Hermes学习

#	组件	Hermes 如何实现
1	外层迭代循环：AI 自动思考 - 调用工具的主流程	固定一套流水线，无限循环：标准 model-call → tool-dispatch → result-append → repeat，通过 Provider 抽象层归一化不同 API
2	上下文管理与压缩：防止对话太长 AI 失忆、超限	问题：聊久了所有历史、工具返回内容全堆在上下文，会超模型窗口、AI 记不住重点、计费变贵。 Hermes 五步精简逻辑：五阶段压缩管线：工具输出裁剪 → 头部保护 → 尾部预算 → LLM 摘要 → flush_memories() 工具返回的长内容先砍废话关键开头信息绝不删掉（比如任务要求、身份设定）预留固定窗口给最新对话太久远的历史让大模型浓缩成简短摘要冗余历史直接清空释放空间简单说：自动给聊天记录 “瘦身”，长对话也不崩。
3	技能与工具管理：按需给 AI 开放工具，不全部暴露	注册与暴露分离；70+ 工具，28 个工具集；按场景决定模型可见的工具子集手里一共 70 多个工具，打包成 28 套工具组（文件操作、网络、数据库等）。不是一次性把所有工具全塞给 AI，干什么活只给对应工具。例：只让 AI 写文档时，就屏蔽代码执行、系统命令工具，减少 AI 乱调用出错。工具注册和对外展示分开，新增工具不用改核心流程。
4	子代理管理：AI 派小助手单独处理复杂子任务	delegate_task，独立 task_id + 终端上下文，结构化摘要返回；危险命令默认拒绝；递归深度封顶复杂任务拆分交给小代理去单独干活：每个小任务独立编号、独立聊天空间，互不干扰小代理干完只返回精简总结，不把一堆冗余信息塞主对话有安全限制：高危命令直接拦截，还限制嵌套层级，防止无限递归卡死
5	内置技能包：现成标准化工具库，开箱即用	166 个技能（87 内置直接能用 + 79 可选按需开启），遵循 agentskills.io 开放标准
6	会话持久化与恢复：关掉程序下次打开继续聊	SQLite + FTS5 全文搜索 + WAL 日志；跨平台会话衔接本地SQLite数据库存所有对话，支持全文检索历史聊天记录；日志防丢失；Windows/Mac/Linux 多端打开，能读取上次没做完的任务，无缝接续
7	System Prompt 组装：分层管理 AI 人设、规则	三层提示词架构：stable（身份/SOUL.md）→ context（AGENTS.md）→ volatile（时间戳/元数据） Stable 固定层：AI 永久人设、核心行为准则（不会变） Context 场景层：当前任务规则、可用工具说明 Volatile 临时层：实时变动数据（当前时间、本次任务元信息）好处：改场景规则不用动基础人设，结构清晰好维护。
8	生命周期钩子：全程可插自定义逻辑（插件机制）	两面：进程内插件钩子 + 文件系统驱动的 Gateway 钩子分两种自定义入口，你能在 Agent 任意阶段插入自己代码：进程内钩子：程序运行中，AI 开始 / 结束调用工具、启动任务时触发插件文件网关钩子：监控本地文件变动，文件更新自动触发 Agent 逻辑举例：工具执行完自动同步结果到本地表格、任务结束自动发通知。
9	权限与安全层：防泄密、防 AI 执行危险操作	智能审批（学习安全命令）、PII 脱敏、密钥脱敏、危险命令检测一套安全防护全套功能：智能审批：AI 会学习区分安全 / 危险指令，高危操作主动询问确认隐私脱敏：手机号、身份证等 PII 隐私自动隐藏密钥脱敏：数据库、API 密钥不会明文出现在对话里泄露高危命令检测：删盘、格式化、高危系统命令直接拦截

核心流程

3. 核心架构

3.1 统一执行引擎 AIAgent

所有入口共享同一个核心类 AIAgent（run_agent.py），无论消息来自 CLI、Telegram、Discord 还是 API：

CLI (cli.py)  │  Gateway (gateway/run.py)  │  ACP (acp_adapter/)  │  API Server  │  Batch Runner
       │                     │                        │                  │               │
       └─────────────────────┴────────────────────────┴──────────────────┴───────────────┘
                                          │
                                   AIAgent Core
                    ┌─────────────────┼─────────────────┐
              Prompt Builder     Provider Resolution    Tool Dispatch
              Compression        (3 API modes)          Registry (70+ tools)

设计原则：

Prompt 稳定性：System prompt 在会话期间永不改变（保护 Anthropic prefix caching）
平台无关核心：一个 AIAgent 类服务所有入口
松耦合：可选子系统使用注册模式 + check_fn 门控，无硬依赖
Profile 隔离：每个 profile 有独立的 HERMES_HOME、配置、记忆、会话

执行循环：

Message Arrives → Generate Task ID
  → Load System Prompt (冻结快照: MEMORY.md/USER.md + skill 索引)
  → Compression Pre-check (上下文是否接近阈值?)
  → LLM API Call
  → If tool call → Execute tool → Append result → Loop
  → If final text → Store session in SQLite → Deliver response

