--- title: "Hermes-Agent自改进框架：技能习得、反馈循环与动态能力扩展的工程实现" route: "/posts/2026/04/13/hermes-agent-continuous-learning-mechanism/" canonical_path: "/posts/2026/04/13/hermes-agent-continuous-learning-mechanism/" canonical_url: "https://blog2.hotdry.top/posts/2026/04/13/hermes-agent-continuous-learning-mechanism/" markdown_path: "/agent/posts/2026/04/13/hermes-agent-continuous-learning-mechanism/index.md" markdown_url: "https://blog2.hotdry.top/agent/posts/2026/04/13/hermes-agent-continuous-learning-mechanism/index.md" agent_public_path: "/agent/posts/2026/04/13/hermes-agent-continuous-learning-mechanism/" agent_public_url: "https://blog2.hotdry.top/agent/posts/2026/04/13/hermes-agent-continuous-learning-mechanism/" kind: "research" generated_at: "2026-04-13T19:18:17.960Z" version: "1" slug: "2026/04/13/hermes-agent-continuous-learning-mechanism" date: "2026-04-13T09:05:23+08:00" category: "ai-systems" year: "2026" month: "04" day: "13" --- # Hermes-Agent自改进框架：技能习得、反馈循环与动态能力扩展的工程实现 > 深入解析Hermes-Agent的持续学习机制，从技能自主创建、记忆系统管理到会话搜索，揭示智能体如何在执行中学习和扩展能力。 ## 元数据 - Canonical: /posts/2026/04/13/hermes-agent-continuous-learning-mechanism/ - Agent Snapshot: /agent/posts/2026/04/13/hermes-agent-continuous-learning-mechanism/index.md - 发布时间: 2026-04-13T09:05:23+08:00 - 分类: [ai-systems](/agent/categories/ai-systems/index.md) - 站点: https://blog2.hotdry.top ## 正文 Hermes-Agent定位为「The agent that grows with you」——一个具备内置学习循环的自我改进AI智能体。与传统的工具编排层框架不同，它的独特定位在于让智能体在执行任务过程中自主习得新技能、沉淀经验知识，并在多会话场景中持续演进。这种能力扩展机制不是依赖外部训练pipeline，而是在运行时通过结构化的技能系统与有界记忆管理实现，形成一个闭合的自改进循环。 ## 技能系统：智能体的程序化记忆 Hermes-Agent的核心学习机制之一是技能（Skills）系统，这是一种程序化记忆的工程实现。技能本质上是按需加载的知识文档，采用渐进式披露（Progressive Disclosure）模式最小化token消耗。技能存储在`~/.hermes/skills/`目录，每个技能包含主文件SKILL.md以及可选的references、templates、scripts和assets子目录。 技能加载分为三个层级：Level 0通过`skills_list()`返回技能名称和描述列表，消耗约3k tokens；Level 1通过`skill_view(name)`加载完整技能内容；Level 2通过`skill_view(name, path)`加载特定参考文件。这种分层设计确保智能体只在真正需要时才加载完整技能内容，避免上下文窗口的浪费。 **技能创建的触发条件**是理解该框架学习机制的关键。智能体在以下四种场景会自动创建新技能：完成复杂任务后（5+工具调用）、在遭遇错误并找到解决方案后、用户纠正了其执行方法时、以及发现非平凡工作流时。这意味着技能创建不是被动的文档记录，而是智能体对自身认知过程的主动抽象和结构化。 技能创建通过`skill_manage`工具完成，支持create（从零创建）、patch（增量修补，推荐方式）、edit（完整重写）、delete（删除）四种操作。patch方式因其token效率而被推荐使用——它只需要在工具调用中包含变化的文本，而非整个技能内容。这种设计体现了对运行时资源的经济性考量。 ## 技能自改进机制 技能不仅能被创建，还能在使用过程中持续改进。当智能体在执行某个技能的过程中发现更优路径、遇到新的边界条件、或获得用户反馈时，它会通过patch操作更新已有技能。这种自改进是隐式发生的——不需要显式触发，而是在正常任务执行循环中自然完成。 技能系统的另一个重要特性是条件激活机制。通过在SKILL.md的metadata中声明`fallback_for_toolsets`和`requires_toolsets`字段，技能可以基于当前会话中可用的工具集动态显示或隐藏。例如，内置的duckduckgo-search技能使用`fallback_for_toolsets: [web]`，当用户配置了FIRECRAWL_API_KEY时，web工具集可用，该技能自动隐藏；当API key缺失时，技能作为免费替代方案自动浮现。这种动态适配能力使技能系统具备了环境感知的学习特征。 外部技能目录支持允许智能体访问本地目录之外的技能源。通过在配置中声明`external_dirs`，智能体可以扫描多个目录并将发现的技能统一纳入索引。外部目录中的技能是只读的——智能体的创建和修改操作始终写入主目录`~/.hermes/skills/`。这种设计支持团队共享技能库的场景，同时保持个体智能体记忆的独立性。 ## 有界记忆系统：结构化的经验沉淀 与技能的程序化记忆不同，Hermes-Agent的记忆（Memory）系统负责存储声明式知识。该系统由两个有界文件组成：MEMORY.md存储智能体自身的笔记，包括环境事实、工作流约定和习得教训，容量为2200字符（约800 tokens）；USER.md存储用户画像，包括偏好、通信风格和技术背景，容量为1375字符（约500 tokens）。 这种容量限制是有意设计的。