Hermes

​

Hermes Agent

​

1.1 Hermes Agent 是什么

• 核心用 Python 编写（入口脚本 hermes-agent/hermes/cli.py），通过 pip install hermes-agent 或官方一行安装脚本部署
• 支持 Linux / macOS / WSL2 / Termux（Windows 原生不支持，需要 WSL2）
• 所有数据都存在本地（~/.hermes/），和 OpenClaw 一样不经过云中转
• MIT 协议开源，与 OpenClaw 可通过 ACP 协议互相调度

​

1.2 Hermes 总体架构

触发层 → 网关层 → Agent 层 → 记忆/Skill 沉淀 → 反哺下一次触发 
						 └─ 每 ~15 次 tool call 触发自进化反思

​

1.2.1 触发层

• Message（消息）— CLI、Telegram、Discord、Slack、WhatsApp、Signal、Email（比 OpenClaw 多一个 Email）
• Heartbeat（心跳）— 周期性唤醒 Agent 进行自检 / 续跑
• Cron（定时任务）— 内置 cron 调度器（源码 hermes-agent/cron/scheduler.py、cron/jobs.py），支持每日 / 每周自动任务并推送到任意平台
• Webhook（外部推入）— 同样支持外部系统 HTTP 推入
• Hooks（生命周期钩子）— 会话开始 / 结束、工具调用前后等事件挂钩，可触发自定义逻辑

​

1.2.2 网关层 — 进程多渠道

1. 连接管理：同时维持多个渠道的长连接（CLI、Telegram、Discord、Slack、WhatsApp、Email……一进程多渠道）
2. 协议转换：把 Telegram 的 JSON、Discord 的 WebSocket 帧、Email 的 MIME、Webhook 的 HTTP POST 等不同协议，统一转换成内部标准事件格式
3. 路由分发：根据事件里的 agentId / sessionId，把事件投递给正确的 Agent 会话；回复也按原路送回对应渠道
4. 安全控制：入口处做认证（token / 签名校验）、限流、沙箱隔离

​

1.2.3 Agent 层

自进化循环是什么？ 一句话先打个底：这是 Hermes 的“自我反思 + 经验沉淀”模块。用一句话概括就是 “like back propagation but for prompts instead of model weights”——像反向传播，但更新的不是模型权重，而是 prompt / 记忆 / skill**。周期性触发，让 Agent 回看自己刚才做了什么，把有价值的事实写进 memory/ md文件，把成功流程抽象成 Skill，把用户偏好更新到 Honcho（一个独立的第三方开源用户建模服务，honcho.dev，专门给 Agent 存“这个用户是谁”——偏好、沟通风格、目标，Hermes 作为可选依赖集成它）。完整机制在 1.4.4 讲。后面章节会反复提到“自进化循环”，看到它就想“这是 Hermes 的周期性反思和写记忆的机制”即可

下面三个小节（1.2.3.1 / 1.2.3.2 / 1.2.3.3）分别讲这个循环里每一步的具体实现——Think 层如何调 LLM、Act 层有哪些工具、Remember 层的记忆怎么组织

​

1.2.3.1 推理(Think)

• 主模型：做长链推理、规划、复杂任务——用强模型（如 Claude Opus、GPT-5）
• 辅助模型：做压缩、摘要、分类、错误归类等轻量任务——用便宜 / 本地的弱模型（如 Qwen、Gemma）

​

1.2.3.2 工具执行(Act)

• 终端 / exec：执行 Shell 命令（带 allowlist 安全策略）
• 浏览器：通过 CDP 控制 Chromium，浏览网页、截图、操作页面
• 文件操作：读写本地文件、应用 patch
• 消息发送：向任意渠道（Telegram / Discord / Email …）发送消息
• Subagent Spawn：启动子 Agent 处理复杂 / 并行任务
• MCP 集成：通过 Model Context Protocol 接入任意外部工具生态

​

1.2.3.3 记忆(Memory)& Skills

• Bootstrap Files：永久身份与规则（AGENTS.md 等），每次会话开始从磁盘注入
• Session Transcript：完整对话历史存档（JSONL 文件追加写入）
• Context Window： 当前推理能看到的内容（满了触发 Compaction）
• Retrieval Index：记忆文件的全文 / 向量混合检索索引
• Skill Library：程序性记忆，可复用的成功流程（Hermes 独家第 5 层）
• Honcho User Model：独立的用户画像模型，专门存“你是谁”（偏好、沟通风格、目标）

