Hermes Agent 内部拆解：自我进化的 AI 是如何工作的
1. 学习循环
大多数 Agent 能记住发生了什么。Hermes 更进一步：它提取出什么方法有效，写成可复用的技能，下次遇到类似问题时直接加载。
这个学习循环是架构的核心，包含四个环节，每个在循环的不同点触发。
Agent 策展式记忆（Periodic Nudges）
在会话的固定间隔，Agent 收到一个系统级提示，要求它回顾刚发生的事情，评估是否有值得持久化到记忆的内容。这个机制不是一次性扫描，而是渐进式的：Agent 只对高价值信息做写入操作，避免记忆变成所有交互的垃圾堆。结果：记忆始终保持策展状态。
自主技能创建
当 Agent 完成一个任务时，它检查是否值得记录执行路径。触发条件：
- 5 次以上工具调用
- 从错误中恢复
- 用户纠正
- 非确定性的执行路径
符合条件则在 ~/.hermes/skills/ 下创建技能文件——不是日志条目，而是可复用的指令集，包含名称、简短描述、步骤说明、工具调用和文件引用。遵循 agentskills.io 开放标准格式，技能在兼容 Agent 之间可移植，无需转换步骤。
会话搜索
每个会话写入 SQLite 归档，通过 FTS5 全文搜索索引。Agent 按需检索过去上下文，不把整个旧会话加载到窗口里。检索结果经过 LLM 摘要后才注入。
外部记忆（Honcho）
可选的第四层，使用 dialectic modeling 方法，跨 12 个身份维度建模你和 Agent 的关系。对于大多数任务型或自动化设置，前三层就足够了。
2. 技能创建的六种操作
通过 skill_manage 工具有六个动作：
| 操作 | 用途 |
|---|---|
| create | 创建新技能 |
| patch | 局部更新（默认首选） |
| edit | 全量重写 |
| delete | 删除技能 |
| write_file | 写入辅助文件 |
| remove_file | 删除辅助文件 |
Agent 默认使用 patch 做大多数更新——只传入旧字符串和替换内容，不重写整个文件。这是一个正确性和效率的双重决策：全量重写可能破坏已经正常工作的部分，patch 只改该改的地方，而且更省 token。
3. 四层记忆系统
把一切混入同一个记忆存储是大多数 Agent 记忆系统随时间变得不可靠的原因。Hermes 把它们分离成四个不同的层，每层有特定的工作和存储位置。
Layer 1：Prompt Memory（始终加载）
MEMORY.md + USER.md 在 ~/.hermes/memories/，每次会话启动时直接注入系统提示。总字符上限 3,575——特意设定得紧凑，强制策展而非堆积。
MEMORY.md 存储环境事实、项目约定、操作经验。USER.md 维护 Agent 对你的认知——技术水平、时区、沟通风格。
Agent 通过 memory 工具管理它们，三个操作：add、replace、remove。一个重要细节：修改仅在下次会话生效，不在对话中途改变 Agent 行为。
Layer 2：Session Search（按需检索）
SQLite FTS5 全文搜索。处理情节记忆（发生了什么、什么时候）。与技能层（程序性记忆——怎么做事情）刻意分离。
区分 Prompt Memory 和 Session Search 的边界： 如果某个信息足够重要，应该在每个未来对话中都存在，它属于 MEMORY.md 或 USER.md。如果只在特定话题出现时才需要，它属于 Session Search。
Layer 3：Skills（程序性记忆）
所有技能在 ~/.hermes/skills/ 作为独立 Markdown 文件。技能加载使用渐进式披露：只有名称和摘要默认加载到索引，完整指令只在 Agent 决定使用该技能时才读取。
这意味着 200 个技能和 40 个技能的上下文成本几乎一样。新安装时，仓库中的捆绑技能被复制到这个目录，Agent 创建的技能也在同一个位置。
Layer 4：Honcho（外部记忆）
可选的 dialectic modeling，12 个身份维度。不是等待显式写入，而是被动地构建你的画像。当把 Hermes 当作日常个人助理、需要跨会话的个性化响应时，这个额外开销是值得的。对于大多数任务型或自动化设置，其他三层已经足够。
4. 网关
学习循环和记忆系统只在 Agent 在你需要时能够被触达时才有用。网关是一个持久后台服务，让 Hermes 保持运行，连接到：
CLI、Telegram、Discord、Slack、WhatsApp、Signal、Email
