编程 Hermes Agent 深度解析：自进化 AI Agent 的三层记忆架构与 Skills 闭环实战

2026-05-28 14:37:01 +0800 CST views 17

Hermes Agent 深度解析：自进化 AI Agent 的三层记忆架构与 Skills 闭环实战

2026 年 2 月，Nous Research 开源了 Hermes Agent。不到 6 周，GitHub Star 突破 4.7 万，最高单日新增 6400+ Star，多次登顶 GitHub Trending 总榜。它凭什么？

一、背景：为什么现有 Agent 框架不够用？

2025–2026 年，AI Agent 框架层出不穷。LangChain、AutoGen、CrewAI……它们有一个共同痛点：没有持久记忆，不会自我进化。

每次会话都是一张白纸。你昨天教过它的东西，今天重启就忘了。你让它学会了一个复杂任务的解决方法，下次遇到同类任务，它还是从零开始。

这不是"智能体"，这是"有幻觉的脚本"。

Hermes Agent 的核心设计哲学就是解决这个问题：让 AI Agent 像人一样积累经验、记住过去、越用越聪明。

二、核心架构：三层记忆 + Skills 闭环

2.1 三层记忆架构

Hermes Agent 的记忆系统借鉴了 CPU 缓存的分层设计思想，将记忆分为三个层次：

L1：核心记忆（MEMORY.md）—— "热记忆"

容量：约 2200 字符（~800 tokens）
加载时机：每次会话启动时注入系统提示词
存储内容：环境事实、项目约定、重要经验教训
典型数据：
- "本项目使用 React 18 + TypeScript，测试框架是 Vitest"
- "用户反馈不喜欢大段文字，希望用列表呈现"
- "上次部署失败时，根源是 node_modules 缓存问题，需先 rm -rf node_modules && npm install"

关键设计：MEMORY.md 每次会话开始时被冻结为快照，注入 system prompt。这保证了核心上下文不丢失，同时避免了每次请求都携带全量历史造成的 token 浪费。

L2：用户画像（USER.md）—— "温记忆"

容量：约 1375 字符（~500 tokens）
存储内容：用户姓名、角色、技术栈偏好、沟通风格
典型数据：
- "张明，后端架构师，沟通风格偏向简洁，擅长 Go 语言"
- "喜欢代码示例优先于理论解释"
- "对性能优化话题特别感兴趣"

L3：会话记忆（SQLite + FTS5）—— "冷记忆"

存储方式：SQLite 数据库，FTS5 全文索引
容量：理论上无上限，受磁盘空间限制
检索方式：毫秒级 FTS5 全文搜索
存储内容：完整的历史会话记录、任务执行轨迹、技能文件

FTS5 全文索引的优势：

-- Hermes Agent 内部使用类似这样的 FTS5 查询
SELECT * FROM memory_fts 
WHERE memory_fts MATCH 'React useEffect 清理函数' 
ORDER BY rank 
LIMIT 5;

相比直接把历史记录全部塞进 context window，这种分层设计节省了 80–90% 的 token 消耗。

2.2 Skills 闭环：从"执行"到"经验"到"技能"

这是 Hermes Agent 最具创新性的部分。完整流程如下：

任务执行
  ↓
工具调用轨迹记录（每完成 15 次工具调用或完成一个复杂任务）
  ↓
自动触发自评估（LLM 复盘执行过程）
  ↓
提取成功模式 → 生成 SKILL.md（Markdown 格式的可复用技能文件）
  ↓
写入 ~/.hermes/skills/ 目录
  ↓
下次遇到同类任务 → 自动检索并加载相关 Skill
  ↓
执行后继续评估 → 优化已有 Skill（合并、去重、更新）

Skill 文件示例

# Skill: Debug Node.js Memory Leak

## Trigger
User mentions: "memory leak", "out of memory", "heap growing", "RSS increasing"

## Steps
1. Run `node --inspect app.js` and open chrome://inspect
2. Take heap snapshot at startup (baseline)
3. Exercise the suspicious endpoint/function in a loop (100+ iterations)
4. Take second heap snapshot
4. Look for objects retaining size that shouldn't be there
5. Common culprits:
   - Event listeners not removed (use once() instead of on())
   - Closures capturing large objects
   - Global variable accumulation
   - setInterval not cleared

## Code
```javascript
// Force garbage collection (requires --expose-gc)
global.gc();
const usage = process.memoryUsage();
console.log(`Heap used: ${usage.heapUsed / 1024 / 1024} MB`);

Gotchas

V8's GC is lazy; memory may not be freed immediately
Use --max-old-space-size=4096 to raise the limit during debugging


#### 实际效果（来自社区测试数据）

> 连续运行 3 个月后，65% 的新任务可以直接调用已有 Skill，无需从零规划。

---

## 三、架构深探：一次请求的完整生命周期

### 3.1 Agent Loop 伪代码

