# Hermes-Agent 持续学习架构：自主技能习得与 Agent 成长框架工程实现 > 深入解析 Hermes-Agent 的闭环学习机制，涵盖技能自创建、渐进式披露、跨会话记忆检索与用户建模等核心模块的工程参数与实现细节。 ## 元数据 - 路径: /posts/2026/03/31/hermes-agent-continuous-learning-architecture/ - 发布时间: 2026-03-31T01:51:13+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 当我们谈论 AI Agent 的进化能力时，往往容易陷入两个极端：要么将其视为简单的工具调用链，要么把它想成过于遥远的通用人工智能愿景。NousResearch 推出的 Hermes-Agent 恰好走了一条务实的中间路线——它不追求一次性解决所有问题，而是构建了一套可持续运行的闭环学习系统，让 Agent 能够在与用户的交互中不断积累经验、提炼技能，并将这些经验固化为可复用的知识单元。本文将从架构设计、核心组件、工程参数三个维度，系统解析这一「会成长的 Agent」的实现逻辑。 ## 持续学习的架构基础：闭环从何而来 Hermes-Agent 的核心定位是「The agent that grows with you」，这意味着它并非一个静态的工具集合，而是一个拥有内置学习循环的动态系统。传统的 Agent 架构通常遵循「感知—决策—执行」的单次循环模式，每次交互都是独立的上下文窗口，处理完即释放。Hermes-Agent 则在此基础上增加了记忆层与反思层，使得每一次交互的结果都能被沉淀下来，形成可供后续复用的知识资产。 从代码组织来看，项目的架构设计采用了典型的子系统模块化思路。核心的 Agent 循环位于 `run_agent.py` 中的 `AIAgent` 类，负责provider选择、prompt构建、工具执行、重试与回退、回调处理，以及上下文压缩与持久化。记忆系统则由 `hermes_state.py` 中的 SQLite 会话存储与专门的记忆子系统共同支撑。技能系统作为最重要的知识沉淀单元，被放置在 `skills/` 目录下，支持从交互经验中自动生成新的技能。 这种架构设计体现了一个关键工程理念：prompt 的稳定性很重要，工具执行必须可观测且可中断，会话持久化需要能够支撑长期运行，而平台前端应当共享同一个 Agent 核心。这四个设计主题贯穿了整个系统的实现，也是理解其持续学习能力的关键线索。 ## 技能自创建机制：从经验到可复用单元 Hermes-Agent 最具创新性的特性之一，是它能够在完成复杂任务后自主创建新技能。这一机制被称为「程序化记忆」，其核心逻辑是：当 Agent 成功完成一个涉及五个以上工具调用的复杂任务时，它会主动将这一工作流沉淀为一个可复用的技能文档。 技能创建并非简单的日志记录，而是结构化的知识封装。每个技能都遵循 `SKILL.md` 格式，包含元数据块与内容块两个部分。元数据块采用 YAML 格式声明技能名称、描述、版本、适用平台以及条件激活规则。内容块则详细描述技能的触发条件、操作步骤、常见陷阱与验证方法。这种结构既便于人类阅读理解，也便于 Agent 在后续交互中快速加载和执行。 技能创建的具体时机包括四种场景：完成复杂任务后、遭遇错误或死胡同后找到可行路径、用户纠正了 Agent 的方法、以及发现值得复用的非平凡工作流。每一项都指向一个核心工程原则——Agent 应当从「结果」中学习，而不仅仅是从「指令」中执行。 创建后的技能通过 `skill_manage` 工具进行管理，支持 create、patch、edit、delete、write_file、remove_file 六种操作。其中 patch 操作被推荐为首选更新方式，因为它只传输变更的文本片段，比完整的 edit 更加 token 高效。 ## 渐进式披露：解决知识膨胀的工程策略 随着 Agent 不断创建新技能，一个工程挑战随之浮现：如何避免系统提示词随着技能数量的增长而膨胀到无法处理的规模？Hermes-Agent 的解决方案是渐进式披露，这一机制借鉴了 UI 设计中的同类概念，将技能的加载过程分为三个层级。 Level 0 是技能列表查询，通过 `skills_list()` 工具返回所有已安装技能的名称、描述和分类信息。这一层级的输出经过优化，控制在约三千个 token 以内，足以让 Agent 了解自己拥有哪些能力，但不包含具体实现细节。