总结：一套共用的 AI 核心执行引擎 AIAgent，不管是命令行、机器人、接口还是批量任务，全都走它统一处理，内置提示词、模型适配、工具调度三大模块，按固定标准化流程处理消息，兼顾缓存优化、多配置隔离、模块解耦。

3.2 Provider 抽象层

Hermes 支持 18+ LLM 提供商，通过三种 API 模式归一化：

API 模式	适用提供商
`chat_completions`	OpenAI, DeepSeek, 兼容端点
`anthropic_messages`	Anthropic (原生)
`codex_responses`	GitHub Copilot, Codex

Provider 路由：

model_routing:
  default: anthropic/claude-sonnet-4-6
  high_precision: anthropic/claude-opus-4-8
  low_latency: deepseek/deepseek-v4-pro
  fallback_providers:
    - openai/gpt-5.1
    - google/gemini-3-pro

三层弹性架构：

层级	机制	作用域
Credential Pools	同一 Provider 多 API Key 轮转	同 Provider 内
Primary Model Fallback	`fallback_providers` 列表自动切换	跨 Provider，每轮
Auxiliary Task Fallback	辅助任务独立 Provider 解析（视觉、压缩、标题生成等）	按任务维度

总结：Hermes 统一兼容 18 + 大模型厂商，分三类接口做格式归一，还通过密钥轮询、跨模型兜底、任务专属模型三套机制实现高可用弹性调度。

3.3 工具注册与暴露分离

Hermes 的工具系统最关键的架构决策：注册 ≠ 暴露。

tools/registry.py          ← 零依赖，被所有工具文件导入
       ↑
tools/*.py                 ← 每个文件在 import 时自注册: registry.register()
       ↑
model_tools.py             ← 导入 registry + 触发工具发现
       ↑
run_agent.py, cli.py       ← Agent 核心和 CLI

核心机制：

# 每个工具文件自注册
registry.register(
    name="example_tool",
    toolset="example",
    schema={"name": "example_tool", "description": "...", "parameters": {...}},
    handler=lambda args, **kw: example_tool(...),
    check_fn=check_requirements,      # 门控函数：环境是否满足？
    requires_env=["EXAMPLE_API_KEY"],  # 所需环境变量
)

关键设计：

70+ 注册工具，但模型每次只看到相关的子集
check_fn 决定工具是否可用（API Key 是否配置？依赖是否安装？）
按场景（CLI / 某聊天平台 / 某 Profile）暴露不同工具组合
新增一个工具只需改 3 个文件：工具实现 → model_tools.py 导入 → toolsets.py 注册

总结：所有工具统一注册入库，但不会全部一次性给 AI 使用，依靠门控函数、场景分组按需开放，新增工具接入流程简单。

3.4 技能系统与渐进式加载

Hermes 的技能系统实现了三级渐进式披露（Progressive Disclosure）：

Tier 0: 分类名                        (~50 tokens)
  └─ Tier 1: 技能名 + 一行描述         (~20 tokens/skill)
       └─ Tier 2: 完整 SKILL.md 内容   (~500–5,000 tokens, 按需加载)
            └─ Tier 3: 附件文件         (references/, templates/, scripts/)

Tier1:

        作用：让模型知道 “我有哪些技能、大概能干什么”，用于意图匹配选工具，仅此而已

Tier2:

        只有模型判定要使用某技能时，才调用skill_view(name)拉取完整技能规则、入参、流程

Tier3:

        仅执行阶段才加载配套 API 文档、模板、案例，绝大多数对话完全不会走到这一层，几乎不增加基线开销

这意味着 200 个技能的上下文开销 ≈ 40 个技能。

技能遵循 agentskills.io 开放标准（Markdown + YAML frontmatter），跨 Agent 可移植——在 Hermes 中创建的技能可以被 Claude Code、Cursor、Copilot 等使用。

4. 四层记忆系统

Hermes 最核心的设计——将记忆按时间尺度和用途分为四个独立层：

Layer 1: Prompt Memory（`MEMORY.md` + `USER.md`）

属性	详情
存储	`~/.hermes/memories/` 下的扁平 Markdown 文件
加载方式	每次会话第一条消息前注入 system prompt
容量限制	MEMORY: 2,200 字符 / USER: 1,375 字符 / 总计: 3,575 字符
管理方式	Agent 使用 `memory` 工具（add / replace / delete）
生效时机	修改在下次会话生效（本会话内冻结，保护 prompt caching）

强制字符限制的哲学：只让真正高价值的信息存活。

Layer 2: Session Retrieval（SQLite + FTS5）

属性	详情
存储	SQLite + FTS5 全文索引
加载方式	按需搜索——Agent 自行判断何时需要历史上下文
处理方式	检索匹配对话 → LLM 生成聚焦摘要（绝不把整个旧对话倒入上下文窗口）