```python
async def agent_loop(user_message: str, session_id: str):
    # 1. 加载记忆
    memory = load_memory_md()          # L1: MEMORY.md (~800 tokens)
    user_profile = load_user_md()      # L2: USER.md (~500 tokens)
    relevant_history = fts5_search(user_message)  # L3: SQLite FTS5
    
    # 2. 检索相关 Skills
    relevant_skills = skill_indexer.search(user_message)
    
    # 3. 组装系统提示词（动态组装，不是静态文件）
    system_prompt = build_system_prompt(
        memory, user_profile, relevant_history, relevant_skills
    )
    
    # 4. 进入 ReAct 循环
    messages = [{"role": "user", "content": user_message}]
    tool_call_count = 0
    
    while not done:
        response = llm_call(system_prompt, messages)
        
        if has_tool_calls(response):
            tool_results = execute_tools(response.tool_calls)
            messages.append(response)
            messages.append(tool_results)
            tool_call_count += len(response.tool_calls)
        else:
            final_answer = response.content
            done = True
        
        # 5. 触发自评估（每 15 次工具调用）
        if tool_call_count >= 15 and tool_call_count % 15 == 0:
            trigger_background_review(session_id)
    
    # 6. 任务完成后，触发 Skill 提炼
    schedule_skill_extraction(session_id)
    return final_answer

3.2 工具调用注册表模式

Hermes Agent 内置 40+ 种工具，采用注册表模式统一管理：

TOOL_REGISTRY = {
    "bash": execute_shell_command,
    "read_file": read_file_content,
    "write_file": write_file_content,
    "search_web": duckduckgo_search,
    "read_url": web_fetch,
    "list_files": glob_list,
    "edit_file": file_edit_tool,
    "run_python": execute_python_code,
    # ... 40+ tools
}

每个工具都有：

JSON Schema 定义的输入参数规范
超时控制（默认 120s，可配置）
沙箱隔离（可选 Docker/Daytona）
结果截断（防止超大输出撑爆 context）

四、代码实战：从零部署到编写第一个自定义 Skill

4.1 一键安装

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

# 安装完成后重新加载 shell
source ~/.bashrc  # 或 ~/.zshrc

安装脚本会自动：

检测操作系统和架构
安装 Python 3.10+（如需要）
创建 ~/.hermes/ 目录结构
安装 Hermes Agent 的 Python 依赖
配置 systemd / launchd 服务（可选）

4.2 配置大模型

# 交互式配置（推荐）
hermes configure

# 或手动设置环境变量
export ANTHROPIC_API_KEY="sk-ant-..."
export OPENAI_API_KEY="sk-..."
export KIMI_API_KEY="..."

# 选择默认模型
hermes model set anthropic/claude-sonnet-4

高级：一个 API Key 接入 600+ 模型

Hermes Agent 支持通过 openrouter 作为 provider，一个 API Key 接入 OpenRouter 平台上的 600+ 模型：

hermes provider add openrouter --api-key "sk-or-v1-..."
hermes model set openrouter/anthropic/claude-sonnet-4
hermes model set openrouter/google/gemini-2.5-pro
# 可以随时切换，无需重新配置 Key

4.3 编写第一个自定义 Skill

在 ~/.hermes/skills/ 下创建 my_skill.md：

# Skill: Optimize Docker Image Size

## Trigger
User mentions: "docker image too large", "reduce image size", "docker slim", "multi-stage build"

## Steps
1. Check current image size: `docker images | grep <image_name>`
2. Use multi-stage build:
   - Stage 1 (build): full dependencies, build artifacts
   - Stage 2 (runtime): only production dependencies, copy artifacts from Stage 1
3. Use distroless or alpine as base image
4. Combine RUN commands to reduce layers: `RUN apt-get update && apt-get install -y ... && rm -rf /var/lib/apt/lists/*`
5. Add `.dockerignore` to exclude node_modules, .git, etc.

