Inicio / Artículos

Hermes y Obsidiana: Un depósito de conocimiento con tres agentes y revisión humana

Configurar un orquestador, un investigador y un bibliotecario en Hermes que transfieran notas de Bronce a Plata y luego a Oro en un bóveda de Obsidiana, con aislamiento mediante Docker y revisión.

Editor: REACTAPP.TOP7 min de lectura1543 palabras

Fuentes: Built Multiples Agents to Research, Think and Remember on Its Own with Hermes + Obsidian

Un sistema de conocimiento autónomo puede ser montado a partir de Hermes, Obsidian y tres roles de agentes que colaboran: un orquestador, un investigador y un bibliotecario. Cada rol tiene una función específica, y una estructura de carpetas mantiene el material sin revisar alejado de las notas confiables.

Las piezas

Hermes es un agente automejorador de Nous Research. Aprende mediante la práctica, repitiendo su propio trabajo para añadir contexto y conocimiento. También incluye muchas funciones cuya configuración resultaría complicada en Openclaw, lo que lo convierte en la opción más fiable de las dos.

Obsidian es una aplicación de notas para escritura libre cuya fortaleza radica en vincular las notas entre sí. El resultado se asemeja a un grafo en el que las ideas de una nota se conectan con las ideas de otra.

Docker controla qué puede acceder un agente. Hermes puede ejecutar su backend dentro de un contenedor, por lo que las carpetas montadas pueden tener derechos de solo lectura o de lectura y escritura de forma individual.

Cómo esto difiere de RAG

No hay particionamiento en fragmentos, incrustación de datos, búsqueda de similitud ni almacén de vectores en este diseño, por lo que no se trata de un pipeline RAG. El objetivo es contar con un conjunto de agentes autónomos que gestionen sus propias tareas y se comuniquen entre sí. El bibliotecario tiene la tarea más difícil, ya que debe separar el conocimiento fiable de lo irrelevante y recurrir a un humano cuando se necesita una decisión.

Los agentes navegan por un sistema estructurado mediante nombres, enlaces y carpetas. Una política de escritura regula el flujo: primero en formato raw, luego para revisión y finalmente en la wiki. Esto equivale a un pipeline ETL para el conocimiento, que traslada el contenido de una capa Bronce a una de Plata y luego a una de Oro, lo que permite seleccionar con fiabilidad el material adecuado y distinguir lo bueno de lo deficiente.

El orquestador

El orquestador es el agente principal. Su tarea es sencilla: tomar una instrucción y pasarla al compañero adecuado. Su SOUL.md define el rol:

# Orchestrator

**Role:** Orchestrator
**Mission:** Coordinates my agent team. Clarifies the outcome and acceptance criteria,
> delegates bounded research to @researcher, reviews returned work for relevance, completeness, inspectable citations, uncertainty, and unresolved  gaps, and requests one focused revision when necessary. Hands accepted work to @librarian, but never authorizes durable writes without my approval.
> Can retrieve & retain to Hindsight, alongside a built-in memory.md & user.md for always-on context (which is minimal)

You are Orchestrator, a persistent named agent (profile `orchestrator`) on this machine.
You keep your own memory, skills, and conversation history across sessions.

## Team protocol

- Begin by stating the Outcome, Acceptance criteria, Owner, Deliverable, and
  Stop condition.
- Delegate research to @researcher rather than doing the specialist's work.
- Review the return for scope and evidence adequacy; do not claim to have
  independently verified facts you did not inspect.
- If the return is inadequate, request one focused revision. If it is
  adequate, stop for the user's approval before involving @librarian.
- Do not write to the Wiki. Update your built-in memory.md  & user.md when applicable to assist with operational efficiency & effectiveness

Las habilidades y herramientas predeterminadas deben desactivarse. Un agente que no utiliza las innecesarias es más rápido:

List Disabled Skills:
llm-wiki
determinstic-codebase-auditing

List Disabled Tools:
Web Searching & Scraping
Task Delegation
Browser Automation

Al configurar el backend con Docker se isola el espacio de trabajo, de modo que el agente no puede modificar ni eliminar datos privados en el host. Eso constituye una barrera de seguridad útil entre el agente y la máquina.

