tell it slant.

说出全部真相，但斜着说。

那一刻我第一次感觉到：AI 不只是资料库。它能接住语言、隐喻和结构里的东西。

后来一路走到 Hermes，我才发现这条线其实很清楚：

AI 先接住我的语言。再进入我的知识库。最后开始操作我的文件、代码和任务流程。

---

我最早喜欢的是 Heptabase。

不是因为它是”笔记软件”，而是因为它能把卡片之间的线画出来。卡片、白板、连线、关系网络。

我关心的从来不是单个对象，而是对象之间的关系，以及关系稳定下来以后形成的结构。

当然，后来没继续用的原因也很朴素：它要收费。

---

后来转向 Logseq。

Logseq 对我最大的价值不是双链多酷，而是写入摩擦低。你可以直接写进 daily journal，不用一开始就想：这条想法属于哪个文件夹？要不要单独成页？以后怎么分类？和谁链接？

它允许我先写下来，后面再治理。

而且在 Logseq 阶段，我其实已经开始用 AI 治理笔记了。所以我的路径不是：

手工笔记 → Obsidian → AI

而是：

关系型笔记 → 低摩擦写入 → AI 治理 → 长期知识底座

后来选择 Obsidian，是因为它更适合长期维护：本地 Markdown、可控、可迁移、可脚本化，也更适合被 agent 读写。

---

早期用 Gemini / NotebookLM 的时候，我给过类似这样的指令：

剔除偏见，校准事实。保持客观仲裁者视角，避免虚伪的 AI 安慰。act as an objective arbitrator who understands me well.

这基本暴露了我的 AI 需求。

我不是想要 AI 哄我。我想要一个懂我的校准器。

---

后来 Gemini 在我的工作流里逐渐变成了搜索引擎。

不是它没用，而是它的位置变了。它适合外部资料、搜索、材料入口。但我真正需要的是：读本地文件、改 Obsidian、跑命令、写代码、维护结构、推进任务。

这个位置后来被 Claude Code、Codex、Hermes 接走了。

---

2026 年 2 月，我在 Windows 台式机上跑通了 openclaw。

我给它取名”小牛马”。它帮我整理桌面，把桌面分成 Work、Games、Archive_2026。

当时体验非常粗糙：运行几分钟，debug 几小时，API token 很快见底，rate limit 经常出现。但我还是很激动。

因为我第一次真实感觉到：AI 开始操作电脑了。

---

Claude Code 出现以后，我对 Obsidian 的感觉变了。

以前 Obsidian 强，但学习成本也高：Markdown、YAML、插件、命令、模板、MOC、文件路径、链接维护。Claude Code 把很多成本吃掉了。

我只需要说：找那张六要素卡，加一张控制论反馈闭环卡，不要和羽毛球联系，放到 learning/认知，顺便更新相关链接。

它就能操作。

---

再后来到 Codex。

Claude Code 更像本地文件和项目操作层。Codex 更像工程执行层：进 repo，改代码，跑测试，修错误，做原型。

对我来说这一步很关键。因为我不只是想整理知识，还想做 Goodminton、AI 羽毛球姿势分析工具、脚本、网站、模型实验。Codex 让这些东西从”想得到”变成”能推进”。

---

最后到 Hermes。

Hermes 对我不是一个聊天工具。它更像一个统一调度层：长期记忆、Obsidian 读写、终端、浏览器、图像理解、定时任务、工具调用、技能沉淀、agent 协作。

它把很多原本分散的能力汇到一个入口。

---

所以我吃到的 AI 红利，不是”写作变快”。

而是复杂系统的操作成本下降了。以前很多东西不是我想不到，而是做起来太麻烦：知识库治理、卡片沉淀、代码原型、工具调试、自动化、模型实验、训练系统。AI agent 把这些成本压到了一个个人可以承受的范围。

---

我也不觉得自己高估 AI。

越了解 LLM，越知道它的作用和局限。它强在结构生成、语言重组、模式迁移、代码和工具操作。它弱在事实保证、现实检验、价值判断和长期责任边界。

所以我现在的分工很简单：AI 负责生成和操作，事实负责校准，人负责判断和担责。

---

对我来说，AI 最重要的变化，不是它更会聊天了。

而是它开始能操作我的文件、代码、知识库和任务流程。

它没有替我思考。它只是终于让我能操作自己的思考。