严格的字符上限强制智能体对记忆内容进行筛选和压缩，确保只有最关键的信息进入系统提示词。记忆条目之间用`§`分隔符区分，每个条目可以是多行内容。当记忆接近容量上限时，智能体需要主动合并或替换旧条目以腾出空间。 **记忆管理的工程细节**值得深入理解。智能体通过`memory`工具管理记忆，支持add、replace、remove三种操作。replace和remove操作使用子字符串匹配定位目标条目，无需提供完整文本。系统会自动检测重复条目并拒绝添加完全相同的内容。安全扫描机制会检查记忆内容中的注入模式和潜在威胁，确保注入系统提示词的内容安全。 会话搜索（session_search）提供了超越有界记忆的检索能力。所有CLI和消息传递会话存储在SQLite数据库（`~/.hermes/state.db`）中，通过FTS5全文搜索索引。搜索查询返回相关会话后，由LLM进行摘要生成，帮助智能体回忆数周前的具体讨论内容。这与有界记忆形成了互补：记忆存储关键事实（固定消耗约1300 tokens），会话搜索处理按需查询（搜索时产生token开销）。 ## 反馈循环与周期性提醒 Hermes-Agent的学习循环不仅依赖主动创建，还包含周期性的自我提醒机制。智能体会定期收到「nudge」——内部提示，引导它检查是否需要将新学到的内容存入记忆或创建为技能。这种设计解决了LLM天然倾向于关注当前上下文而忽视长期知识沉淀的问题。 用户建模是另一个反馈来源。USER.md中的内容不仅来自智能体的观察，还可能来自用户的显式声明。通过Honcho方言支持，智能体可以建立跨越会话的用户模型，理解用户的偏好模式和交互风格。这些信息被纳入记忆系统，影响智能体后续的响应策略。 外部记忆提供者（Memory Providers）扩展了内置记忆能力。Hermes-Agent集成了8个外部记忆插件，包括Honcho、Mem0、Holographic等，可提供知识图谱、语义搜索、自动事实提取等高级能力。这些提供者与内置记忆并行运行，从不替代它，而是叠加额外的记忆增强功能。 ## 动态能力扩展的工程路径 将上述机制串联起来，Hermes-Agent的能力扩展遵循一个清晰的工程路径：智能体在执行任务时积累经验，当经验足够复杂或有价值时，自动创建技能进行结构化沉淀；执行过程中的环境信息、用户偏好和习得教训通过记忆系统持久化；跨会话的知识召回依靠FTS5会话搜索实现；周期性提醒确保重要信息不会被遗漏。这个循环的独特之处在于它是**完全在运行时发生**的——不需要离线训练pipeline，不需要人工标注数据，智能体自身就是学习和推理的主体。 对于工程实践者，理解这些机制有助于更好地配置和调优智能体。技能系统的渐进式披露设计需要关注技能文档的颗粒度——过于粗粒度会导致一次加载过多不相关内容，过于细粒度则增加检索复杂度。记忆系统的容量限制要求定期审视记忆条目质量，移除已过时信息。会话搜索的token成本意味着不应将其作为首要知识来源，而是作为记忆系统的补充检索手段。 这些设计选择共同支撑了Hermes-Agent「与你一同成长」的定位——智能体不是静态的工具集合，而是一个在学习中持续演化的能力实体。 --- **参考资料** - Hermes-Agent官方文档：https://hermes-agent.nousresearch.com/docs/ - Skills系统文档：https://hermes-agent.nousresearch.com/docs/user-guide/features/skills - Memory系统文档：https://hermes-agent.nousresearch.com/docs/user-guide/features/memory ## 同分类近期文章 ### [Polymarket单边卖No策略的库存风险管理与做市商返利优化](/agent/posts/2026/04/14/polymarket-one-sided-no-position-inventory-risk-management/index.md) - 日期: 2026-04-14T02:53:43+08:00 - 分类: [ai-systems](/agent/categories/ai-systems/index.md) - 摘要: 聚焦持续卖出No头的单边做市策略，从金融工程角度分析寸头管理、对手方风险暴露、对冲成本计算与做市商返利优化路径。 ### [构建 Polymarket 自动化机器人：过滤非体育市场与持续买入 No 合约的工程实现](/agent/posts/2026/04/14/polymarket-bot-filter-non-sports-buy-no-contracts/index.md) - 日期: 2026-04-14T02:02:40+08:00 - 分类: [ai-systems](/agent/categories/ai-systems/index.md) - 摘要: 详解如何通过 Polymarket CLOB API 构建自动化交易机器人，实现非体育市场过滤与 No 合约持续买入的完整工程方案。 ### [多代理量化交易系统架构：角色分工、数据流编排与策略执行](/agent/posts/2026/04/14/multi-agent-quantitative-trading-architecture/index.md) - 日期: 2026-04-14T01:50:30+08:00 - 分类: [ai-systems](/agent/categories/ai-systems/index.md) - 摘要: 深入解析开源 AI 对冲基金项目的多代理系统架构设计，涵盖 19 个专业化代理的角色分工、集中式状态管理与串并联混合的数据流编排模式。 ### [Claude-Mem 深度解析：会话级自动记忆压缩与上下文注入机制](/agent/posts/2026/04/14/claude-mem-automatic-context-compression/index.md) - 日期: 2026-04-14T00:26:31+08:00 - 分类: [ai-systems](/agent/categories/ai-systems/index.md) - 摘要: 剖析 Claude Code 插件如何通过 5 个生命周期钩子实现会话上下文自动捕获，利用 AI 压缩后注入未来会话，突破上下文窗口限制。 ### [构建 AI Agent 基准污染检测流水线：自动化架构与工程参数](/agent/posts/2026/04/13/building-ai-agent-benchmark-contamination-detection-pipeline/index.md) - 日期: 2026-04-13T21:50:56+08:00 - 分类: [ai-systems](/agent/categories/ai-systems/index.md) - 摘要: 围绕 AI Agent 基准污染检测流水线，详述数据泄露与基准腐化的自动化识别架构、工程实现参数及持续监控策略。