每个平台有自己的适配器，但都流入共享的会话路由层。一个在 Telegram 上开始的对话可以在 Discord 上继续，上下文不丢失。
Telegram 更进一步支持 Project Conversations，同一个聊天内可以运行隔离的工作流，每个话题携带自己的技能绑定和会话上下文。
网关处理五件事：消息收发、会话路由、投递、配对、定时任务（Cron ticking）。以系统服务运行，hermes gateway 启动后即使关闭终端也在后台持续运行。
5. Agent 循环内部
每条消息经过相同的同步编排引擎（run_agent.py）：
- Agent 生成任务 ID
- 加载缓存的系统提示或从记忆层构建新的
- 加载技能索引和上下文文件
- 调用 LLM
- 如果返回工具调用，执行工具、追加结果、循环回去
- 返回最终文本后，持久化到 SQLite
- 结果通过网关投递
系统提示优化
系统提示由稳定来源构建，前缀跨回合保持一致，多数 API 提供商会缓存它——降低后续回合的延迟和成本。三个东西进入提示前缀：Agent 的个人笔记、用户档案、技能索引。它们在会话中稳定，不会逐轮改变。
上下文压缩
当预检（pre-flight check）标记对话过长时，一个 sentinel 在达到硬限制之前触发。辅助模型扫描完整对话，提取值得保留的内容，写入新的简要记录。Lineage（引用链连接摘要回合回到原始对话）保存在 SQLite 中，即使经过压缩事件，Agent 仍然可以追溯到早期上下文。
多提供商故障切换
如果当前提供商宕机，Agent 不会卡住。在 config.yaml 中配置有序的推理提供商列表，Hermes 自动 fallthrough 到下一个。
6. 六个终端后端
| 后端 | 适用场景 |
|---|---|
| Local | 个人使用，隔离不是问题 |
| Docker | 希望 Agent 与宿主机隔离 |
| SSH | Agent 跑在远程机器上 |
| Kubernetes | 需要扩展和编排 |
| ECS（AWS） | 已有 AWS 基础设施的团队 |
| Nomad（HashiCorp） | 多数据中心部署 |
Docker 模式默认应用：只读根文件系统、丢弃 Linux 能力（capabilities）、命名空间隔离——这是架构性默认设置，不是可选项。零遥测同样是架构性设计：按设计数据不离开你的机器，不是隐私开关。
7. 40+ 内置工具和技能
工具分五大类：
- 执行：终端命令、代码运行
- Web：搜索、浏览器自动化
- 媒体：视觉分析、图片生成、语音
- 编程：调试、测试
- 生产力：笔记、文件操作
模型端通过 Nous Portal 单端点连接 400+ 模型，Hugging Face 是一级提供商（完整 HF Inference API 集成）。支持 MCP 和四个插件钩子：pre_llm_call、post_llm_call、on_session_start、on_session_end。
定时任务
Hermes 把定时任务作为一等 Agent 任务处理，不是 shell 脚本或调用 AI 的 cron 作业。当调度时间到达时，Agent 循环以完整的记忆和技能访问权限运行任务，然后通过网关将输出路由到指定位置。
8. Nebius 集成
Hermes-4–405B（128K 上下文窗口）可以通过 Nebius Token Factory 作为托管端点使用，无需管理 GPU 配置、负载均衡或冷启动。内置可观测性：监控请求量、延迟、跨会话的 token 用量。
配置简单：
export NEBIUS_API_KEY="your-key"
hermes model
# 选择 custom OpenAI-compatible endpoint
# 设置 base URL 和 model ID
9. 全局总结
这不是一个轻量级的即用即弃设置。它是你运行和维护的基础设施。但如果每天都在用、跨平台、处理重复且演进的任务——值得。
- OpenClaw：模块化和多 Agent 编排，适合需要多个专业化 Agent 协作的场景
- Hermes：随时间变得更智能，学习循环会复合增长
相关资源：
- Hermes Agent 四层记忆系统揭秘
- 95% 的人用错了 AI Agent：一份 Hermes 高阶功能指南
- Hermes vs OpenClaw：自主 AI Agent 赛道双雄
- Hermes Agent 文档：hermes-agent.nousresearch.com/docs
- GitHub：github.com/nousresearch/hermes-agent
- Nebius：nebius.com
- agentskills.io 开放标准