## Code Example
```dockerfile
# Multi-stage build example
FROM node:20-alpine AS builder
WORKDIR /app
COPY package*.json ./
RUN npm ci --production
COPY . .
RUN npm run build

FROM node:20-alpine
WORKDIR /app
COPY --from=builder /app/package*.json ./
COPY --from=builder /app/dist ./dist
COPY --from=builder /app/node_modules ./node_modules
USER node
CMD ["node", "dist/index.js"]

Expected Result

Image size reduction: typically 60–80%
Security: fewer packages = smaller attack surface

Gotchas

Don't use COPY --from=builder /app/node_modules ./node_modules if you have native dependencies built for a different architecture
Alpine uses musl libc; some native modules may need rebuild


保存后，Hermes Agent 会自动索引这个 Skill。下次你说"我的 Docker 镜像太大了，帮我优化"，它会自动加载这个 Skill 并照此执行。

---

## 五、多平台网关：一个 Agent 管所有

Hermes Agent 的 **Gateway 架构** 允许同一个 Agent 实例同时接入多个消息平台：

                ┌─────────────────────────────────┐
                │    Hermes Agent Gateway         │
                │    (ws://127.0.0.1:19000)     │
                └──────┬──────────────────────────┘
                       │
     ┌─────────────────┼─────────────────────────┐
     │                 │                         │
Telegram          Discord                   Slack
WhatsApp          Signal                    Email
WeChat            CLI (本地终端)            Web UI


配置示例（`~/.hermes/config.yaml`）：

```yaml
gateway:
  host: 127.0.0.1
  port: 19000

platforms:
  telegram:
    enabled: true
    token: "123456:ABC-DEF..."
  discord:
    enabled: true
    token: "your-discord-bot-token"
  slack:
    enabled: false
  wechat:
    enabled: false  # 需要额外配置，见官方文档

关键优势：无论在哪个平台给 Agent 发消息，它都记得你——因为记忆是统一存储在本地 SQLite 里的，跟平台无关。

六、并行子智能体：Delegate Task 深度实战

Hermes Agent 支持通过 delegate_task 工具拉起子智能体处理专项任务：

# 主 Agent 收到任务：
# "分析我这个仓库的代码质量，检查安全漏洞，生成架构图"

# 主 Agent 规划后，并行拉起 3 个子 Agent：
subtasks = [
    {"task": "分析代码质量，输出报告", "model": "claude-sonnet-4"},
    {"task": "运行安全扫描（semgrep + npm audit），输出漏洞列表", "model": "gpt-4o"},
    {"task": "分析目录结构，生成 Mermaid 架构图", "model": "gemini-2.5-pro"}
]

# 并行执行（真正的并行，不是串行等待）
results = parallel_execute(subtasks)

# 主 Agent 汇总三个子任务的结果，输出最终报告

子智能体的隔离性：

每个子 Agent 有独立的会话 context
可选的 Docker 沙箱隔离（防止恶意代码影响主系统）
子 Agent 完成后自动销毁，不污染主 Agent 的记忆

七、与 OpenClaw 的对比：两匹马的赛跑

维度	Hermes Agent	OpenClaw
记忆系统	三层（MEMORY.md + USER.md + SQLite/FTS5）	主要依赖 MEMORY.md，跨会话记忆较弱
自进化	自动生成和优化 Skills	支持 Skills 但需要手动配置
部署门槛	一行命令安装	需要 Node.js 环境，配置稍复杂
消息平台	12+ 平台（含微信）	10+ 平台
沙箱后端	7 种（含 Modal/Daytona Serverless）	主要依赖本地/SSH
Token 消耗	分层记忆节省 80–90%	相对较多
社区增长	6 周 4.7 万 Star	2 天 10 万 Star（更快）
定位	"越用越聪明的数字员工"	"私人 AI 助手，多渠道整合"

结论：两者定位略有不同。OpenClaw 更强在"多渠道整合 + 快速部署"，Hermes Agent 更强在"记忆持久化 + 自进化学习"。

八、生产级部署：Docker + systemd + Nginx 完整方案

8.1 Docker 部署（推荐生产环境）

# Dockerfile
FROM python:3.12-slim

RUN apt-get update && apt-get install -y \
    git \
    curl \
    && rm -rf /var/lib/apt/lists/*

RUN pip install --no-cache-dir hermes-agent

WORKDIR /root/.hermes

# 挂载持久化目录
VOLUME ["/root/.hermes"]

CMD ["hermes", "gateway", "start"]

# 构建并运行
docker build -t hermes-agent:latest .
docker run -d \
  --name hermes-agent \
  -v ~/.hermes:/root/.hermes \
  -p 19000:19000 \
  -e ANTHROPIC_API_KEY \
  hermes-agent:latest

