Hermes Agent：那个真的会记住昨天学过东西的开源 AI Agent

📌 一句话摘要

本文深入解析开源 AI Agent Hermes 的核心架构，重点介绍其闭环学习机制、四层记忆系统和 Skills vs Tools 的区分，并提供了部署指南与诚实评估。

📝 详细摘要

文章以「AI Agent 每次会话归零」的痛点切入，介绍 Nous Research 开源的 Hermes Agent。核心创新在于「闭环学习」：Agent 在成功完成任务后，会通过执行后评估将成功步骤编码为可复用的 Markdown Skill 文档，实现知识的复利增长。文章详细拆解了 Hermes 的四层记忆系统（MEMORY.md、USER.md、会话搜索、外部记忆插件），解释了 Skills（自主编写的 Markdown 操作手册）与 Tools（确定性 Python 函数）的关键架构区分。在深度研究功能上，Hermes 通过 think_tool 强制策略暂停与并行子 Agent 实现复杂任务。安全方面，文章对比了 OpenClaw 的供应链风险，强调 Hermes 内部生成 Skill 绕过了外部攻击向量。文章还提供了完整的部署指南，并诚实评估了本地推理的硬件需求、自建 Skill 的脆弱性等局限性。

💡 主要观点

- Hermes 通过「闭环学习」机制实现知识的复利增长。 Agent 在成功完成任务后，通过执行后评估将成功步骤编码为可复用的 Markdown Skill 文档，下次遇到类似任务时可直接引用，使 Agent 随时间推移变得更好。

Skills 与 Tools 的架构区分是 Hermes 的核心设计。 Tools 是确定性执行的 Python 函数，Skills 是 Agent 可自主编写的 Markdown 操作手册。Agent 在不修改源代码的情况下，通过编写 Skills 来积累知识，保持工具层的稳定与知识层的持续增长。

四层记忆系统按紧急程度分层管理上下文。 Tier 1（MEMORY.md）和 Tier 2（USER.md）使用冻结快照模式在会话开始时注入，Tier 3（会话搜索）使用 SQLite 全文搜索，Tier 4（外部记忆插件）连接图数据库，平衡了信息密度与 Token 成本。

深度研究功能通过强制策略暂停与并行子 Agent 实现。 Agent 先调用 think_tool 制定调查计划，然后将研究主题委托给多个并行子 Agent，最后再次调用 think_tool 进行综合，确保研究过程的结构化与深度。

内部生成 Skill 的设计从根本上规避了外部供应链风险。 与 OpenClaw 依赖公共注册表不同，Hermes 的 Skill 由 Agent 在自身环境中生成，绕过了恶意 Skill 和供应链攻击，配合容器隔离与动态凭据轮换，安全性更高。

💬 文章金句

- Hermes 的核心创新用一个词概括：复利。

• 大多数 AI Agent 是「每次会话归零」模式……Hermes 打破了这种模式。它把每次成功的操作转化为永久的、可复用的知识。
• Agent 在不触及自己源代码的情况下变得越来越聪明。确定性的工具层保持稳定和安全。知识层持续增长。

📊 文章信息

AI 初评：87

来源：王俊博客

作者：王俊博客

分类：人工智能

语言：中文

阅读时间：20 分钟

字数：4951

标签： AI Agent, 开源项目, LLM, AI 编程, 记忆系统

阅读完整文章