系统架构总览

这是当前系统的完整架构记录——不是”推荐方案”，是”实际就是这么跑的”。

总览图

┌─────────────────────────────────────────────────────────┐
│                   WSL2 / Ubuntu 宿主机                     │
│                                                          │
│  ┌──────────────────────────────────────────────────┐   │
│  │              Docker 容器网络                       │   │
│  │                                                    │   │
│  │  ┌──────────────────────┐  ┌──────────────────┐   │   │
│  ┌──────────────────────┐  ┌──────────────────┐   │   │
│  │   Hermes Agent       │  │  Tailscale        │   │   │
│  │   ├── CLI / TUI      │  │  → VPS Proxy      │   │   │
│  │   ├── Gateway        │  │  100.117.231.9    │   │   │
│  │   ├── Cron 调度      │  │  (SOCKS5/HTTP)    │   │   │
│  │   ├── Skills 系统    │  └──────────────────┘   │   │
│  │   └── Strata 引擎    │                          │   │
│  │  └────────┬─────────────┘                          │   │
│  │           │                                        │   │
│  │  ┌────────┴─────────────┐                          │   │
│  │  │   本地服务            │                          │   │
│  │  │   ├── Hindsight Lite  │                          │   │
│  │  │   │   (记忆系统)      │                          │   │
│  │  │   ├── faster-whisper  │                          │   │
│  │  │   │   (语音转文字)    │                          │   │
│  │  │   └── LM Studio       │                          │   │
│  │  │       (本地模型推理)  │                          │   │
│  │  └──────────────────────┘                          │   │
│  └──────────────────────────────────────────────────┘   │
│                                                          │
│  ┌──────────────────────────────────────────────────┐   │
│  │   NVIDIA GPU (RTX 5070 Ti · 12GB)                │   │
│  │   ├── faster-whisper 推理                        │   │
│  │   └── LM Studio 本地模型                          │   │
│  └──────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────┘
         │                        │
         ▼                        ▼
    ┌──────────┐           ┌──────────┐
    │ 微信 iLink │           │  海外 AI   │
    │ 服务器     │           │  API      │
    │ (国内直连)  │           │ (走代理)   │
    └──────────┘           └──────────┘
         │
         ▼
    ┌──────────────────────────────────────┐
    │  Begonia 腾讯云节点                   │
    │  纯 CPU · 4核 3.3G · 无 Docker       │
    │  无代理 · 出墙全挂 · 飞书接入         │
    │  定位：Amaranth 云端姊妹              │
    │  职责：wiki 时效维护、轻量文字交互      │
    └──────────────────────────────────────┘

模型架构（MoE 式多模型路由）

不是用一个模型包办所有事。不同任务走不同模型：

角色	模型	走	用量	负责
主干	DeepSeek V4 Flash	DeepSeek 官方	~80-90%	日常对话、大部分工具调用
攻坚	Claude Opus / GPT-5 / Gemini Pro	各渠道	~5-10%	复杂推理、架构决策、代码重构
编码	GPT-5.5	Codex CLI	按需	写代码、修 bug
视觉	Qwen-VL / Gemini	各渠道	按需	图片识别
本地	LM Studio 模型	本地 GPU	按需	后台任务、离线场景

路由逻辑

# 核心策略：
# - 简单问题 → DeepSeek（便宜、快）
# - 复杂问题 → Claude/GPT（贵但靠谱）
# - 编码任务 → Codex（代码专用）
# - 图片识别 → 视觉模型（多后端自动 fallback）
# - 本地任务 → LM Studio（不走外网）

这个路由策略不是写在配置里的固定规则——是在使用中形成的经验判断。Hermes 没有自动路由，手动切换模型。

网络拓扑

代理策略

                    ┌─────────────┐
  Hermes 容器 ──────→  mihomo:7890 ─────→ 海外 API（美国出口）
                    └──────┬──────┘
                           │
                    (不代理国内流量)

关键规则：

海外 API（OpenAI、Anthropic、DeepSeek 等）→ 走代理，美国出口
国内 API（SiliconFlow、微信 iLink）→ 直连，不能走代理
微信网关 → 必须去掉代理环境变量启动，否则连不上 ilinkai.weixin.qq.com

微信流量路径

手机微信 → iLink 服务器 → Hermes Gateway（容器内）→ Hermes Agent
                                          ↑
                                    直连，不走代理

存储与数据流

文件互通

WSL 内部:  /opt/data/...
            ↓  9p 协议挂载
Windows:   D:\传递文件\...

关键路径：

/opt/data/.env — 所有 API Key 和敏感配置
/opt/data/config.yaml — Hermes 配置
/opt/data/skills/ — 技能包目录（120+）
/opt/data/logs/ — 所有日志
/opt/data/image_cache/ — 图片缓存
/opt/data/传递文件/ — 与 Windows 互通的目录

记忆系统

Hindsight Lite（SQLite）→ 持久记忆层
     └── 跨会话记忆：用户偏好、环境事实、学习到的工作流
     └── 不使用：临时任务状态、会话日志（用 session_search 代替）

定时任务体系

任务	频率	做什么
日报简报	每日	RSS 采集 → 三合一简报（AI+政经+热点）
博客监控	每 N 小时	检查关注的博客/论坛更新
GitHub 监控	按需	监控指定仓库的新 commit
信息基建情报	定期	检查 API 中转站价格变动

所有定时任务通过 Hermes 内置 cron 调度，执行完成后结果投递到微信。

值得记住的设计决策

MoE 不是写在代码里的 —— 是使用习惯形成的，手动切换比自动路由更可控
微信必须直连 —— 代理冲突是 gateway 挂掉的第一大原因
Skill 是 AI 的 procedural memory —— 不是给人读的文档，是给 AI 读的 prompt
本地优先 —— 核心架构在本地 Docker，云服务只做锦上添花（Cloudflare Pages）
单源信任 > 算法聚合 —— 宁可信任一个高质量来源（如 Juya），不要算法聚合的二手信息

复杂任务执行管线

不是所有任务都走同一条路。系统根据任务复杂度分两条管线：

路由决策

任务特征	走哪条路	涉及的层
简单查询、随手回复	直出	Hermes 骨架模型
写方案、做决策、分析问题	增强规划	Hermes + 世界模型 6 步法
写代码、修 bug	增强编码	Hermes + ECC Agent + Codex
预测趋势、模拟场景	增强推演	Hermes + MiroFish
产出需要持久化	全部	+ BigSet

增强管线数据流

用户需求
  │
  ▼
{Hermes 骨架} ── 评估复杂度
  │
  ├─ 简单 → 直接输出（模型即用）
  │
  └─ 复杂 →
       │
       ├─ {世界模型规划}
       │   目标→建模→预测→比选→渲染→校验
       │   （来源：world-model-method 思路）
       │
       ├─ {子 Agent 路由}
       │   从 ECC 的 64 个 Agent prompt 中挑选
       │   通过 delegate_task 分配子任务
       │
       ├─ {执行层}
       │   · 编码 → Codex CLI（GPT-5.5）
       │   · 数据 → BigSet Convex API
       │   · 模拟 → MiroFish（按需）
       │
       └─ {持久化层}
          BigSet（Convex 后端，host.docker.internal:3210）
          分析结果、决策记录、代码审查 → 结构化数据集

系统架构总览

总览图

模型架构（MoE 式多模型路由）

路由逻辑

网络拓扑

代理策略

微信流量路径

存储与数据流

文件互通

记忆系统

定时任务体系

值得记住的设计决策

复杂任务执行管线

路由决策

增强管线数据流

相关 Skill