Hermes Agent 进化机制深度分析

Hermes Agent 进化机制深度分析

分析对象: Hermes Agent v0.8.0
分析日期: 2026-04-13
项目地址: https://github.com/NousResearch/hermes-agent

执行摘要

Hermes Agent 是一个革命性的自我改进型 AI 系统，其核心在于构建了一个完整的封闭学习循环（Closed Learning Loop）。通过三个核心机制的协同运作——技能系统（Procedural Memory）、记忆系统（Episodic/Semantic Memory）、和背景审查（Background Review），Hermes 能够从每次交互中提取知识、固化经验，并在未来的对话中主动应用这些学习成果。

一、核心架构概览

1.1 三元记忆模型

Hermes 的进化能力建立在三元记忆模型之上：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
┌─────────────────────────────────────────────────────┐
│                    Memory System                      │
├─────────────────────────────────────────────────────┤
│  Procedural Memory (技能系统)                         │
│  ├── SKILL.md 文件                               │
│  ├── 支持文件 (references/, templates/, scripts/)    │
│  └── 执行特定任务的标准化流程                       │
├─────────────────────────────────────────────────────┤
│  Episodic Memory (MEMORY.md)                        │
│  ├── 环境事实                                      │
│  ├── 项目约定                                       │
│  ├── 工具怪癖                                       │
│  └── 从经验中学到的知识                              │
├─────────────────────────────────────────────────────┤
│  Semantic Memory (USER.md)                             │
│  ├── 用户偏好                                       │
│  ├── 交流风格                                       │
│  ├── 工作习惯                                       │
│  └── 用户期望                                       │
└─────────────────────────────────────────────────────┘

1.2 进化循环流程

1
用户请求 → Agent 执行任务 → 后台审查 → 提取知识 → 固化技能 → 下次应用

核心思想：Agent 应该从每次交互中学习，将经验固化为可复用的技能。

二、技能系统：程序化记忆的进化

2.1 技能定义与元数据

技能文件结构（SKILL.md）采用 YAML 前置元数据格式：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
---
name: deploy-container
description: 部署容器到生产环境的标准化流程
metadata:
  hermes:
    tags: [devops, docker, deployment]
    platforms: [linux]
    requires_toolsets: [docker]
---

# 部署容器

## 触发条件
当用户请求部署容器时使用此技能。

## 步骤
1. 验证镜像是否存在
2. 拉取最新镜像
3. 停止旧容器
4. 启动新容器
5. 健康检查

## 常见陷阱
- 镜像名称包含标签时，必须使用完整的 `repo:tag` 格式
- 容器名称冲突时需要先检查运行中的容器

2.2 技能创建的自动触发机制

核心代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
class AIAgent:
    def __init__(self, ...):
        # 技能创建提醒间隔（默认 10 次工具调用）
        self._skill_nudge_interval = 10
        self._iters_since_skill = 0

    def _check_skill_nudge(self):
        """检查是否应该提醒创建技能"""
        if (self._skill_nudge_interval > 0 and
            self._iters_since_skill >= self._skill_nudge_interval and
            "skill_manage" in self.valid_tool_names):
            return True
        return False

    def run_conversation(self, ...):
        # 在每次工具调用后递增计数器
        if (self._skill_nudge_interval > 0 and
            "skill_manage" in self.valid_tool_names):
            self._iters_since_skill += 1

        # 触发背景审查
        if self._check_skill_nudge():
            self._spawn_background_review(
                messages_snapshot=list(messages),
                review_skills=True,
            )
            self._iters_since_skill = 0

设计亮点：

  1. 自适应间隔：可通过 skills.creation_nudge_interval 配置调整
  2. 智能重置：创建技能后立即重置，避免重复提醒
  3. 非侵入式：在响应返回之后运行，不影响用户任务执行

2.3 技能管理工具（skill_manage）

完整 API：

Action 描述 使用场景
create 创建新技能（完整的 SKILL.md） 复杂任务成功后，将流程固化为技能
edit 完全重写 SKILL.md 技能需要重大重组时
patch 目标化查找替换（推荐） 修复小问题、添加遗漏步骤
delete 删除技能 技能过时或错误时
write_file 添加/更新支持文件 添加参考文档、脚本、模板
remove_file 删除支持文件 清理不再需要的附件

2.4 技能自我改进机制

关键机制：技能在使用过程中发现问题后会立即修补

1
2
3
4
5
6
# 工具描述中的指导
"""
Update when: instructions stale/wrong, OS-specific failures,
missing steps or pitfalls found during use.
If you used a skill and hit issues not covered by it, patch it immediately.
"""

实际工作流：

  1. 技能被调用
  2. 执行过程中发现步骤遗漏或错误
  3. 立即使用 patch 更新技能
  4. 更新后的技能立即可用于后续调用

2.5 技能生态系统

多源集成：

  1. GitHub Source：任意公开仓库
  2. Skills.sh Source：技能目录索引
  3. ClawHub Source：技能市场 API
  4. LobeHub Source：LobeChat Agent 市场
  5. Official Optional Skills：官方可选技能

