Hermes Agent 深度实战：从「LLM 审判官」到自进化 Skills——不训练模型也能越用越强的 Agent 工程全解（2026）

两个月 21 万 GitHub Stars、4 万 Forks、4800+ Commits——Hermes Agent 凭什么成为 2026 年增长最快的开源 AI Agent？答案藏在一个反直觉的设计里：它不训练模型，却能越用越强。本文从源码层面拆解「自进化」的工程实现，带你理解 Prompt Engineering + 文件持久化如何构建真正的学习闭环。

一、背景：Agent 赛道为什么需要「进化」

1.1 传统 Agent 的「失忆症」

如果你用过 OpenClaw、AutoGPT 或其他主流 Agent 框架，大概率遇到过这些场景：

• 每次对话都是「新的一天」——上次解决的问题、积累的经验完全丢失
• 重复劳动无法自动化——同样的操作每次都要手动指导
• 个性化无从谈起——Agent 永远像一个刚入职的新员工

这不是技术能力不足，而是架构设计的根本缺陷：大多数 Agent 是无状态的。它们能执行任务，但不能「记住」执行过程中的经验，更不会将这些经验转化为可复用的能力。

从认知科学视角看，这相当于一个人只有「工作记忆」，没有「情景记忆」（存储经历）和「程序性记忆」（存储技能）。每一次任务都从零开始，永远无法成长。

1.2 Hermes Agent 的核心命题

2026 年 2 月，Nous Research 发布 Hermes Agent，明确提出一个目标：

「The Agent That Grows With You」——一个能与你共同成长的 Agent。

这不仅是营销口号，而是架构设计的第一性原理：

1. 从「一次性工具」到「长期伙伴」——Agent 应该记住你的偏好、项目细节、习惯工作方式
2. 从「被动执行」到「主动进化」——成功的问题解决流程应自动转化为可复用的技能
3. 从「无状态服务」到「有记忆系统」——跨会话的知识连续性是核心能力，而非附加功能

1.3 本文目标与结构

本文将从工程师视角拆解 Hermes Agent 的自进化机制，回答三个核心问题：

1. 它是如何实现「不训练模型却越用越强」的？——LLM 审判官、Skill Curator、三层记忆系统的工程实现
2. 这套架构有什么设计权衡？——与 OpenClaw、AutoGPT 等竞品的对比分析
3. 如何在实际项目中落地？——部署、调优、扩展的完整指南

二、核心机制一：LLM 审判官——从经验中提炼知识

2.1 「自进化」的本质是什么？

在深入源码之前，先澄清一个概念：Hermes Agent 的「自进化」不是修改模型权重。

它走的是另一条路：通过 Prompt Engineering + 文件持久化，构建一个「经验 → 知识 → 能力」的闭环。这更像人类的「复盘总结」过程：

1. 完成任务后，回顾执行过程
2. 识别哪些步骤是成功的、可复用的
3. 将成功经验提炼为方法论（Skill）
4. 下次遇到类似问题，直接应用方法论

关键洞察：不需要训练模型，只需要训练「怎么用模型」的策略。

2.2 LLM 审判官机制的源码解析

Hermes Agent 的自进化核心在 agent/skill_curator.py，这是一个约 1200 行的模块，负责从会话轨迹中提炼 Skill。

核心流程：

# 伪代码，展示核心逻辑
class SkillCurator:
    def curate_from_session(self, session_id: str):
        """从会话中提炼 Skill"""
        # 1. 加载会话轨迹
        trajectory = self.load_trajectory(session_id)
        
        # 2. LLM 分析：这个会话包含可复用的模式吗？
        analysis = self.llm_judge.analyze(
            prompt=f"""
            你是一个「经验萃取专家」。分析以下任务执行轨迹：
            
            任务：{trajectory.task}
            执行步骤：{trajectory.steps}
            结果：{trajectory.result}
            
            判断：
            1. 这个任务是否包含可复用的模式？
            2. 如果有，提取为 Skill 的核心步骤是什么？
            3. 这个 Skill 的适用场景是什么？
            
            以 JSON 格式返回分析结果。
            """,
            response_format={"type": "json_object"}
        )
        
