从"第二天失忆"到"越用越聪明"：Hermes Agent 如何用 Skills 闭环系统重新定义 AI Agent

如果你用过 Claude Code、Cursor 或 OpenClaw，一定经历过这个崩溃时刻：花半小时跟 AI 讲清楚项目规范，第二天它两眼一抹黑，什么都不记得了。Hermes Agent 想解决的就是这个问题——而且解决的方式，比你想象的聪明得多。

一、为什么所有 AI 助手都在"装失忆"

先说一个扎心的现实：当前主流的 AI 编程助手，几乎都是健忘症患者。

你关掉终端，它们就忘了你是谁；你换一次会话，它们就忘了你上次做到哪；你教了它三遍的编码规范，下次它依然我行我素。

这不是技术不够，而是架构设计上的原罪。

大多数 AI 助手的运行逻辑是：接收 Prompt → 推理 → 输出 → 结束。整个过程是无状态的，就像每次都从一个空白的大脑开始对话。它们当然可以有记忆文件（CLAUDE.md、.cursorrules 等），但这些文件是静态的——需要你手动维护，AI 不会主动更新它们。

这导致了一个悖论：理论上最了解你项目的人应该是你的 AI 助手，但实际上它是整个团队里最不了解你的那个。

1.1 现有的"曲线救国"方案

社区为了解决这个问题，搞出了各种 workaround：

这些方案都有个共同问题：记忆是外部附加的，不是 Agent 原生能力。Agent 本身不知道自己有记忆这回事，一切靠人来管理。

1.2 Hermes Agent 的破局思路

Hermes Agent 的设计哲学完全不同。它的 README 第一句话就亮了：

"The only agent with a built-in learning loop"
（唯一一个内置学习闭环的 Agent）

这个内置学习闭环，才是 Hermes Agent 的灵魂。它要解决的不是"怎么存记忆"，而是**"Agent 怎么自己学会变得更好"**——不需要人类保姆，AI 自己能从错误中提炼经验，把经验固化成可复用的技能，然后在下次遇到类似场景时自动调用。

这听起来像是科幻，但 Hermes Agent 用工程化的方式把它实现了。

二、核心架构：从"对话机器人"到"会成长的 Agent"

2.1 整体架构一览

Hermes Agent 不是框架，是一个完整的、可运行的、会自我成长的个人 Agent。它的架构可以分成四层：

┌─────────────────────────────────────────────┐
│           应用层 (Application Layer)         │
│  CLI / Telegram / Discord / Slack / QQ / Web │
├─────────────────────────────────────────────┤
│           技能层 (Skills Layer)              │
│  Agent 自动创建 · 自我改进 · 跨会话复用        │
├─────────────────────────────────────────────┤
│           记忆层 (Memory Layer)               │
│  WORKING · EPISODIC · SEMANTIC · PROCEDURAL  │
├─────────────────────────────────────────────┤
│           执行层 (Execution Layer)            │
│  本地 / Docker / SSH / Daytona / Modal / ... │
└─────────────────────────────────────────────┘

每一层都值得深挖，但我们重点讲两个最核心的创新：Skills 闭环系统和四层记忆架构。

2.2 Skills 闭环系统——Agent 怎么自己写代码

传统的 Agent 系统里，工具（Tools）是开发团队预定义的，用户不能动态添加。Hermes Agent 最大的创新在于：Agent 自己可以创建新的 Skill。

这个 Skill 不是配置文件，是一个完整的 Markdown 文件，包含：

• 描述（Description）：这个 Skill 干什么用
• 触发条件（Triggers）：什么场景下应该调用它
• 使用示例（Examples）：怎么用
• 最佳实践（Best Practices）：积累的工程经验
• 预期输出（Expected Output）：如何验证结果

具体怎么生成？ 看这个流程：

用户请求 → Agent 执行任务 → 任务成功/失败 
       ↓
  触发 Skill 生成评估
       ↓
  如果 Agent 发现"这个操作以后还会用到"
       ↓
  自动生成 Skill 文件（Markdown 格式）
       ↓
  存入 ~/.hermes/skills/
       ↓
  下次遇到类似场景 → 自动检索相关 Skill → 注入上下文 → 执行

一个实际的例子：假设你让 Agent 帮你审查一个 PR，它发现你团队有一条不成文的规矩——"所有对外 API 必须加 Retry 逻辑"。传统的 Agent 下次就忘了。但 Hermes Agent 会：

