你有没有想过一个问题：

你每天用的 ChatGPT、Kimi、豆包……每次打开新对话，它们都不认识你了。

你上次说了什么？你喜欢什么风格？你之前踩过什么坑？全忘了。

就像一个失忆的同事，每次见面都要重新自我介绍。

但最近 GitHub 上有一个项目火了——一周暴涨 1.5 万 Star——它做了一个看起来很简单、却让所有人大受震撼的事：

它会把每次对话的经验写成笔记，下次遇到类似的事直接翻笔记照做。

它叫 Hermes Agent。

---

先看效果：一个有记忆的AI是什么体验？

没有记忆的普通 AI

第1天 用户: 帮我打包Docker镜像
     AI: 好的...（摸索中）...完成了

第3天 用户: 再帮我打包一下
     AI: 好的...（重新摸索一遍）...完成了

第7天 用户: 还是那个Docker打包
     AI: （完全不知道你之前做过）

每次都从零开始。

有记忆的 Hermes

第1天 用户: 帮我打包Docker镜像
     Hermes: 完成！这是第一次做这个任务。

第3天 用户: 再帮我打包一下
     Hermes: 检测到与之前的任务模式相似。
           调用已有技能 "docker-build-push"...完成！

第7天 用户: 还是那个Docker打包
     Hermes: 直接用 "docker-build-push" 技能处理，
           这次我还优化了构建步骤...完成！

越用越快，越用越好。

这就是 Hermes 和其他所有 AI 助手的根本区别。

---

它是怎么做到的？三层记忆体系

Hermes 的秘密武器是它的持久化记忆架构。我们一层层拆开来看：

第一层：代理记忆（MEMORY.md）

相当于AI自己的"工作笔记本"

每次完成任务后，它会把自己学到的环境信息、工具用法、项目配置写到一个文件里：

# Hermes 代理记忆

## 项目信息
- 当前项目：ai-agent-tutorial
- Python版本：3.11
- 使用模型：qwen2.5:7b（通过 Ollama 本地运行）

## 工具使用经验
- Docker打包：需要先检查 requirements.txt，再生成 Dockerfile
- Ollama服务默认端口11434
- qwen2.5:7b 至少需要8GB内存

下次启动时，这些内容会被自动注入到对话上下文中。它不需要你再告诉它一次。

第二层：用户画像（USER.md）

相当于它对你的"了解档案"

# 用户画像

## 基本信息
- 偏好语言：中文
- 技术栈：Python、Ollama、本地大模型
- 风格偏好：喜欢简洁直接的回答，不要废话

## 沟通习惯
- 不喜欢长篇大论，希望有代码示例
- 关注实操性，少讲理论
- 喜欢表格和结构化内容

你不用每次都说"请用中文回复"、"给我代码示例"了。 它记得你的偏好。

第三层：历史检索（全文搜索）

相当于它的"大脑回忆能力"

前两层是"摘要式记忆"。但如果某条具体信息没被写进摘要怎么办？

Hermes 用 FTS5 全文搜索引擎索引了所有历史对话：

# 用户问："上次那个Docker Compose怎么写的？"
session_search(query="Docker Compose 配置")

# → 从历史对话中搜索相关片段
# → 返回精确匹配的内容 + LLM 生成的摘要

不管过了多久，只要说过一次，它就能搜出来。

---

更厉害的：不只是记住，还能自己学习

记忆只是基础。Hermes 真正厉害的地方在于它的学习闭环：

学习循环（完整流程图）

        ┌──────────────────────────────────────┐
        │                                      │
        ▼                                      │
   用户下达任务                                │
        │                                      │
        ▼                                      │
   执行任务（调用工具、写代码等）                │
        │                                      │
        ▼                                      │
   ★ 检测任务模式                               │
   "这个任务以前做过类似的吗？"                   │
        │                                      │
   ├── 是 → 调用已有 Skill ──→ 执行完成          │
   │                                          │
   └── 否 → 全新任务 ──→ 执行完成               │
                    │                          │
                    ▼                          │
            ★ 自动提炼经验                      │
            "这次做了什么？关键步骤是什么？"      │
                    │                          │
                    ▼                          │
            ★ 创建/更新 Skill 文件              │
            写入 ~/.hermes/skills/xxx.md        │
                    │                          │
                    ▼                          │
            下次遇到同类任务直接复用 ───────────┘