        # 3. 如果值得提炼，生成 Skill 文件
        if analysis["worth_curating"]:
            skill_markdown = self.generate_skill_markdown(analysis)
            self.save_skill(skill_markdown)
            return {"status": "created", "skill": analysis["skill_name"]}
        
        return {"status": "skipped", "reason": analysis["reason"]}

关键设计点：

1. LLM 作为「审判官」：不是规则引擎，而是让 LLM 自己判断哪些经验值得沉淀。这比硬编码的规则更灵活。

2. 结构化输出：要求 LLM 返回 JSON，确保后续处理的可编程性。

3. 增量学习：每次会话都是一次「训练数据」，但不更新模型参数，只更新外部知识库。

2.3 Skill 的存储格式与生命周期

Hermes Agent 的 Skill 以 Markdown 文件形式存储在 ~/.hermes/skills/ 目录：

# skill:debug-python-performance

## 触发条件
当用户请求优化 Python 代码性能时自动激活。

## 核心步骤

1. **性能分析**
   - 使用 `cProfile` 生成调用图
   - 识别热点函数（执行时间占比 > 20%）
   - 检查内存泄漏（`memory_profiler`）

2. **优化策略**
   - 热点循环：考虑 NumPy 向量化或 Cython 加速
   - I/O 密集：异步化 + 批处理
   - 内存密集：生成器替代列表、对象池

3. **验证**
   - 对比优化前后的基准测试结果
   - 确保功能等价性

## 适用场景
- 数据处理脚本
- API 性能瓶颈排查
- ETL 流程优化

生命周期：

创建 → 验证 → 优化 → 废弃
 ↑      ↓      ↓      ↓
会话   应用    失败   删除

2.4 为什么不用 RAG 而用文件？

Hermes Agent 的选择是基于工程实践的权衡：

Hermes Agent 的设计哲学：简单胜过复杂，可维护性胜过性能。

三、核心机制二：三层记忆系统——存储、检索与注入

3.1 为什么记忆是分层的？

人类的记忆不是单一的「存储」，而是分层的：

• 工作记忆：当前正在处理的信息（容量有限，易丢失）
• 情景记忆：经历的具体事件（如「上周三我做了什么」）
• 语义记忆：抽象的知识和概念（如「Python 是一门编程语言」）
• 程序性记忆：技能和习惯（如「如何骑自行车」）

Hermes Agent 模仿这种结构，设计了三层记忆系统：

┌─────────────────────────────────────────────┐
│          Layer 1: Built-in Memory           │
│   MEMORY.md (Agent笔记) + USER.md (用户画像) │
│   始终激活，每次会话注入系统提示              │
└─────────────────────────────────────────────┘
                     ↓
┌─────────────────────────────────────────────┐
│      Layer 2: External Memory Providers     │
│   Honcho / Mem0 / OpenViking / ... (8个)   │
│   可插拔，同时只激活一个                     │
└─────────────────────────────────────────────┘
                     ↓
┌─────────────────────────────────────────────┐
│        Layer 3: Session Search (FTS5)       │
│   所有历史会话 → SQLite + 全文索引           │
│   按需检索，Gemini Flash 摘要               │
└─────────────────────────────────────────────┘

3.2 Layer 1：Built-in Memory

这是最简单但最关键的一层：两个 Markdown 文件。

MEMORY.md（Agent 的个人笔记）：

# 我的笔记

## 项目信息
- 当前主项目：电商平台重构
- 技术栈：Go + PostgreSQL + Redis
- 部署环境：K8s on AWS

## 用户偏好
- 代码风格：简洁优先，避免过度抽象
- 文档习惯：喜欢带代码示例的技术文档
- 时区：UTC+8（上海）

USER.md（用户画像）：

# 用户画像

## 基本信息
- 角色：后端工程师
- 经验：5年
- 团队规模：8人

## 工作习惯
- 偏好异步编程
- 喜欢用 TDD
- 对性能优化很敏感

设计亮点：

1. 字符限制：MEMORY.md 上限 2200 字符，USER.md 上限 1375 字符
2. 人类可编辑：用户可以手动修改这些文件
3. 版本控制友好：Markdown 文件天然支持 Git

3.3 Layer 2：External Memory Providers

对于需要存储大量项目文档、代码片段、会议记录的场景，Hermes Agent 提供了 8 个可插拔的外部记忆后端：

关键技术约束：同时只能激活一个外部 Provider。

3.4 Layer 3：Session Search（FTS5 全文索引）

所有历史会话都被存入 SQLite，并使用 FTS5 建立索引。

为什么用 SQLite + FTS5 而不是向量数据库？

1. 零依赖：SQLite 是 Python 标准库的一部分
2. 可解释性：FTS5 的匹配过程是可解释的
3. 性能足够：对于个人用户，十万级会话的全文搜索延迟在毫秒级
4. 本地优先：所有数据都在本地，无需担心隐私泄露

四、核心机制三：Skill 自动生成与优化

4.1 Skill 的三种来源

Hermes Agent 的 Skill 有三个来源：

1. 内置 Skill：官方预置，开箱即用（约 70+）
2. 自动生成：LLM 审判官从会话中提炼
3. 手动创建：用户编写 Markdown 文件放入 ~/.hermes/skills/