举个例子，系统中前 4 层属于陈述性记忆（“我记得什么事实”），Skill Library 属于程序性记忆（“我会做什么流程”），Honcho 是独立的用户建模（“我是谁”）。相比 OpenClaw，OpenClaw 只有陈述性记忆，Hermes 把程序性记忆和用户建模也补齐了，这是它越用越懂你的理论基础

​

1.2.4 架构总览图

1. 上图是 Hermes 的静态结构，还没有画出 Hermes 真正的创新——自进化循环。自进化循环本质是作用于记忆层之上的动态更新策略，会在 1.4 节 · 动态更新策略里讲
2. Agent 层的 Think / Act 循环由 LLM 自主驱动，Gateway 不参与推理决策——这是职责边界
3. 记忆体系的前 4 层和 OpenClaw 相同，后 2 层是 Hermes 新增；静态结构见 1.3 节，动态更新见 1.4 节

​

1.3 Hermes 记忆系统 · 静态结构

​

1.3.1 总览：一个上下文窗口 + 三类数据源 + 一个索引

1. 工作空间 md 文件——人写的（或自进化循环写的）配置和知识文件，包含 Bootstrap Files、memory/ 笔记、Skill Library
2. Session Transcript——系统自动追加的完整对话日志 .jsonl
3. Honcho User Model——外部独立服务，存用户画像

• Retrieval Index——为 memory/ 下的 md 文件建的向量 + 全文索引。它自己不进 Context——它的作用是让 memory_search 能快速从 md 文件里找到相关片段，真正进 Context 的是搜到的那段 md 原文

• 工作空间 md 文件 / Session Transcript / Retrieval Index：和 OpenClaw 同构
• Skill Library（工作空间 md 文件里的一类）：Hermes 独有
• Honcho User Model：Hermes 独有

​

1.3.2 Context Window：上下文窗口

1. System Prompt（来自工作空间 md 文件）：SOUL.md + AGENTS.md + MEMORY.md + TOOLS.md + …
2. Skill 系统提示（来自 Skill Library）：精简 skill 描述列表
3. Honcho 摘要（来自 Honcho User Model）：用户画像的一段文字摘要
4. 对话历史切片（来自 Session Transcript）：从 .jsonl 尾部加载的最近消息 + 已有压缩摘要
5. 预检索片段（来自 memory/ 下的 md 文件，通过 Retrieval Index 找到，Hermes 特色）：Context Engine 根据当前消息主动做一次 memory_search，把命中的 md 原文片段塞进来
6. 当前用户消息 + 工具结果

• 最大 token 消耗者通常是工具结果（文件读取、网页快照、API 响应）
• Bootstrap Files 每轮都占空间，所以要尽量精简（SOUL.md 最容易写太长）
• 满了就触发 Compaction（见 1.4.3）——压缩的是“当前上下文里的旧消息”，不是整个 .jsonl
• 用 /status 监控使用量，建议 75-80% 时手动 /compress

​

1.3.3 工作空间 md 文件

​

1.3.3.1 Bootstrap Files

• AGENTS.md：操作指令、行为规则（Hermes 主入口文件）
• SOUL.md：人格、语气、边界
• USER.md：用户身份信息（静态版，和 Honcho 互补）
• TOOLS.md：工具使用说明
• IDENTITY.md：Agent 名称与风格
• MEMORY.md：策展的长期记忆（仅主会话加载）
• HEARTBEAT.md：心跳任务清单（可选）
• BOOTSTRAP.md：首次运行仪式（一次性）

• 每次会话重新从磁盘读，不进 .jsonl → 免疫 Compaction
• 字符限制：单文件 20,000 字符，总计 150,000 字符，超出截断
• 子 Agent 只收到 AGENTS.md / SOUL.md / TOOLS.md / IDENTITY.md / USER.md，拿不到 MEMORY.md / HEARTBEAT.md
• 用 /context list 查看注入状态
• 尽量精简——每轮都占空间

​

1.3.3.2 memory/ 笔记

• 文件命名一般是 YYYY-MM-DD-slug.md（归档）或 topic.md（常青）
• 写入来源：用户手写 / 会话结束时自动归档 / 自进化反思产出
• 这些文件被 Retrieval Index 建索引，通过 memory_search + memory_get 被检索到

