昨天我们聊了AI记忆的两套"高考卷"——LoCoMo和LongMemEval。有朋友看完文章跟我说，AI记忆这东西太抽象，能不能搞点实用的，那么今天我们就改装下爱马仕Hermes Agent，并给大家分享一份"换脑实验报告"。

前置准备：升级到v0.7.0

2026年4月3日，Hermes Agent发布了v0.7.0版本，核心功能就叫Pluggable Memory Provider Interface——可插拔记忆接口。

Hermes Agent的这次升级的核心思路很清晰：Agent的"大脑"（推理能力）和"记忆"（存储检索能力）应该分开。这就好比电脑的结构——CPU负责计算，内存和硬盘负责存储。你可以换一块更强的CPU，也可以换一条更大的内存，一块更大的硬盘。它们可以独立升级，互不影响。

选择一个更强的大脑

截至v0.7.0发布，Hermes Agent已经支持8个主流记忆Provider接入，如下表：

从表格看ByteRover 2.1.5的LoCoMo 成绩高达96.1%，但是它在LongMemEval上的成绩只有92.8%低于Mem0 v3的93.4%。主要ByteRover比较小众，本次我们还是选择成绩同样不错，但是名气很大的Mem0。

实操指南：如何给Hermes Agent换上Mem0记忆

下面拿Mem0 v3举个例子，整个过程分四步，就像给电脑换CPU一样——拆机、换CPU、开机验证、开始用。

第一步：拆机——安装Mem0 Provider

打开终端，运行：

hermes memory setup

运行后会进入交互式选择界面，选择"mem0"，然后输入你的API Key（去 app.mem0.ai 注册获取）。安装脚本会自动安装依赖，全程不需要手动敲pip install。

第二步：开机验证——确认配置成功

hermes memory status

看到 `Active provider: mem0` 就说明CPU点亮了了。

第三步：自动获得的三个工具

换完CPU之后，电脑不只是变聪明——它还解锁了新功能。Mem0会给Hermes的LLM自动挂载三个专用工具：

• mem0_profile：查看当前用户的完整记忆画像

• mem0search：语义检索记忆，支持reranking和topk过滤

• mem0_conclude：把对话中的事实持久化存储

这三个工具会在对话中按需调用，对你来说是透明的。

步骤四：开始使用

正常聊天就行了。Mem0会在对话间隙自动检索（非阻塞，不会等你），自动提取值得记住的信息，不用你手动触发任何东西。

补充：想数据完全本地？也可以自托管

Mem0是Apache-2.0开源的，如果你的数据不想上云：

pip install mem0ai

或者用Docker Compose一键部署（Postgres + Qdrant向量数据库），然后把Hermes指向本地端点即可。

实例：升级Mem0后的不同

理论听完了，我拿一个实际的例子来说明升级Mem0后的不同。

为了测试出默认记忆模块和Mem0的不同，我模拟做一个电商项目给Hermes输入了30多组会话。话题包含需求文档、技术选型（中间讨论过为什么放弃Redis改用Memcache）、架构调整、踩过的坑……全都聊过。

然后测试开始，我直接问Hermes："我前面说不想用Redis做缓存，当时建议用什么来着？原因是什么？"

默认记忆模块的结果：

翻车了。我分析了下，应该是以下三层原因导致的：

1. 第一层：MEMORY.md只有2,200字符（约800 tokens），30多组会话产生的关键信息早就溢出了。Agent-curated机制下，Hermes会"自主判断"哪些信息是重要的值得记的，但显然"不想用Redis"这种否定性偏好往往不如"我想用什么"来得显眼，所以应该是直接被忽略了。

2. 第二层：即使我换个说法，Hermes把这条信息写入了MEMORY.md，冻结快照机制也可能造成该问题。即在当前会话中写入的信息，要到下一个会话才能生效，就像更新了环境变量需要重启命令行一样。

3. 第三层：虽说Hermes还有一层sessionsearch——基于FTS5的关键词搜索，可以翻查所有历史会话记录，按理来说是个补救手段。但实测还是不行：30多组会话里"Redis"出现的次数太多了，需求文档里提过、架构讨论里提过、踩坑记录里也提过，sessionsearch把一堆含"Redis"的对话片段全吐出来，真正跟"不选Redis的原因"相关的反而淹没在里面。FTS5只能做关键词匹配，它不知道哪条跟"选型决策"有关、哪条只是顺带提了一嘴。

换上Mem0之后的结果

换上Mem0后又跑了一遍同样的测试。Mem0自动从每次对话中提取关键事实，用语义索引存储。30组对话里关于Redis和缓存选型的讨论，它全部记得清清楚楚。

当我问"我前面说不想用Redis做缓存，当时建议用什么来着？原因是什么？"时，mem0_search直接语义检索到那段时间的相关讨论，返回完整的讨论上下文——不只是结论，还包括当时的原因分析。回答精准，细节完整，甚至能引用我当时的原话。

写在最后

Agent之所以叫智能体，是因为他就像是一个人，有完整的感觉接收器，逻辑判断器，结果执行器。随着时间的推移，Agent的构成会越来越复杂，越来越庞大，我们会很难再接触到一个完整的智能体，很多时候我们只是精通其中的一个环节或模块。如果你对逻辑判断器--AI记忆模块情有独钟，可以在这里找到跟你共鸣的内容。