El investigador

El investigador acepta tareas del orquestador y realiza la investigación en profundidad. Nunca edita el wiki ni la base de conocimientos, ya que sus únicas funciones son investigar y resumir. Se pueden añadir herramientas de búsqueda para que pueda consultar información en Internet. Su SOUL.md:

# Researcher

**Role:** Researcher
**Mission:** Investigates bounded current-reality questions using current and original sources. Produces concise, inspectably cited briefings with uncertainty, counterevidence, and unresolved gaps, then returns them to @orchestrator for quality review. Does not write to the wiki.

You are Researcher, a persistent named agent (profile `researcher`) on this machine.
You keep your own memory, skills, and conversation history across sessions.

## Research protocol

- Research bounded questions about current real-world conditions using recent evidence and the most direct or original sources available.
- Provide inspectable citations and distinguish evidence, inference, uncertainty, counterevidence, and unresolved gaps.
- Save each completed briefing as a Markdown file under `/workspace/article`, using a clear descriptive filename.
- Include the research question, date, summary, findings, source links, uncertainty, counterevidence, and unresolved gaps.
- Return the briefing and its file path to @orchestrator for review.
- Do not hand work directly to @librarian unless the user explicitly requests it.
- Treat the Markdown file as a working research artifact-not private memory or canonical Wiki knowledge.
- Write only wiki inside /workspace/article

Aquí se aplica el mismo recorte de habilidades y herramientas predeterminadas:

List Disabled Skills:
llm-wiki
determinstic-codebase-auditing

List Disabled Tools:
Task Delegation
Code Execution
Cronjob

También funciona con un backend de Docker para lograr la misma isolación, y su configuración monta la ubicación del vault en el espacio de trabajo del contenedor:

terminal:
  backend: docker
  modal_mode: auto
  cwd: /workspace/article
  timeout: 180
  env_passthrough: []
  shell_init_files: []
  auto_source_bashrc: true
  docker_image: nikolaik/python-nodejs:python3.11-nodejs20
  docker_forward_env: []
  singularity_image: docker://nikolaik/python-nodejs:python3.11-nodejs20
  modal_image: nikolaik/python-nodejs:python3.11-nodejs20
  daytona_image: nikolaik/python-nodejs:python3.11-nodejs20
  container_cpu: 1
  container_memory: 5120
  container_disk: 51200
  container_persistent: true
  docker_volumes:
    - /Users/dmitri/Documents/ai-agent-workflow/obsidian/ai-agent/wiki-skill/raw/articles:/workspace/article

El bibliotecario

Este es el agente clave, ya que escribe en la wiki y selecciona qué contenido se incluye. El conocimiento pasa por las etapas Bronce, Plata y Oro, y es en la etapa de Plata donde una persona puede revisar la tabla.

El nuevo material se introduce en vault/raw. Todo lo que necesita revisión humana termina en vault/review. La revisión por parte de humanos ocurre en tres situaciones:

  1. Se está creando o actualizando una página.
  2. El nuevo contenido contradice a una página existente.
  3. Se vuelve a aplicar una aprobación anterior para modificar el contenido.

Todo termina en la capa de Oro, que alberga páginas detalladas como conceptos y entidades. La curaduría consiste en conservar lo que los revisores han aprobado y descartar lo que no.

El SOUL.md del bibliotecario:

# Librarian

**Role:** librarian

You are Librarian, a persistent named agent (profile `librarian`) on this machine.
You keep your own memory, skills, and conversation history across sessions.

Hay dos habilidades que permiten el ETL, llm-wiki y llm-wiki-review, y ambas se encuentran en la carpeta de habilidades del bibliotecario.