​

1.3.3.3 Skill Library

skills/<category>/<skill_name>/
├── SKILL.md       # skill 描述 + 触发条件 + 步骤说明 
├── scripts/       # 可执行脚本（可选） 
└── templates/     # 模板文件（可选）

skills/
├── software-development/ # 代码评审、重构、测试 
├── research/             # 论文检索、总结 
├── creative/             # ASCII art、Excalidraw 
├── productivity/         # PowerPoint、邮件 
├── devops/               # CI/CD、Docker 
├── mcp/                  # MCP 集成 
└── social-media/

1. 系统预置：仓库自带几百个 skill，随 Hermes 一起分发
2. 用户安装：/skills 命令或从 agentskills.io 开放标准安装
3. Agent 自动生成：自进化闭环触发自动写 SKILL.md（如 Hacker News 每日简报的例子）

Hermes 在 OpenClaw 的磁盘文件记忆之外加了 Skill Library，本质是程序性记忆。OpenClaw 的 memory 层只能记‘事实’，Hermes 的 skill 层能记‘怎么做’。这也是为什么 Hermes 号称‘越用越懂你’——用户画像（陈述）+ skill（程序）两条线都在进化

​

1.3.4 Session Transcript

~/.hermes/agents/<agentId>/sessions/
├── sessions.json           # 索引表：所有 session 的元信息（只有一份）
├── <sessionId-1>.jsonl     # 第 1 个 session 的对话正文 
├── <sessionId-2>.jsonl     # 第 2 个 session 的对话正文 
└── ...                     # 一个 session = 一个 .jsonl

• sessions.json（索引表）：列出所有 session 的元信息——id、标题、创建 / 更新时间、消息数。类比文件系统的 ls或一本书的“目录页”
• <sessionId>.jsonl （对话正文）：存这个 session 的实际内容——每条消息 / 工具调用 / 压缩摘要占一行 JSON，按时间顺序 append

• Compaction 不读整段 .jsonl——它压缩的是当前 Context 里的旧消息（内存里），只是把结果 append 回 .jsonl
• 磁盘上的原始记录始终保留，压缩只改变“下次从哪条之后开始读”（firstKeptEntryId 标记）

​

1.3.5 Retrieval Index

• MEMORY.md + memory/**/*.md（默认）
• 可通过 memorySearch.extraPaths 加入额外目录（如 Obsidian 笔记库）
• 存储在 ~/.hermes/memory/agentId.sqlite

• memory_search：语义搜索，返回相关片段（文件路径 + 行号 + 分数）
• memory_get：按路径读取指定记忆文件的完整内容

• 只索引文件——聊天中说过但没写进文件的内容搜不到
• 文件变动后自动重新索引（去抖 1.5 秒）
• 支持 MMR 去重 + 时间衰减（默认半衰期 30 天）
• 常青文件（MEMORY.md、非日期命名的 memory/*.md）不受时间衰减影响

​

1.3.6 Honcho User Model

User: 你对我的 user profile 里写了什么？ 
Hermes: 你正在做基于 Gemma4 + SAM 的视频感知项目……

​

1.3.7 小结：从记忆心理学看 Hermes 的升级

• 陈述性记忆（Declarative Memory）——“我记得什么事实”
  • 对应：Bootstrap Files + memory/ 笔记 + Session Transcript + Retrieval Index
  • 存的是事实性知识：“我喜欢 TypeScript”、“这个项目用 React”、“上周讨论过 X 方案”
• 程序性记忆（Procedural Memory）——“我会做什么流程”
  • 对应：Skill Library
  • 存的是可执行流程：“怎么做代码评审”、“怎么生成每日 AI 简报”
• 用户建模（User Modeling）——“我是谁”
  • 对应：Honcho User Model
  • 独立于对话历史的动态用户画像

OpenClaw 只有陈述性记忆，Hermes 把**程序性记忆（Skill）和用户建模（Honcho）**也补齐了——这就是它“越用越懂你”的理论基础，也是面试里最容易讲出深度的切入点。

​

1.4 Hermes 记忆系统：动态更新策略

1. 写入策略（1.4.1） ：记忆从哪来？
2. 读取策略（1.4.2）：记忆怎么被用？
3. 压缩策略（1.4.3）：上下文满了怎么办？——Compaction
4. 反思策略（1.4.4）：Hermes 的核心创新——自进化循环

​

1.4.1 写入策略：记忆从哪来

1. 会话结束时的自动归档：当用户输入 /new 或 /reset，hook 会自动把最近对话保存为 memory/YYYY-MM-DD-slug.md 文件 → 进而被 Retrieval Index 重新索引。
2. 文件监听同步：用户手动编辑 MEMORY.md 或 memory/ 目录下文件，chokidar 文件监听器检测到变化 → 自动分块、计算 embedding、写入索引库

