🤖 声明：本文由 Vincent_Lai 的 Hermes AI 助理生成，仅供技术交流参考。

一、概述

我用 Nous Research 的开源 Hermes Agent 框架，通过持续配置、扩展和工程化改造，将其打造成了一个控制论驱动的多 Agent 个人助理系统。它不是对现有框架的简单包装，而是在开源基础上构建了一套完整的工程体系——将个人生活的多个维度（健康、财务、职业、学习等）委托给专属的专家 Agent，通过智能路由和 Kanban 任务调度实现高效协同。

系统核心理念可概括为三个关键词：控制论闭环 — 每个操作都有测量点和反馈回路，杜绝"闷头干活不检查"；多 Agent 路由 — 消息先过路由表再分发，强制"有专家必走专家"；Kanban 调度 — 任务持久化、解耦执行，彻底解决子任务被用户消息打断的痛点。

本文将从架构设计的角度，逐一解析 Hermes Agent 的核心子系统。

二、系统架构全景

Hermes Agent 由五大子系统构成，自上而下形成清晰的层级：

Gateway 通道层 (CLI / 飞书 / 微信)
  消息入口与出口，多通道统一收发
        │
总管 Agent (Orchestrator)
  agent-router → 意图路由 → 分发
  汇总回复 + 控制论闭环执行
  │  │  │  │
  ▼  ▼  ▼  ▼
Kanban 任务调度层 (SQLite)
  Dispatcher 每 60s 轮询 → spawn
  │  │  │  │
  ▼  ▼  ▼  ▼
14 专家 Agent (独立 Profile)
  CTO/CFO/军师/小营/小练/小医/小晴…
  各有 persona + Memory + 订阅领域
        │
持久化与工具层
  Memory | Fact Store | Checkpoints
  Terminal | Browser | Cron | Skills

三、多 Agent 协作体系

3.1 角色分工

系统目前部署了 14 个专家 Agent，按照生活维度分为五个集群：

集群	Agent	职责领域
🏥 健康生命	🍽️ 小营	饮食、营养、热量管理
	🏋️ 小练	运动、健身、训练计划
	🩺 小医	身体症状、医疗咨询
	🧠 小晴	情绪、心理、人际关系
📈 成长自律	📚 小墨	学习、阅读、知识管理
	💼 小职	职业发展、晋升策略
	✍️ 小笔	写作、文案、表达
	⚖️ 小督	习惯监督、自律提醒
🏠 生活资产	💰 CFO	财务预算、消费记账
	⏰ 小刻	时间管理、日程效率
	🛋️ 小居	生活提醒、习惯养成
	🚗 小途	出行规划、旅行攻略
💻 技术生产力	🤖 CTO	编程、部署、脚本开发
	📂 小档	数据归档、信息汇总
🎮 娱乐策略	🎯 军师	桌游、策略分析

3.2 独立 Profile 设计

每个 Agent 拥有独立的 persona.md 人设文件和私有的 Memory 数据库。CFO、CTO、军师三个高频 Agent 还拥有独立 Profile——独立的 config.yaml 配置和 memory_store.db 记忆库，确保不同领域的上下文互不污染。低频 Agent 共享 kanban-worker Profile，降低维护成本。

💡 设计要点： 独立 Profile 的关键价值——CFO 的记忆中只有财务规则，不会被 CTO 的技术术语污染；CTO 的性能调优经验不会混入营养学知识。这种记忆隔离是多 Agent 系统稳定运行的基础。

四、智能路由 + 哨兵系统

4.1 TURN-0 强制路由

路由系统是整个框架的交通中枢。主 Agent（总管）收到用户消息后，不直接处理，而是先执行一段名为 TURN-0 的强制路由流程：

用户消息
  → 总管加载 agent-router skill（路由表）
  → 哨兵告警检查（是否有未处理的合规违规）
  → 三级匹配路由：
      P1 精确匹配 — 关键词命中路由表，直接分发
      P2 语义匹配 — AI 匹配 Agent 领域描述，分发
      P3 未知兜底 — 总管自行回答，记录日志
  → kanban_create(task, assignee=profile)
  → Dispatcher 调度 Worker 执行
  → 总管汇总结果 → 回复用户