Level 1 是技能内容加载，当 Agent 决定使用某个技能时，通过 `skill_view(name)` 加载完整的 SKILL.md 内容，包括所有步骤、陷阱说明和验证方法。Level 2 是特定引用文件访问，当技能包含 references、templates、scripts 等辅助目录时，Agent 可以按需加载具体的参考文档。 这种分层策略的工程价值在于，它将知识获取的决策权交给了 Agent 本身。系统不再需要预先加载所有可能用到的知识，而是在运行时根据任务需求动态拉取。这与传统的 RAG 架构有本质区别——后者是被动的检索式获取，而前者是主动的、按需的、按层级的渐进加载。 ## 跨会话记忆：FTS5 与 LLM 摘要的协同 持续学习的另一个关键维度是跨会话信息检索。Hermes-Agent 使用 SQLite 的 FTS5 全文搜索索引来存储和查询历史会话，并通过 LLM 对检索结果进行摘要压缩，形成可供当前上下文使用的记忆片段。 这一机制的工作流程可以概括为三个步骤。首先，历史会话数据被写入带有 FTS5 索引的 SQLite 表中，支持按关键词、时间范围和会话标签进行高效检索。其次，当 Agent 需要召回历史信息时，它使用语义查询而非简单的字面匹配，这意味着用户可以用不同的表达方式询问同一件事，Agent 仍能找到相关的历史记录。最后，检索到的原始会话内容会经过 LLM 摘要处理，提取出与当前任务相关的关键信息，剔除冗余细节，从而在有限的上下文窗口内最大化信息密度。 这种设计的工程参数值得注意。FTS5 索引的维护成本与数据量呈线性关系，但查询速度可以维持在毫秒级别。LLM 摘要的 token 消耗则取决于检索结果的数量和原始长度，需要在召回率与上下文成本之间找到平衡点。实践中，建议将单个摘要的输出控制在五百个 token 以内，并在系统配置中设置合理的检索窗口——例如只回溯过去三十天的会话记录。 ## 用户建模：Honcho 集成的个性化记忆 除了技能和会话，Hermes-Agent 还通过与 Honcho 的集成实现了用户建模能力。Honcho 是一个专注于对话式用户画像的开源项目，它能够从多轮对话中提炼出用户的偏好、习惯和工作方式，并将这些信息以结构化的方式持久化。 在 Hermes-Agent 中，用户建模的结果会被纳入每次对话的上下文提示中，使得 Agent 能够记住用户的身份特征。例如，如果用户经常在下午时段请求数据分析，Agent 可能会主动在相应时段准备好相关的工具集。如果用户偏好某种代码风格，Agent 会在生成代码时自动遵循这一偏好。这种个性化不是通过硬编码实现的，而是通过持续观察对话模式动态学习得到的。 从工程实现角度看，用户建模模块采用了 dialectic 方法——即通过对话辩证的方式逐步深化对用户的理解。它不是一次性生成的静态画像，而是随着交互的深入不断迭代更新的动态模型。这与技能系统的设计理念一脉相承：知识应当被组织成可成长的单元，而非一次性填充的静态数据。 ## 技能系统的条件激活与信任分级 在企业级应用场景中，技能的安全性是一个不可回避的问题。Hermes-Agent 为此设计了一套完整的条件激活机制与信任分级体系。 条件激活允许技能根据当前环境状态动态决定是否显示自己。关键配置字段包括：`fallback_for_toolsets` 用于指定当某些工具集可用时隐藏该技能，通常用于免费替代方案；`requires_toolsets` 用于指定只有当某些工具集存在时才显示该技能；以及对应的 `fallback_for_tools` 和 `requires_tools` 字段用于细粒度控制。一个典型例子是内置的 `duckduckgo-search` 技能，它配置了 `fallback_for_toolsets: [web]`，这意味着当用户配置了 FIRECRAWL_API_KEY 并启用 web 工具集时，该技能会自动隐藏——因为有了更强大的替代方案。 信任分级则将技能来源划分为四个层级。builtin 层级代表随 Hermes 一起发布的内置技能，永远可信。official 层级对应 repo 中 `optional-skills/` 目录下的官方可选技能，同样享有内置信任。trusted 层级涵盖 openai/skills、anthropics/skills 等官方认可的注册表，享有比社区来源更宽松的策略。community 层级则涵盖 skills.sh、well-known 端点、自定义 GitHub 仓库等第三方来源，其非危险级别的发现可以通过 `--force` 参数覆盖，但危险级别的阻断不可绕过。 