1. 识别：从对话中识别出这是一条值得沉淀的工程规范
2. 生成：自动写一个 api-review-checklist.md Skill
3. 存储：持久化到 ~/.hermes/skills/
4. 复用：下次做 PR review 时自动加载这条规则

这不是简单的"保存对话记录"，是从经验中提取可复用的工程知识。

2.3 代码：Skill 文件长什么样

# Skill: API Review Checklist for [Your Team]

## Description
Ensures all public API endpoints have proper retry logic, 
logging, and error handling before merging.

## Triggers
- Keywords: `review`, `api`, `endpoint`, `pr`, `merge`
- File patterns: `**/api/**`, `**/routes/**`, `**/handlers/**`

## Examples
When reviewing a new API file:
1. Check for @retry decorator or manual retry logic
2. Verify structured logging (not print statements)
3. Ensure error responses follow team format

## Best Practices
- Retry: Use exponential backoff, max 3 attempts
- Logging: Use team logger, include request_id
- Errors: Always return structured JSON, never raw exceptions

## Expected Output
A markdown checklist with ✅/❌ for each item

这就是一个 Skill 的本质——AI 自己从经验中提炼出来的工程最佳实践文档。它比 CLAUDE.md 聪明的地方在于：不需要人写，AI 主动生成。

三、四层记忆架构——Agent 的"大脑皮层"

Hermes Agent 的记忆系统是它区别于所有竞品的核心技术壁垒。它模拟人类记忆的逻辑，设计了四层架构：

3.1 第一层：工作记忆（Working Memory）

这是最薄的一层，只在单次会话内有效。

类似于 CPU 的 L1 Cache，用来暂存当前任务的上下文——正在写的代码、正在处理的需求文档、当前对话的历史摘要。当会话结束，这层记忆就清空了。

实现方式：

# 伪代码示意
class WorkingMemory:
    def __init__(self):
        self.current_task = {}      # 当前任务上下文
        self.conversation_history = []  # 本会话对话记录
        self.working_files = []      # 当前打开的文件列表
    
    def update(self, event):
        # 实时更新，容量很小（~4K tokens）
        self.current_task = event

3.2 第二层：情景记忆（Episodic Memory）

这是 Hermes Agent 最核心的记忆层，对应人类大脑的海马体——负责"发生了什么"的记忆。

持久化存储所有历史交互数据：

• 对话记录（按项目/按时间组织）
• 任务执行历史（成功/失败/踩坑记录）
• 项目细节（项目结构、技术栈、部署方式）
• 开发者偏好（编码风格、习惯、禁忌）

存储结构：

~/.hermes/
├── memories/
│   ├── MEMORY.md        # Agent 个人笔记 (~2200 chars)
│   ├── USER.md          # 用户画像 (~1100 chars)
│   └── episodes/        # 历史交互记录（SQLite/FTS5）
└── skills/
    └── *.md             # 沉淀的技能

关键设计：故意对 MEMORY.md 设置了 ~2200 字符的软上限。这个上限逼迫 Agent 必须提炼精华，而不是无脑堆积上下文。这个设计哲学非常有意思——它模拟了人类记忆的"遗忘曲线"，逼迫 AI 做信息取舍。

3.3 第三层：语义记忆（Semantic Memory）

这层存储的是通用知识，类似于人类的"常识库"。

• 编程语言的最佳实践（不限于当前项目）
• 开源项目的背景知识
• 工具链的使用经验

不是针对某个项目的经验，而是跨项目的通用知识积累。

3.4 第四层：程序记忆（Procedural Memory）

这层最特殊，存储的是Agent 的"肌肉记忆"——怎么完成某个任务的流程和步骤。

# 伪代码示意：程序记忆的工作方式
class ProceduralMemory:
    def __init__(self):
        self.skills = []  # 所有已沉淀的 Skill
        
    def retrieve(self, context):
        # 根据当前上下文检索相关 Skill
        relevant_skills = vector_search(context, self.skills)
        # 将 Skill 注入到 Agent 的系统提示中
        return inject_into_context(relevant_skills)

当用户说"帮我 review 这个 PR"，Agent 会自动：

1. 从程序记忆中检索相关的 api-review-checklist.md
2. 从情景记忆中加载项目上下文（用的是什么框架、团队规范是什么）
3. 从工作记忆中获取当前 PR 的具体内容
4. 组合三层信息，生成精准的 review 意见