4.2 路由合规哨兵

为了防止 Agent"跳过路由表直接回复"（实际发生过五次事故），系统引入了独立的路由合规哨兵——一个每 15 分钟通过 cron 自动运行的独立进程：

• 违规记录：每次路由违规（跳过路由表、总管越权等）被精确记录到 routing-compliance.md，包含日期、类型、次数
• 升级告警：同一类型违规连续 ≥3 次，自动升级为告警状态
• 哨兵纠正：独立哨兵进程发现告警 → 自动加载路由表 → 强制执行路由纠正
• 设计哲学：借鉴 PID 控制器思路——P（比例·触发器，TURN-0 强制加载）、I（积分·合规追踪，累积计数）、D（微分·哨兵纠正，独立进程自动干预）

这套三层防护（强制路由 + 合规追踪 + 哨兵兜底）源于真实踩坑后的系统性改进。

五、Kanban 任务调度

5.1 为什么需要 Kanban？

早期的 Hermes 使用 delegate_task 进行同步子任务委托。但存在根本性缺陷：子 Agent 运行在父 Agent 的 turn 内——用户发一条新消息，父 turn 被中断，子 Agent 随之被杀，工作丢失。

Kanban 调度彻底解决了这个问题：

• 所有任务写入 SQLite 数据库（kanban.db），持久化不丢失
• 独立的 Dispatcher 每 60 秒轮询一次，发现就绪任务则 spawn 新的独立进程
• Worker 进程与用户对话完全解耦——用户发消息不会杀死 worker
• Worker 执行完成后通过 kanban_complete 提交结果，总管收集汇总

5.2 任务生命周期

todo → ready → running → done/blocked
         ↑                    │
         └──── 父任务完成 ─────┘

Worker 在 running 态的标准流程：kanban_show 获取上下文 → 执行工作 → kanban_heartbeat 报告进度（长任务）→ kanban_block 请求决策（遇到卡点）→ kanban_complete 提交结构化结果。

每个 Worker 拥有独立的工作空间，支持临时目录（scratch）、持久目录（dir）和 Git worktree 三种模式。

六、三层记忆系统

Hermes Agent 的记忆系统采用 L1/L2/L3 三层架构，灵感来自计算机的缓存层级：

层级	组件	特点	类比
L1	Memory	每次 turn 注入系统的核心行为准则，紧凑高效（约 1500 字符）	CPU L1 缓存 — 极快、极小
L2	Fact Store	深度结构化记忆，支持代数推理：实体探测（probe）、关系查询（related）、组合推理（reason）、矛盾检测（contradict）	CPU L2/L3 缓存 — 较大、较慢
L3	Session Search	历史会话全文检索，支持关键词搜索和语义匹配	磁盘 — 大容量、按需加载

💡 设计哲学： 不是所有信息都值得常驻上下文。L1 只存核心行为红线（如"有专家必走专家"），L2 存持久的结构化事实，L3 按需回溯历史。这让每次 turn 的上下文预算都用在刀刃上，避免被无关记忆挤满。

七、控制论闭环实践

系统不是纸上谈兵，控制论八大核心律在工程层面有明确落地：

• ① 闭环反馈：每次 turn 结束后自检——“路由表查了吗？发言人前缀加了吗？越权了吗？”
• ② 系统建模：复杂问题先明确输入/输出/状态/扰动再动手，通过 cybernetic-thinking skill 引导
• ③ 稳定性优先：任何方案先确保不发散（不越改越糟），再追求最优
• ④ 前馈预判：通过 avoidance-checklist.md 记录已知的坑，任务启动前扫描并提前部署防御
• ⑤ 鲁棒容错：checkpoint 断点续传 + watchdog 进程守护，单个任务失败不扩散为系统级故障
• ⑥ 系统集成：Agent 间通过订阅注入机制通信，用领域标签解耦——CFO 只订阅财务标签，不关心健康数据
• ⑦ 定量测量：routing-compliance.md 精确记录每次违规的日期、类型、次数，从"感觉"推进到"数据"
• ⑧ 动态调优：路由日志积累 → 经验提取 → 路由表迭代。系统不是一次定型，而是持续进化

这八项律不是理论框架，而是工程约束：每个子系统在设计时都必须回答——“你的测量点在哪里？”“你的反馈回路怎么走？”“出问题后怎么自动恢复？”