所有通过 Hub 安装的技能都会经过安全扫描，检查内容包括数据外泄、提示词注入、破坏性命令和供应链风险等维度。 ## 可复用的成长框架：工程参数与实践建议 基于上述分析，我们可以提炼出一套可复用的 Agent 成长框架工程参数。 在技能创建层面，建议设置自动化触发的最小任务复杂度阈值为五个工具调用，这既能避免创建过于简单的技能导致知识库膨胀，又能确保沉淀下来的都是有价值的可复用单元。技能的版本号遵循语义化版本规范，便于后续的更新管理和依赖追踪。 在记忆检索层面，FTS5 索引建议按月份分表，以平衡查询性能与存储成本。LLM 摘要的生成频率可以设置为每次会话结束时自动触发，但仅对包含有效知识沉淀的会话生成摘要。检索窗口的默认值建议设为三十天，超出此范围的历史信息需要显式请求才会召回。 在用户建模层面，建议为每个用户维护独立的画像文件，存储路径为 `~/.hermes/users/{user_id}/profile.md`。画像的更新频率可以设置为每十次对话后进行一次增量更新，而非每次对话都重新生成，以控制 token 消耗。 在安全策略层面，所有第三方技能在安装时必须经过安全扫描，不建议绕过这一检查。对于企业内部部署的场景，可以通过配置 `~/.hermes/config.yaml` 中的 `skills.trusted_sources` 字段来限定允许安装的技能来源范围。 ## 写在最后 Hermes-Agent 的持续学习架构之所以值得关注，不仅因为它提供了一套完整的技术方案，更因为它展示了一种务实的 Agent 进化思路：不追求一次性构建完美系统，而是通过闭环反馈机制让系统在与环境的交互中持续改进。技能自创建解决了知识沉淀问题，渐进式披露解决了上下文膨胀问题，跨会话检索解决了经验复用问题，用户建模解决了个性化问题。这四个子系统的协同工作，构成了一个真正意义上的「会成长的 Agent」。 对于希望在自有系统中复用这一思路的工程师而言，关键不在于照搬每一行代码，而在于理解其背后的工程哲学：让 Agent 从自己的结果中学习，让知识以结构化、可版本化的方式沉淀，让获取知识的决策权交给运行时而非预加载。当这些原则被正确落地时，我们才能说真正构建出了具备持续进化能力的 AI Agent。 资料来源：Hermes-Agent 项目由 Nous Research 开发，采用 MIT 许可证，核心架构与技能系统文档分别见于 GitHub 仓库与官方文档站点。 ## 同分类近期文章 ### [NVIDIA PersonaPlex 双重条件提示工程与全双工架构解析](/posts/2026/04/09/nvidia-personaplex-dual-conditioning-architecture/) - 日期: 2026-04-09T03:04:25+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 NVIDIA PersonaPlex 的双流架构设计、文本提示与语音提示的双重条件机制，以及如何在单模型中实现实时全双工对话与角色切换。 ### [ai-hedge-fund：多代理AI对冲基金的架构设计与信号聚合机制](/posts/2026/04/09/multi-agent-ai-hedge-fund-architecture/) - 日期: 2026-04-09T01:49:57+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析GitHub Trending项目ai-hedge-fund的多代理架构，探讨19个专业角色分工、信号生成管线与风控自动化的工程实现。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation-framework/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [LiteRT-LM C++ 推理运行时：边缘设备的量化、算子融合与内存管理实践](/posts/2026/04/08/litert-lm-cpp-inference-runtime-quantization-fusion-memory/) - 日期: 2026-04-08T21:52:31+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 LiteRT-LM 在边缘设备上的 C++ 推理运行时，聚焦量化策略配置、算子融合模式与内存管理的工程化实践参数。