8.2 systemd 服务（服务器持久运行）

# /etc/systemd/system/hermes-agent.service
[Unit]
Description=Hermes Agent Gateway
After=network.target

[Service]
Type=simple
User=ubuntu
WorkingDirectory=/home/ubuntu/.hermes
ExecStart=/usr/local/bin/hermes gateway start
Restart=always
RestartSec=10
Environment="ANTHROPIC_API_KEY=sk-ant-..."
Environment="LOG_LEVEL=info"

[Install]
WantedBy=multi-user.target

sudo systemctl daemon-reload
sudo systemctl enable hermes-agent
sudo systemctl start hermes-agent
sudo systemctl status hermes-agent

8.3 Nginx 反向代理（暴露到公网）

# /etc/nginx/sites-available/hermes-agent
server {
    listen 443 ssl;
    server_name hermes-api.yourdomain.com;

    ssl_certificate /path/to/fullchain.pem;
    ssl_certificate_key /path/to/privkey.pem;

    location / {
        proxy_pass http://127.0.0.1:19000;
        proxy_http_version 1.1;
        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
    }
}

九、进阶：GEPA 进化引擎与 Skill 质量自我提升

Hermes Agent 内置了一个叫 GEPA（Guided Evolutionary Prompt Architecture） 的离线验证引擎，它的作用是：

收集历史任务执行数据
对每个 Skill 的效果进行量化评估（成功率、token 消耗、用户反馈）
自动生成优化版本的 Skill
通过 A/B 测试验证优化效果
用更优版本替换旧版 Skill

Skill v1.0 (人工编写)
  ↓
使用过程中收集执行数据
  ↓
GEPA 分析：哪些步骤经常失败？哪些可以简化？
  ↓
自动生成 Skill v1.1（优化版）
  ↓
A/B 测试：v1.0 vs v1.1
  ↓
v1.1 成功率更高 → 替换 v1.0
  ↓
循环继续...

这个机制使得 Hermes Agent 的 Skills 质量可以在无人干预的情况下持续提升。

十、总结与展望

Hermes Agent 的出现，标志着 AI Agent 从"工具"向"伙伴"的范式转变。

核心收获：

分层记忆架构是解决 Agent 持久化的正确方向——把热/温/冷记忆分开处理，在成本、效率、能力之间找到最佳平衡点。
Skills 闭环让 Agent 具备了"程序性记忆"——不仅会记住事实（知道什么），还会记住怎么做（怎么做），并能把经验传递给未来的自己。
GEPA 进化引擎打开了 Agent 自我改进的大门——未来可能出现完全由 AI 维护的 Skill 生态，人类只需要定义问题，不需要手写解决方案。

未来展望：

Skill 市场：像 npm 但面向 AI Agent Skills 的生态系统
多 Agent 协同：Hermes Agent 之间可以互相分享 Skills
本地小模型 + 云端大模型混合架构：简单任务用本地 7B 模型（延迟低、零成本），复杂任务路由到 Claude/GPT（能力强）

参考资源

GitHub: https://github.com/NousResearch/hermes-agent
官方文档: https://hermes-agent.readthedocs.io
Skill 生态: https://agentskills.io（社区驱动的 Skill 分享平台）
Discord 社区: https://discord.gg/nousresearch

本文基于 Hermes Agent v0.13.0（2026 年 5 月）撰写，代码示例仅供参考，生产环境请参考官方文档。

复制全文生成海报 AI Agent Hermes Agent 自进化记忆架构 Skills

编程 Hermes Agent 深度解析：自进化 AI Agent 的三层记忆架构与 Skills 闭环实战

Hermes Agent 深度解析：自进化 AI Agent 的三层记忆架构与 Skills 闭环实战

一、背景：为什么现有 Agent 框架不够用？

二、核心架构：三层记忆 + Skills 闭环

2.1 三层记忆架构

L1：核心记忆（MEMORY.md）—— "热记忆"

L2：用户画像（USER.md）—— "温记忆"

L3：会话记忆（SQLite + FTS5）—— "冷记忆"

2.2 Skills 闭环：从"执行"到"经验"到"技能"

Skill 文件示例

Gotchas

3.2 工具调用注册表模式

四、代码实战：从零部署到编写第一个自定义 Skill

4.1 一键安装

4.2 配置大模型

4.3 编写第一个自定义 Skill

Expected Result

Gotchas

六、并行子智能体：Delegate Task 深度实战

七、与 OpenClaw 的对比：两匹马的赛跑

八、生产级部署：Docker + systemd + Nginx 完整方案

8.1 Docker 部署（推荐生产环境）

8.2 systemd 服务（服务器持久运行）

8.3 Nginx 反向代理（暴露到公网）

九、进阶：GEPA 进化引擎与 Skill 质量自我提升

十、总结与展望

推荐文章