​

1.4.2 读取策略：记忆怎么被用

• Bootstrap Files：每次会话开始全量注入 Context Window
• Session Transcript：继续会话时从 JSONL 重建上下文到 Context Window
• Honcho User Model：会话启动时查询用户画像，摘要后注入系统提示

1. memory/ 笔记——有两条检索通道：
   • 系统自动（Hermes 特色）：Context Engine 每轮推理前根据当前消息自动检索 memory/，命中才注入。对弱模型 / 开源本地模型特别友好，因为它们不一定会主动搜。OpenClaw 没有这一层
   • Agent 主动：LLM 自己判断需要回忆时，调用 memory_search → memory_get 检索
2. Skill Library：先只加载各 skill 的精简描述，匹配当前任务时才加载完整 skill 内容

​

1.4.3 压缩策略：Compaction

我觉得压缩策略可以稍微背一下。因为这些都挺通用的常考的，比如面试官问你上下文满了怎么办、怎么压缩，压缩时侯要保留一些什么东西。这些都是很好的经验之谈

• 自动触发：上下文使用量达到阈值
  • 溢出恢复：模型返回 context overflow 错误 → 压缩 → 重试
  • 阈值维护：contextTokens > contextWindow - reserveTokens 时触发
• 手动触发：输入 /compress，可带自定义指令如 /compress 重点保留决策和待办事项

1. 划分保留区和压缩区：最近的 ~20,000 tokens 消息进“保留区”，原封不动；之前的旧消息进“压缩区”
2. 分块总结：压缩区分成若干块，用模型对每块生成摘要
3. 合并摘要：多个块摘要再合成一个连贯总摘要
4. 写入 Transcript：JSONL 里写入一条 compaction 类型的条目 + firstKeptEntryId 压缩后上下文结构：[压缩摘要] + [保留区原文]

• 进行中的任务及其状态（进行中 / 阻塞 / 待办）
• 批量操作进度（“17 项中已完成 5 项”）
• 用户最后请求 + 正在做的事
• 已做出的决策及理由
• TODO、开放问题、约束条件
• 承诺的后续行动
• 所有不透明标识符（UUID、哈希、token、API key、URL、文件名）——由 identifierPolicy: "strict" 控制

• OpenClaw：压缩前静默运行一轮，提醒 Agent 把重要内容写入 memory/YYYY-MM-DD.md，用户不可见（NO_REPLY）
• Hermes：在此之上多走一步——不仅 flush 到 memory，还会先调用自进化反思，判断这次有没有新 skill 要沉淀

​

1.4.4 反思策略：自进化循环

​

1.4.4.1 自进化循环是什么

​

1.4.4.2 自进化闭环的完整流程

1. 用户下达任务（自然语言）
   ↓
2. Agent 执行（Think -> Act 循环）
   ↓
3. 每 ~10 次 tool call，Agent 主动暂停（periodic nudge）
   ↓
4. 自问三件事：
   ① 这次学到的东西值不值得保留？
   ② 有没有失败的步骤需要记下来避免？
   ③ 成功的流程能不能抽象成可复用 skill？
   ↓
5. 值得保留 -> 分三路沉淀到对应记忆层：
   ├─ 事实性知识 -> memory/YYYY-MM-DD.md        （更新 Retrieval Index）
   ├─ 程序性流程 -> skills/xxx/SKILL.md          （更新 Skill Library）
   └─ 用户偏好   -> Honcho User Model            （更新用户画像）
   ↓
6. 下次遇到类似任务 -> 直接命中 skill，跳过重新推理

​

1.4.4.3 Skill 的自我改进

​

1.4.4.4 自进化循环 vs OpenClaw Pre-Compaction Flush

​

1.4.5 小结：一张动态更新全景图

​

1.5 Hermes Agent 架构解析

​

1.5.1 概述：同样是递归 Centralized

• Parent Agent（主 Agent）对最终回复负责
• 通过 tool call 的方式 spawn subagent
• Subagent 可以继续 spawn 孙 Agent（默认深度比 OpenClaw 宽）

​

1.5.2 Spawn 机制对比

​

1.5.3 Agent 通信机制（和 OpenClaw 一样）

​

1.6 面试问题

吸收了上面的内容，你可以足够应付大部分的 Hermes 面试问题。这一小节快速总结上述知识，给出标准面试参考答案，用这些面试问题检验自己吧

​

1.7 参考资料