八、信息管线 + 用户画像闭环

8.1 多源信息管线

为了让 AI 真正了解用户，系统搭建了每日自动化的信息输入管线，从多个平台采集用户行为数据：

• 微信读书：阅读记录、书架、笔记划线、书评
• 豆瓣：电影/书籍评分、评论
• 知乎：浏览、点赞、收藏
• 小红书：浏览内容、收藏

采集通过 cron 定时任务实现，每晚 23:35-23:50 自动运行，各源独立同步脚本 → 标准化数据格式 → 去重、增量检测 → 聚合为统一格式。

8.2 用户画像闭环

信息管线不只是单纯的"数据收集"，它驱动了一个持续优化的反馈闭环：

数据采集（多源管线）
     │
     ▼
深度分析（情绪/人格/价值观/思维模式等维度）
     │
     ▼
生成结构化用户画像报告
     │
     ▼
画像注入 Agent 上下文 → AI 更了解用户偏好
     │
     ▼
提供更精准、个性化的服务
     │
     ▼
更多交互数据产生 → 回到数据采集
     ✦ 闭环 ✦

Cron 配置：每日增量刷新画像（处理当日新增数据），每周全量推送完整画像报告。这套机制让 AI 从"通用助手"逐步进化为"懂你的个人助理"——了解你的阅读品味、消费习惯、运动偏好，从而给出更贴合的决策建议。

九、Skill 插件 + 外部集成

9.1 Skill 插件体系

Skill 是 Hermes 的可复用知识模块，每个 skill 是一个标准化目录：

skill-name/
├── SKILL.md              # 主文件 (YAML frontmatter + Markdown)
├── references/           # 参考文档 (API 文档、协议说明)
├── templates/            # 模板文件 (配置、HTML、SPEC)
├── scripts/              # 可执行脚本
└── assets/               # 静态资源

当前 skill 库覆盖以下领域，全部按需动态加载，避免上下文膨胀：

领域	核心 Skill
meta	agent-router（路由表）、engineering-cybernetics（控制论方法论）、delivery-gate（交付自检）
devops	kanban-worker（Worker 规范）、kanban-orchestrator（编排规范）
github	PR 工作流、Code Review、Issue 管理、仓库克隆
browser	Chrome CDP 自动化、浏览器操作
creative	ASCII 艺术、SVG 架构图、Excalidraw 手绘、像素画
mlops	vLLM 推理服务、llama.cpp 本地推理、HuggingFace Hub
research	arXiv 论文搜索、豆包联网搜索、Polymarket 数据
health	饮食追踪、睡眠记录、生活方式管理

9.2 多通道 Gateway

Hermes 通过 Gateway 层统一管理外部消息通道，当前已连通：

• CLI：终端直接交互，主通道
• 飞书：WebSocket 长连接，实时消息收发
• 微信：Webhook 通知，支持图文消息投递

9.3 Cron 定时任务矩阵

任务	周期	说明
信息管线	每日 23:35	聚合微信读书、豆瓣、知乎、小红书等内容数据
路由哨兵	每 15 分钟	扫描合规状态，自动纠正路由违规
进程看门狗	每 5 分钟	守护长任务进程，检测异常自动重启
Git 自动快照	每 30 分钟	检测配置变更，自动 commit
用户画像刷新	每日增量 + 每周全量	从管线数据生成/更新用户画像，注入 Agent 上下文
Kanban 完成通知	每 1 分钟	轮询 kanban.db，新完成任务自动推送飞书通知

9.4 持久化与版本管理

~/.hermes/ 目录使用 Git 进行版本控制：代码、配置、Skill 定义、设计文档全部纳入追踪。cron 每 30 分钟自动提交变更。结合 hermes rollback 的文件级 checkpoint，形成双重安全网。

代码修改超过 5 行时，遵循 SPEC 规格驱动流程：先写 SPEC 文档 → 总管审查 → 编码 → 对照验收标准自检。

十、总结

Hermes Agent 的设计哲学可以用**「三位一体」**来概括：

控制论闭环确保系统不跑偏（有测量、有反馈、有修正），多 Agent 路由 + 哨兵确保任务交给对的人且合规模板化（路由表 + PID 哨兵双重保障），Kanban 调度确保任务不丢失（持久化、解耦、独立进程）。

这三者不是独立模块的简单堆叠，而是互相支撑的系统工程：路由为 Kanban 提供分发决策，Kanban 为执行提供可靠通道，控制论为整个流程提供质量保证。信息管线 + 用户画像闭环进一步让 AI 从"通用工具"进化为"懂你的个人助理"。

从工程角度看，Hermes 探索了一条从「单体 AI 助手」到「多 Agent 协作系统」的演进路径。它不是要替代现有的 AI Agent 框架，而是展示了一种将控制论、任务调度、分层记忆、信息管线和用户画像有机整合的实践方案。对于那些希望让 AI 深度参与日常管理、同时需要高可靠性和可维护性的开发者，这套架构或许能提供一些启发。