什么是 Skill（技能）？

Skill 是 Hermes 的核心创新——把经验固化为可复用的文档。

举个例子，当你第二次要求它打包 Docker 镜像时，它会自动创建这样一个文件：

# Skill: docker-build-push

## 触发条件
用户需要将 Python 项目打包为 Docker 镜像并推送到仓库时

## 执行步骤
1. 检查项目根目录是否有 Dockerfile
2. 如果没有，根据 requirements.txt 自动生成
3. 执行 docker build -t <镜像名> .
4. 执行 docker push <镜像名>
5. 验证推送结果

## 注意事项
- 确保用户已登录 docker registry（docker login）
- 项目根目录需要有 requirements.txt 或 setup.py
- 推送前检查 .dockerignore 是否存在

## 优化记录
- [04-12] 初始创建
- [04-14] 加入多阶段构建优化，减小镜像体积

注意最后一行"优化记录"——这不是人写的，是Hermes自己在后续使用中不断更新的。

一张图看懂和其他Agent的区别

能力	ChatGPT/Kimi	OpenClaw	Hermes Agent
单次对话内记忆上下文	✅	✅	✅
跨会话记住你是谁	❌	❌	✅ USER.md
搜索历史对话	❌	❌	✅ FTS5全文搜索
干完活自动总结经验	❌	❌	✅ 自动创建Skill
越用越聪明	❌	❌	✅ Skill持续进化

---

底层原理：其实没那么神秘

拆解之后，Hermes 的记忆和学习系统本质上就三个机制的组合：

1. 持久化存储 = 文件读写

def save_memory(content):
    """把学到的东西写到文件里"""
    with open("~/.hermes/memories/MEMORY.md", "a") as f:
        f.write(content + "\n")

def load_memory():
    """新对话开始时读取记忆"""
    with open("~/.hermes/memories/MEMORY.md") as f:
        return f.read()

就是读写 Markdown 文件。 没什么黑魔法。

2. 模式匹配 = 字符串相似度

def find_similar_skill(current_task, past_skills):
    """找找以前有没有做过类似的事情"""
    for skill in past_skills:
        if similarity(current_task, skill.trigger) > 0.8:
            return skill
    return None

判断当前任务和历史任务是否相似，超过阈值就复用。

3. 经验提炼 = 让LLM自己总结

def extract_skill(task, execution_log):
    """干完活后，让AI自己总结经验"""
    prompt = f"""
    你刚完成了以下任务：{task}
    执行过程：{execution_log}
    
    请总结为一份可复用的技能文档，
    包含触发条件和执行步骤。
    """
    skill_doc = llm.generate(prompt)
    save_skill(skill_doc)

让 AI 自己反思自己做了什么，然后写成文档存起来。

---

对我们有什么启发？

如果你在跟着我们的《手搓 AI Agent》教程系列学习，好消息是：

这些能力你完全可以自己动手实现。

实际上，我们教程的后续课程就会涉及：

• 第七课：给Agent加上记忆 — 实现跨会话记忆
• 第八课：让Agent学会反思 — 实现经验提炼机制

从理解原理到自己动手实现，中间只差几行代码。

---

怎么快速上手 Hermes？

安装方式

# 通过 pip 安装
pip install hermes-agent

# 初始化
hermes init

# 启动交互
hermes chat

首次运行时，它会问你几个问题来建立初始的用户画像。然后就可以正常使用了——你会发现它确实越用越懂你。

支持的模型

Hermes 支持 200+ 种模型，一行命令切换：

# 用本地免费模型
hermes config set model ollama/qwen2.5:7b

# 或者用云端模型
hermes config set model openai/gpt-4o

---

写在最后

Hermes Agent 给行业带来的最大启示不是某个具体的技术点，而是一个方向性的信号：

AI 的下一步不是更大的模型，而是更聪明的架构。

与其追求参数量翻倍，不如想办法让现有的模型拥有记忆、学会积累经验、实现持续进化。

这恰恰是我们这个教程系列在做的事情——不依赖最贵的 API，而是用巧妙的工程手段，让本地跑的小模型也能变得真正好用。

---

本文为「开源情报局」原创，每周分享一个值得关注的 AI 开源项目。
关注不错过下一篇深度解析~