4.2 Skill Curator 的完整流程

class SkillCurator:
    def curate_after_task(self, session_id: str, task_result: TaskResult):
        """任务完成后自动提炼 Skill"""
        
        # 阶段 1：判断是否值得提炼
        if not self._should_curate(task_result):
            return None
        
        # 阶段 2：提取核心步骤
        steps = self._extract_steps(session_id)
        
        # 阶段 3：生成 Skill Markdown
        skill_md = self._generate_skill_markdown(
            task=task_result.task,
            steps=steps,
            context=task_result.context
        )
        
        # 阶段 4：保存并注册
        skill_id = self._save_skill(skill_md)
        self._register_skill(skill_id)
        
        return skill_id

关键设计点：

1. 多阶段过滤：先规则过滤，再 LLM 判断
2. 任务复杂度阈值：简单任务不值得提炼
3. 用户反馈循环：如果失败，LLM 会分析原因并优化 Skill

五、架构总览：六层解耦设计

┌─────────────────────────────────────────────────────────┐
│                Layer 0: Entry Points                    │
│   CLI (TUI) │ Gateway (消息平台) │ ACP (IDE插件) │ API  │
└─────────────────────────────────────────────────────────┘
                           ↓
┌─────────────────────────────────────────────────────────┐
│               Layer 1: Core Engine                      │
│   AIAgent (同步编排器) + Prompt Builder + Tool Registry │
└─────────────────────────────────────────────────────────┘
                           ↓
┌─────────────────────────────────────────────────────────┐
│              Layer 2: Skill System                      │
│   Skill Registry + Skill Curator + Skill Improver      │
└─────────────────────────────────────────────────────────┘
                           ↓
┌─────────────────────────────────────────────────────────┐
│             Layer 3: Memory System                      │
│   Built-in (MD) + External Providers + Session Search  │
└─────────────────────────────────────────────────────────┘
                           ↓
┌─────────────────────────────────────────────────────────┐
│            Layer 4: Tool Backends                       │
│   Terminal (7) │ Browser (5) │ Web (4) │ MCP (动态)    │
└─────────────────────────────────────────────────────────┘
                           ↓
┌─────────────────────────────────────────────────────────┐
│           Layer 5: Execution Runtimes                   │
│   Local │ Docker │ SSH │ Singularity │ Modal (无服务器)│
└─────────────────────────────────────────────────────────┘

六、实战指南：从安装到生产部署

6.1 安装（3 分钟搞定）

macOS / Linux：

# 一键安装
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

# 刷新 Shell
source ~/.bashrc  # 或 source ~/.zshrc

6.2 模型选择建议

6.3 生产部署建议

方案 1：VPS 部署（推荐）

# 拉取 Hermes 镜像
docker pull nousresearch/hermes-agent:latest

# 运行
docker run -d \
  --name hermes \
  -v ~/.hermes:/root/.hermes \
  -e HERMES_PROVIDER=nous \
  -e HERMES_API_KEY=your_key \
  -p 8080:8080 \
  nousresearch/hermes-agent:latest

七、与竞品对比：OpenClaw、AutoGPT、CrewAI

7.1 架构对比表

7.2 核心差异分析

Hermes Agent vs OpenClaw

• OpenClaw：全能但无状态。适合一次性任务、需要复杂工具链的场景
• Hermes Agent：能成长但技术栈更重。适合长期陪伴、个性化需求

八、局限性与未来方向

8.1 当前局限性

1. 单实例设计：多用户共享需要部署多个实例
2. 记忆检索的语义理解有限：FTS5 是关键词检索
3. Skill 的质量控制：需要人工审核

8.2 未来方向（根据 Roadmap）

v0.20（2026 Q3）：

• 原生向量数据库支持（Chroma、Qdrant）
• Skill 评分与推荐系统
• 多用户租户模式

九、总结：Agent 工程的新范式

9.1 核心结论

Hermes Agent 的成功证明了一个核心观点：

Agent 的价值不在于「能做什么」，而在于「能记住什么」和「能学会什么」。

这不是技术能力的提升，而是架构范式的转变：

• 从无状态到有状态：记忆是核心能力，而非附加功能
• 从一次性工具到长期伙伴：Agent 应该与你共同成长
• 从被动执行到主动进化：成功经验应自动转化为可复用的技能

9.2 一句话总结

Hermes Agent 用工程实践证明：不需要训练模型，也能构建真正「会学习」的 Agent——LLM 审判官 + 文件持久化 + 三层记忆，这就是自进化的工程解法。

本文发布于 2026 年 7 月，基于 Hermes Agent v0.19.0。技术发展迅速，部分内容可能已过时，请以官方文档为准。