3.5 记忆检索：FTS5 全文搜索

这么多层记忆，怎么快速检索？Hermes Agent 使用 SQLite FTS5（全文搜索）作为记忆检索引擎。

-- 记忆检索示例
SELECT snippet(memory_fts, 0, '【', '】', '...', 32) as context
FROM memory_fts
WHERE memory_fts MATCH 'retry OR api OR error handling'
ORDER BY rank
LIMIT 5;

这把记忆检索变成了一个可量化的、可排序的操作。每次 Agent 决定"我需要想起什么"时，实际上是在做一次向量相似度搜索（或 FTS5 全文搜索）。

四、实战：5 分钟部署一个自我进化的个人 Agent

说了这么多架构，是时候动手了。以下是完整的部署流程。

4.1 环境要求

依赖：curl、git、bash（安装脚本会自动检测）。

4.2 一键安装（推荐新手）

# Linux / macOS / WSL2
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

安装脚本会自动完成：

1. 检测系统环境，识别缺失依赖
2. 使用 uv 安装 Python 依赖（比 pip 快 10 倍）
3. 安装 Node.js（用于浏览器自动化、QQ/Telegram 桥接）
4. 初始化配置文件

4.3 手动安装（进阶用户）

# 克隆仓库
git clone https://github.com/NousResearch/hermes-agent.git
cd hermes-agent

# 使用 uv 安装依赖
uv sync

# 复制配置文件
cp config.example.yaml config.yaml

# 编辑配置
vim config.yaml

4.4 配置 LLM 提供商

编辑 config.yaml：

llm:
  provider: "openrouter"  # 支持 openrouter / anthropic / openai / kimi / minimax
  model: "anthropic/claude-3.5-sonnet"  # 推荐用 Claude，效果最好
  api_key: "${OPENROUTER_API_KEY}"  # 从环境变量读取
  
memory:
  backend: "sqlite"  # sqlite / postgres
  fts_enabled: true  # 启用全文搜索
  
skills:
  auto_create: true      # 允许 Agent 自动创建 Skill
  auto_improve: true      # 允许 Agent 自动改进 Skill
  storage_path: "~/.hermes/skills"
  
terminal:
  backend: "local"  # local / docker / ssh / daytona / modal

4.5 启动 Agent

# 交互式启动
hermes

# 或者指定配置文件
hermes --config ~/.hermes/prod.yaml

# 查看帮助
hermes --help

五、Skill 创作实战：从零构建一个"代码审查助手"

光说不练假把式，我们来实操一下怎么用 Hermes Agent 的 Skill 系统。

5.1 场景

你希望 Agent 每次帮你写代码时，自动检查：

1. 是否有 SQL 注入风险
2. 是否正确处理了边界条件
3. 是否有单元测试覆盖

5.2 创建 Skill

# Skill: Python Code Quality Checklist

## Description
A comprehensive checklist for reviewing Python code before committing.
Catches common bugs, security issues, and ensures test coverage.

## Triggers
- Keywords: `review`, `check`, `quality`, `commit`, `submit`
- File patterns: `**/*.py`

## Examples
### Example 1: SQL Injection Check
```python
# ❌ BAD: String concatenation in SQL
cursor.execute(f"SELECT * FROM users WHERE id = {user_id}")

# ✅ GOOD: Parameterized query
cursor.execute("SELECT * FROM users WHERE id = ?", (user_id,))

Example 2: Boundary Condition

# ❌ BAD: No empty check
def find_user(users, name):
    return [u for u in users if u.name == name][0]

# ✅ GOOD: Handle empty case
def find_user(users, name):
    results = [u for u in users if u.name == name]
    return results[0] if results else None

Best Practices

• Always use parameterized queries for database operations
• Validate input parameters at function entry points
• Prefer early returns to reduce nesting
• Each function should have a docstring
• Critical paths need unit tests

Test Coverage Rules

• New functions > 10 lines → require test
• Functions with edge cases → require test
• Public API methods → require test

### 5.3 手动触发 Skill

```bash
# 在 Hermes Agent CLI 中
/hermes add skill python-code-quality.md

# 或者让 Agent 自动识别
# 告诉 Agent："以后每次我写完代码，帮我跑一下这个检查清单"

5.4 验证 Skill 是否生效

User: 帮我写一个用户登录的函数

Agent: [执行任务，生成了 login 函数]