El bibliotecario también necesita un backend de Docker, cuyo perfil en config.yaml debe actualizarse de la siguiente manera:

terminal:
  backend: docker
  modal_mode: auto
  cwd: /workspace
  timeout: 180
  env_passthrough: []
  shell_init_files: []
  auto_source_bashrc: true
  docker_image: nikolaik/python-nodejs:python3.11-nodejs20
  docker_forward_env:
    - OBSIDIAN_VAULT_PATH
    - WIKI_PATH
  singularity_image: docker://nikolaik/python-nodejs:python3.11-nodejs20
  modal_image: nikolaik/python-nodejs:python3.11-nodejs20
  daytona_image: nikolaik/python-nodejs:python3.11-nodejs20
  container_cpu: 1
  container_memory: 5120
  container_disk: 51200
  container_persistent: true
  docker_volumes:
    - /Users/dmitri/Documents/ai-agent-workflow/obsidian/ai-agent/wiki-skill:/workspace
    - /Users/dmitri/Documents/ai-agent-workflow/obsidian/ai-agent/RO:/workspace/RO:ro

En la configuración de ejemplo, la carpeta del vault de Obsidian contiene dos subcarpetas: una para la habilidad wiki y otra para un espacio de trabajo. La carpeta wiki-skill se monta en /workspace dentro del contenedor, mientras que una carpeta de solo lectura se monta en /workspace/RO. El acceso se establece para cada montaje con un sufijo :ro o :rw. Una ruta como /workspace/RO:ro es de solo lectura, y una sin sufijo, como /workspace, tiene como valor predeterminado lectura y escritura.

Las variables de entorno funcionan de manera diferente una vez que el agente está contenerizado. No puede leer directamente el archivo .env del host, por lo que se transmiten a través del parámetro docker_forward_env en el perfil del librarian:

.env:
WIKI_PATH=/workspace
OBSIDIAN_VAULT_PATH=/workspace

Las tres capas en la práctica

Una nota en bruto de Bronce:

Una página de reseñas de Plata:

La página del índice de Oro:

Y una página de comparaciones de Oro:

Esas cuatro capturas de pantalla muestran las capas que mantiene el bibliotecario. Una vez establecidas, sigue una prueba de integración: se pide al orquestador que coordine a los otros agentes, incorpore nuevos conocimientos y los organice.

Ejecutarlo de extremo a extremo

El primer paso es crear el grupo de bots en la aplicación de escritorio de Hermes, que incluye al orquestador, al bibliotecario (con habilidades en wiki) y al investigador.

Luego se le envía al orquestador una solicitud de incorporación:

@orchestrator get new article related to AGI and ASI, then store it to article, then run wiki skill

El coordinador le pide al investigador que recoja el material y lo guarde en la bóveda. Luego, el bibliotecario toma ese contenido de nivel Bronce y lo eleva a nivel Plata.

Después de la aprobación, el conocimiento pasa a nivel Oro, específicamente a las carpetas de conceptos, comparaciones, entidades y consultas de la bóveda.

La página en bruto de nivel Bronce termina archivada en la carpeta de contenido sin procesar. El bibliotecario nunca vuelve a leerla ni a incorporarla, ya que su nivel de encabezado y su estado de procesamiento han cambiado.

Por qué no es RAG

RAG es un camino de lectura unidireccional. El texto se divide, se incrusta y se compara por similitud; los resultados más relevantes se pegan en una solicitud, y un modelo escribe la respuesta. Los pasajes que aparecen son cuestión de probabilidad; el corpus permanece como un índice pasivo, y nada fluye de vuelta hacia él.

La configuración anterior funciona de manera opuesta. Los agentes navegan por un almacén estructurado mediante nombres, enlaces y carpetas, y obtienen lo que necesitan, cuando lo necesitan, de forma determinista. El conocimiento se mueve a lo largo de los límites de las políticas Bronce (Bruto), Plata (Revisión) y Oro (Wiki), y ese movimiento no pertenece a ningún proceso RAG.