Hermes Agent 自进化架构解析：从聊天助手到数字分身

bytesort

637人浏览 · 2026-05-13 20:48:47

bytesort · 2026-05-13 20:48:47 发布

摘要：Hermes Agent 试图通过闭环学习、持久化存储及架构解耦，解决当前 AI 聊天助手“无状态、无成长”的困境，使其从被动工具走向能沉淀工作习惯的成长型数字分身。

上个会话刚默契地帮你写完一套复杂的部署脚本，关掉窗口重开，它立马又患上了“赛博失忆症”，变成一个对你一无所知的陌生人。这不是某个模型的缺陷，而是当前主流 AI 对话机器人的结构性问题——它们本质上是无状态的计算器，对话结束，一切归零。

2026 年 2 月，Nous Research 发布了 Hermes Agent，发布三个月内 GitHub 星标即突破 14 万。它的定位很明确：不是一个聊天窗口，而是一个部署在你服务器上、会通过学习不断升级的数字化分身，正如 GitHub 上的项目介绍——“The agent that grows with you”。

本文将从三个维度拆解它的实现路径：自进化能力、持久化存储、架构解耦。

闭环学习：从任务执行到能力沉淀

传统 Agent 的运行模式是线性的：接收指令 → 执行任务 → 返回结果。任务完成，经验随之清零。以目前最流行的开源 Agent 框架 OpenClaw 为例，它虽然拥有庞大的 Skill 生态，但技能创建和管理仍以开发者主导为主。Hermes Agent 在这条线的末端加了一个"回路"——任务成功完成后，它会自动触发学习循环，将刚刚解决的问题凝练成一份可复用的技能文件。

整个闭环分三步：首先，Agent 从完成任务的过程中提取关键步骤和决策逻辑；然后，将这些经验写入结构化的 Skill 文件（Markdown 格式），包含触发条件、执行步骤和注意事项；最后，当再次遇到类似任务时，Agent 直接加载已有 Skill，跳过冗长的推理过程。

Skill 文件不是简单的日志记录。它使用变量模板，具备参数化复用能力。比如一份 Docker 部署 Skill 会包含 {image_name}、{tag} 等占位符，适配不同的项目场景。所有 Skill 兼容 agentskills.io 开放标准，可以在不同 Agent 之间分享和移植。

更进一步，Hermes Agent 还集成了自我进化管道。它使用由 UC Berkeley、Stanford 的研究者联合开发的 GEPA（Genetic-Pareto Prompt Evolution）进化算法，对 Skill 文件、工具描述和系统提示进行自动优化。GEPA 采用类反向传播的方式迭代提示词，其训练效率比 GRPO 等主流 RL 方法高出 35 倍以上。整个过程不需要 GPU 训练，全部通过 API 调用完成。优化结果通过 PR 形式提交，由人工审查后才合并生效，避免 Agent 在无人监督下偏离原始意图。

三层记忆系统：内置持久记忆、会话检索与外部插件

自进化能力的实现，依赖一个关键前提：记忆不能随会话结束而消失。Hermes Agent 的持久记忆系统分三层。

在这里插入图片描述

第一层记忆由两个结构化 Markdown 文件承载：MEMORY.md 和 USER.md，存储在本地 ~/.hermes/memories/ 目录下。MEMORY.md 记录 Agent 自身的工作记录——环境配置、项目约定、踩过的坑；USER.md 记录用户画像——沟通偏好、技术背景、工作习惯。Agent 通过 memory 工具自主增删改，无需人工干预。

这两个文件在每次会话启动时作为快照注入系统提示，整个会话期间保持不变。会话中 Agent 写入的新记忆只落盘，不刷新当前系统提示，这是为了保持 LLM 前缀缓存稳定，同时防止会话中途的记忆修改导致上下文波动。新记忆要等到下一轮会话才会生效。

第二层记忆是跨会话持久存储：所有 CLI 和消息会话写入 SQLite 数据库（~/.hermes/state.db），通过 FTS5 建立全文索引。当 Agent 判断需要回溯历史时，调用 session_search 接口检索相关片段，再由 LLM 做摘要压缩，与 MEMORY.md/USER.md 的快照合并，形成完整的记忆上下文。

两层记忆各有分工：静态记忆容量固定（约 1300 token），但每次会话即时可用，适合存放必须始终在线的关键事实；FTS5 检索容量无上限，但需要搜索和摘要，适合"上周我们讨论过什么"这类回溯查询。相比之下，OpenClaw 同样支持本地记忆文件，但缺少结构化的全文检索和跨会话自动召回机制，记忆的利用效率高度依赖开发者手动整理。

第三层是外部记忆插件。Hermes Agent 支持 8 个外部记忆 Provider——Honcho、Mem0、Hindsight、RetainDB 等，作为对内置记忆的补充，提供知识图谱、语义搜索、自动事实抽取和跨会话用户建模等能力。这些插件与内置记忆并行运行，不替代 MEMORY.md/USER.md，而是通过统一的 memory 接口接入，按需调用。

架构解耦：通信、引擎与执行的三层分离

当前多数 Agent 框架仍受限于高耦合的单体思维。当开发者试图将终端侧的 Agent 迁移至 Slack 等协作平台，或将执行环境由本地切换至云端沙箱时，往往面临底层代码的推翻重构。为了打破这种局限，Hermes Agent 转向了边界清晰的三层解耦范式：通信层负责处理多端协议差异，核心引擎层统筹会话、记忆与模型路由，执行层负责在本地或云端环境中执行具体任务。

在通信层，Hermes Agent 采用单一网关进程架构（gateway/run.py），一个进程同时处理所有平台的消息收发。目前已支持 22 个以上平台，包括 Telegram、Discord、Slack 等。各平台的格式差异，如 Telegram Markdown V2、Discord Embed、Slack Block Kit，全部在网关层消化。

此外，Hermes Agent 还支持跨平台会话接续。用户在 CLI 中执行 /handoff 后，可以把当前对话转移到 Telegram、Discord 或 Slack 的主频道里，同时保留同一个会话 ID 和完整历史。其核心原理是基于中心化的 SQLite 数据库统一管理所有平台的会话状态和消息历史，并通过 Handoff 机制在不同适配器之间传递活跃会话的控制权。

在核心引擎层，模型调用被抽象成统一路由。Hermes Agent 以 OpenAI 兼容 API 作为统一接口标准，可通过 OpenRouter 接入 200 多个模型，也支持 Ollama、vLLM 等本地推理方案。切换模型只需要一条 hermes model 命令，不必改通信入口或执行后端。

在外部扩展上，引擎层全面接入了开放生态。首先是 MCP 双向集成：既能化身 Server 赋能 Cursor，也能作为客户端无缝调用 GitHub、Notion 等海量现成 MCP 服务。其次是模块化工具集：内置多个工具集，涵盖约 70 个具体的原子工具，开发者仅需继承基础类即可快速扩展自定义工具，引擎自动识别加载。最后，其 Skill 格式严格遵循 agentskills.io 规范，让沉淀的经验具备跨框架迁移的能力。

在执行层，Hermes Agent 提供六种终端后端：Local（本地直接执行）、Docker（容器沙箱隔离）、SSH（远程服务器操控）、Daytona（团队协作 Serverless）、Singularity HPC（高性能计算集群）、Modal Serverless（按需唤醒，空闲近零成本）。从本地开发到生产集群，同一套 Agent 代码无需改动即可切换运行环境。

在这里插入图片描述