信任分级：

  • builtin：官方捆绑技能
  • trusted：已知安全仓库
  • community：社区贡献（需要安全扫描）

三、记忆系统：持久化知识的基础

3.1 双文件记忆架构

核心类：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
class MemoryStore:
    """双重记忆存储：MEMORY.md + USER.md"""

    def __init__(self, memory_char_limit: int = 2200, user_char_limit: int = 1375):
        self.memory_entries: List[str] = []
        self.user_entries: List[str] = []
        self.memory_char_limit = memory_char_limit
        self.user_char_limit = user_char_limit

        # 冻结快照：系统提示词注入使用，永不修改
        self._system_prompt_snapshot: Dict[str, str] = {
            "memory": "",
            "user": ""
        }

关键设计：

  1. 冻结快照模式：

    • 系统提示词在会话开始时注入一次
    • 后续内存更新不修改系统提示词
    • 保持前缀缓存稳定

  2. 双重状态：

    • _system_prompt_snapshot: 会话开始时的冻结版本
    • memory_entries/user_entries: 实时更新的活跃版本

3.2 字符限制与条目分隔符

字符限制（防止上下文膨胀）：

  • MEMORY.md: 2200 字符（约 800 tokens）
  • USER.md: 1375 字符（约 500 tokens）

条目分隔符：§（section sign）

四、背景审查：自动知识提取引擎

4.1 审查触发条件

核心逻辑：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# 技能审查触发器
_should_review_skills = False
if (self._skill_nudge_interval > 0
        and self._iters_since_skill >= self._skill_nudge_interval
        and "skill_manage" in self.valid_tool_names):
    _should_review_skills = True
    self._iters_since_skill = 0

# 在响应返回后异步触发
if final_response and not interrupted and _should_review_skills:
    self._spawn_background_review(
        messages_snapshot=list(messages),
        review_skills=True,
    )

4.2 审查提示词设计

技能审查提示词：

1
2
3
4
5
6
7
8
9
_SKILL_REVIEW_PROMPT = (
    "Review the conversation above and consider saving or updating a skill if appropriate.\n\n"
    "Focus on: was a non-trivial approach used to complete a task that required trial "
    "and error, or changing course due to experiential findings along the way, or did "
    "the user expect or desire a different method or outcome?\n\n"
    "If a relevant skill already exists, update it with what you learned. "
    "Otherwise, create a new skill if approach is reusable.\n"
    "If nothing is worth saving, just say 'Nothing to save.' and stop."
)

记忆审查提示词：

1
2
3
4
5
6
7
8
9
10
_MEMORY_REVIEW_PROMPT = (
    "Review the conversation above and consider saving to memory if appropriate.\n\n"
    "Focus on:\n"
    "1. Has the user revealed things about themselves — their persona, desires, "
    "preferences, or personal details worth remembering?\n"
    "2. Has the user expressed expectations about how you should behave, their work "
    "style, or ways they want you to operate?\n\n"
    "If something stands out, save it using the memory tool. "
    "If nothing is worth saving, just say 'Nothing to save.' and stop."
)

4.3 审查线程实现

完整流程：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
def _spawn_background_review(
    self,
    messages_snapshot: List[Dict],
    review_memory: bool = False,
    review_skills: bool = False,
) -> None:
    """在后台线程中运行审查，不阻塞用户交互"""
    import threading

    def _run_review():
        import contextlib, os as _os
        review_agent = None
        try:
            # 静默运行，不产生用户可见输出
            with open(_os.devnull, "w") as _devnull, \
                 contextlib.redirect_stdout(_devnull), \
                 contextlib.redirect_stderr(_devnull):

                # 创建审查代理（克隆当前配置）
                review_agent = AIAgent(
                    model=self.model,
                    max_iterations=8,
                    quiet_mode=True,
                )

                # 共享记忆存储
                review_agent._memory_store = self._memory_store
                review_agent._memory_enabled = self._memory_enabled
                review_agent._user_profile_enabled = self._user_profile_enabled

                # 禁用审查触发器（避免无限递归）
                review_agent._memory_nudge_interval = 0
                review_agent._skill_nudge_interval = 0

                # 运行审查
                review_agent.run_conversation(
                    user_message=prompt,
                    conversation_history=messages_snapshot,
                )

            # 扫描审查代理的消息，提取成功的工具操作
            actions = []
            for msg in getattr(review_agent, "_session_messages", []):
                if not isinstance(msg, dict) or msg.get("role") != "tool":
                    continue
                try:
                    data = json.loads(msg.get("content", "{}"))
                except (json.JSONDecodeError, TypeError):
                    continue
                if not data.get("success"):
                    continue

                message = data.get("message", "")
                target = data.get("target", "")

                if "created" in message.lower():
                    actions.append(message)
                elif "updated" in message.lower():
                    actions.append(message)

