Title: Deep Dive into the 4-Layer Memory Architecture of Hermes ...
URL Source: https://www.bestblogs.dev/status/2035884966308139388
Published Time: 2026-03-23 01:02:55
Markdown Content: 深入理解 Hermes Agent 的四层记忆系统，并用它修复了 OpenClaw 的记忆缺陷 Manthan Gupta 基于 Hermes Agent 开源项目和官方文档的源代码级剖析。解决一个核心问题：开源自主 Agent 如何实现持久记忆？通过直接追踪提示构建、会话持久化、记忆刷新与检索路径，给出了清晰答案——Hermes Agent 不依赖单一记忆机制，它构建了四层互补架构，核心设计哲学是“保持提示稳定以支持缓存，将其余全部推向工具”。
- 上下文结构基础：提示稳定性优先
· 前缀（System + Memory + User）在会话启动时一次性渲染并冻结。
· 后续所有可变内容（历史记录、大型上下文）均通过工具按需检索。
· 这一决策直接服务于 OpenAI/OpenRouter 等提供商的提示缓存，显著降低延迟与成本，是整个架构的基石。
- 四层记忆架构详解
· 存储位置：\~/.hermes/memories/，总计约 1300 tokens（字符限额，非token限额，模型无关）。
· 内容严格筛选：仅保存用户偏好、环境事实、重复纠正、稳定约定；绝不保存任务进度、临时 TODO 或会话结果。
· 机制：会话启动时快照注入，后续写入立即落盘，但不破坏当前会话提示。压缩前会触发“记忆刷新”让模型主动提炼持久事实。
· 工具：单一 memory 工具（add/replace/remove），支持子串匹配与注入攻击防护。
层2：会话搜索（session_search）——情境记忆
· 底层：SQLite 数据库（\~/.hermes/state.db），含 sessions、messages 表及 FTS5 全文索引，支持亲缘关系追溯。
· 流程：模型需要历史信息时，检索→摘要→返回，绝不全量塞入提示。
· 定位：解决“上周我们讨论过什么？”类问题，与层1的“热事实”形成冷热分离。
层3：技能（Skills）——程序性记忆
· 存储：\~/.hermes/skills/，作为可复用工作流文档。
· 注入策略：仅加载 Skills 索引，需用时再拉取完整内容，避免 token 膨胀。
· 意义：传统记忆系统多关注“知道什么”，Hermes 额外解决“知道怎么做”，实现真正自进化。
层4：可选 Honcho 层——深度用户建模
· 混合模式下提供跨会话、跨设备语义画像与双向建模（用户+AI 自身）。
· 集成技巧：首轮烘焙入缓存提示，后续轮次仅附加到用户消息，避免破坏稳定前缀。
- 与 OpenClaw 的核心差异
· 提示边界：OpenClaw 倾向于将更多内容塞入提示；Hermes 严格限热记忆，仅留高价值事实。
· 存储哲学：OpenClaw 以文件为真相源；Hermes 以 SQLite 为历史真相，提示仅作缓存快照。
· 缓存意识：Hermes 将提示稳定性视为一等约束，OpenClaw 相对更“搜索导向”。
Hermes 因此更适合生产级长时运行场景。
- 设计亮点与客观评估
· 热/冷分离 + 程序性记忆 + 压缩前刷新，形成真正的“分层连续性架构”。
· 模型无关、字符限额、注入防护、缓存友好——工程细节极致务实。
· 结论精炼：“不是记住更多，而是记住正确的事、在正确层级、以正确成本。”
潜在局限（基于代码逻辑与社区反馈）：
· 依赖模型在刷新环节的判断，可能遗漏部分细节（SQLite 并非全量自动保存）。
· Skills 与 Honcho 需手动/可选启用，初次体验曲线稍陡。
· 长期跨设备一致性仍依赖 Honcho 扩展，并非开箱即用。