[自动加载 python-code-quality checklist]
Agent: ✅ 参数验证已添加
✅ 密码使用 bcrypt 哈希存储
✅ 登录失败次数做了限制（防暴力破解）
✅ 敏感信息未记录到日志
❌ 缺少单元测试，是否需要我补上？

六、性能优化：让 Hermes Agent 跑得又快又省

6.1 部署方式对比

6.2 内存优化策略

Hermes Agent 的记忆系统会随时间增长，如果不加控制，会导致：

1. 检索变慢（FTS 索引膨胀）
2. 上下文过长（LLM 调用成本上升）
3. 存储空间浪费

优化策略一：定期压缩

# 手动压缩记忆文件
hermes compress --level=aggressive

优化策略二：Skill 合并

相似的 Skill 可以合并，避免碎片化：

# 列出所有 Skill
hermes skills list

# 合并相似 Skill
hermes skills merge api-review-checklist-1.md api-review-checklist-2.md

优化策略三：记忆分级存储

冷数据（> 90 天）→ 归档到 SQLite，脱离上下文
温数据（7-90 天）→ 正常 FTS 索引
热数据（< 7 天）→ 优先检索，高权重

6.3 LLM 调用优化

Skill 检索后不是一股脑全塞进上下文。Hermes Agent 会智能裁剪：

# 伪代码：Skill 上下文注入策略
def inject_skills(agent_context, retrieved_skills, max_tokens=4096):
    """只注入最相关的部分，控制 token 消耗"""
    sorted_skills = rank_by_relevance(retrieved_skills, agent_context)
    
    injected = []
    total_tokens = 0
    
    for skill in sorted_skills:
        skill_tokens = count_tokens(skill.content)
        if total_tokens + skill_tokens <= max_tokens:
            injected.append(skill)
            total_tokens += skill_tokens
        else:
            # 超了就只注入摘要
            injected.append(skill.summary)
    
    return injected

七、与竞品正面PK：为什么 Hermes Agent 值得迁移

7.1 功能对比

7.2 迁移成本

从 OpenClaw 迁移到 Hermes Agent 几乎是零成本的：

# Hermes Agent 支持一键导入 OpenClaw 配置
hermes import --source=openclaw

# 这会导入：
# - 记忆文件（MEMORY.md、USER.md）
# - 技能配置
# - API Keys（加密存储）

7.3 我的判断

如果你符合以下任一条件，Hermes Agent 值得一试：

• ✅ 想用开源方案，不想被单一厂商绑定
• ✅ 需要一个可以跑在 $5 VPS 上的 24/7 个人 Agent
• ✅ 受够了每次新建会话都要从头解释项目背景
• ✅ 希望 AI 助手能"学会"你团队的工程规范
• ✅ 需要多平台接入（Telegram/Discord/QQ）

如果你只需要一个高质量的编程助手，Claude Code 依然是首选。但如果你想拥有一个会成长的、真正懂你的 AI 伙伴，Hermes Agent 是目前开源世界里最接近这个目标的选择。

八、总结：重新定义"AI 助手"的含义

Hermes Agent 给我最大的启发，不是某个具体的技术实现，而是一个设计理念的转变。

传统 AI 助手的范式是：工具。你用它，它干活，不用就关掉。它不记得任何事，也不需要记得。

Hermes Agent 的范式是：伙伴。你跟它协作，它从协作中学习，把学到的经验固化成技能，下次遇到类似问题时自动调用。随着时间推移，它越来越懂你的项目、你的风格、你的偏好。

这就是为什么 Hermes Agent 的 Slogan 是 "The agent that grows with you"。

不是"更强大的工具"，而是"会跟你一起成长的伙伴"。

这个转变的意义，可能比任何单个技术特性都重要。它预示了一个方向：AI 不是被动的工具，而是主动的学习者。当我们习惯了有"记忆"和"学习能力"的 AI，再回头用那些每次都"失忆"的助手，那种落差感会越来越明显。

附录：资源链接

• GitHub: https://github.com/NousResearch/hermes-agent
• 官方文档: https://docs.hermesagent.ai
• Skills 生态（橙皮书）: https://github.com/alchaincyf/hermes-agent-orange-book
• 安装脚本: https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh

本文首发于程序员茄子（chenxutan.com），作者保留所有权利。转载需注明出处。