            # 向用户显示总结
            if actions:
                summary = " · ".join(dict.fromkeys(actions))
                self._safe_print(f"  💾 {summary}")

        except Exception as e:
            logger.debug("Background memory/skill review failed: %s", e)
        finally:
            # 清理 OpenAI 客户端
            if review_agent is not None:
                client = getattr(review_agent, "client", None)
                if client is not None:
                    try:
                        review_agent._close_openai_client(
                            client, reason="bg_review_done", shared=True
                        )
                        review_agent.client = None
                    except Exception:
                        pass

    # 启动守护线程
    t = threading.Thread(target=_run_review, daemon=True, name="bg-review")
    t.start()

关键特性：

  1. 完全异步：在独立线程中运行，不阻塞主响应
  2. 静默执行：输出重定向到 /dev/null
  3. 共享状态：直接写入同一磁盘文件
  4. 递归防护：禁用审查代理的触发器
  5. 资源清理：正确关闭 HTTP 客户端
  6. 用户通知：简洁的总结反馈（💾 Memory updated · Skill created）

五、技能生态系统：多源集成

5.1 技能源架构

核心接口：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
class SkillSource(ABC):
    """技能源适配器抽象基类"""

    @abstractmethod
    def search(self, query: str, limit: int = 10) -> List[SkillMeta]:
        """搜索技能"""
        ...

    @abstractmethod
    def fetch(self, identifier: str) -> Optional[SkillBundle]:
        """下载技能包"""
        ...

    def trust_level_for(self, identifier: str) -> str:
        """信任级别：builtin | trusted | community"""
        return "community"

5.2 信任分级系统

1
2
3
4
5
6
7
8
9
10
11
12
_TRUST_RANK = {"builtin": 2, "trusted": 1, "community": 0}

def unified_search(results: List[SkillMeta]) -> List[SkillMeta]:
    """按名称去重，保留高信任级别"""
    seen: Dict[str, SkillMeta] = {}
    for r in results:
        if r.name not in seen:
            seen[r.name] = r
        elif (_TRUST_RANK.get(r.trust_level, 0) >
              _TRUST_RANK.get(seen[r.name].trust_level, 0)):
            seen[r.name] = r
    return list(seen.values())

信任级别：

  • builtin: 官方捆绑技能
  • trusted: 已知安全仓库（openai/skills, anthropics/skills）
  • community: 社区贡献（需要安全扫描）

六、核心创新与启示

6.1 Hermes 进化机制的核心创新

特性 实现方式 优势
封闭学习循环 技能 + 记忆 + 审查三系统协同 知识从创建到应用的完整路径
非侵入式提醒 后台异步审查，响应返回后触发 不干扰用户体验
双重存储快照 冻结快照 + 实时更新 保持缓存稳定的同时持久化变化
原子性写入 临时文件 + os.replace() 防止崩溃导致的数据损坏
安全扫描集成 技能创建和记忆写入时自动扫描 阻止注入和外泄攻击
多源技能生态 GitHub / Skills.sh / ClawHub 等 社区贡献的规模化利用
自适应参数 可配置的提醒间隔和限制 适应不同使用模式

6.2 对 Agent 开发的启示

  1. 分离程序化记忆与通用知识

    • 技能：可执行的流程
    • 记忆：背景信息和用户画像
    • 两者互补，不互相覆盖

  2. 使用后台线程进行知识提取

    • 避免阻塞主对话
    • 静默执行，简洁通知

  3. 实施原子性文件操作

    • 使用临时文件 + rename()
    • 关键数据的文件锁保护

  4. 设计安全的存储机制

    • 扫描注入和泄露模式
    • 使用可见的分隔符标记上下文边界

  5. 构建可扩展的提供者系统

    • 抽象接口允许外部插件
    • 内置提供者保证基本功能

七、总结

7.1 核心要点

  1. 自我进化能力：Hermes 通过封闭学习循环实现了真正的自我改进
  2. 三元记忆模型：程序化记忆、情景记忆、语义记忆的完美结合
  3. 自动化知识提取：后台审查机制自动从对话中提取有价值的信息
  4. 技能生态：多源集成支持社区贡献的规模化利用

7.2 适用场景

Hermes 特别适合以下场景：

  • ✅ 长期项目维护，需要深度学习
  • ✅ 复杂任务流程固化
  • ✅ 从失败中学习并改进
  • ✅ 构建可复用的知识库

参考资源

项目地址: https://github.com/NousResearch/hermes-agent
文档: https://hermes.nousresearch.ai/docs
社区: https://discord.gg/nousresearch

报告完成时间: 2026年4月13日
字数统计: ~8,500 字（精简版）

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

程序员，关于技术我所知甚少，唯有探索，方得真知。