关键区分：Memory 文件始终加载（持久事实）；Session 存档按需搜索（特定历史上下文）。

Layer 3: Skills（程序性记忆 / 操作手册）

属性	详情
存储	`~/.hermes/skills/` 下结构化 Markdown + YAML
加载方式	渐进式披露（见 3.4 节）
格式	agentskills.io 开放标准
用途	"怎么做"——SOP、工作流、陷阱、验证步骤

Layer 4: Honcho（辩证用户建模，可选）

属性	详情
存储	Plastic Labs 的 Honcho 外部服务
机制	被动观察——跨会话构建用户画像，无需显式写入
模型	12 层身份模型，同时建模用户和 Agent 与用户的关系
是否必需	否——大多数任务型部署不需要

四层总结

Layer 1: Prompt Memory    ← "你是谁，我喜欢什么"（始终加载，高信号）
Layer 2: Session Archive  ← "上次发生了什么"（按需搜索，低延迟）
Layer 3: Skills           ← "某任务怎么做"（渐进加载，操作手册）
Layer 4: Honcho           ← "你的行为模式"（被动建模，长期画像）

5. 自进化学习循环

这是 Hermes 区别于其他 Agent 框架的核心差异点。

普通 Agent：干完活就完事，不会总结经验，下次遇到同类问题还要重新摸索。

Hermes 自带自动进化闭环，不用你手动改配置、写工具，后台悄悄复盘优化，四步循环循环往复。

学习循环四机制

┌──────────────────────────────────────────────────┐
│                 Self-Improving Loop               │
│                                                   │
│  ┌─────────┐  ┌──────────┐  ┌─────────┐  ┌──────┐│
│  │ Memory  │  │  Skill   │  │ Skill   │  │Cross ││
│  │Curation │→│Generation│→│Patching │→│Session││
│  │         │  │          │  │         │  │Search ││
│  └─────────┘  └──────────┘  └─────────┘  └──────┘│
│       ↑                              ↓            │
│       └──────── Nudge Engine ────────┘            │
└──────────────────────────────────────────────────┘

机制 1：自主记忆策展（Memory Curation）

在会话中每隔固定间隔，Agent 收到内部系统提示，回顾最近活动并判断是否有值得永久保存的内容。无需用户干预。

每聊 10 轮，后台悄悄复盘聊天，自动挑出长期有用信息存入永久记忆（L1 MEMORY.md），没用的垃圾自动丢掉，不用你手动记录偏好、关键规则。

例：你多次强调报表要导出 Excel，它自动把这条要求永久存起来，以后不用反复提醒。

机制 2：自动技能生成（Skill Generation）

任务完成后，Agent 判断是否将此次工作流编码为可复用技能。触发条件：

5+ 工具调用
任务中恢复了错误
用户给出了纠正指导
发现了非平凡的工作流

只要单次任务满足：连续调用 5 次以上工具 / 踩坑修复过报错 / 你纠正过它的操作 / 流程复杂有复用价值，就自动把整套操作写成标准化技能存入技能库。

例：你让它批量下载表格、清洗数据、汇总图表重复操作 3 次，它自动生成一套「批量数据报表」工具，下次一键调用。

机制 3：技能自我修补（Skill Patching）

技能不会冻结——未来使用时如果发现缺失步骤、过时命令或新陷阱，Agent 会用 skill_manage(action='patch') 原地修补。这是精准的 find-and-replace，而非全量重写，既保持正确性又最小化 token 开销。

之前生成的技能不是一成不变，下次使用发现步骤漏了、命令失效、有新坑，只精准修改出错片段，不重写全部技能，省 Token、不破坏原有逻辑。

例：旧技能里某 API 地址过期，它只替换这一行地址，其余流程不动。

机制 4：跨会话搜索与 LLM 摘要

所有对话归档在 SQLite + FTS5 中。Agent 需要历史上下文时，搜索归档并用 LLM 仅总结相关内容。

所有历史对话存在数据库，复盘 / 执行任务时只检索相关历史，用大模型精简摘要，不会把几万条聊天全塞进上下文。

Nudge Engine（后台反思引擎）

记忆和技能的写入需要一个触发器——这就是 Nudge Engine：

相当于内置两个定时器，到点自动开一个隐形后台小 Agent偷偷进化：

计数器	粒度	默认间隔
Memory Nudge	按用户轮次计数	每 10 轮
Skill Nudge	按工具迭代计数	每 10 次迭代

触发时分叉一个后台 Agent 实例（独立线程）：

输出重定向到 /dev/null（用户无感）
最多 8 次工具调用以控制成本
共享主 Agent 的 Memory 存储
自身 Nudge 关闭防止无限递归

后台小 Agent 特点：你看不到输出、限制工具调用次数控成本、不会无限循环、和主程序共用记忆库。

闭环逻辑

跨会话检索拿到历史经验 → 触发记忆整理 → 产出新技能 → 使用中自动修补技能 → 再检索历史持续迭代，全程后台静默运行。

总结：

Hermes 靠定时后台反思引擎驱动一套闭环自学流程：自动沉淀长期记忆、把复杂工作流做成工具、随时修补失效技能、调取历史对话辅助优化，全程无需人工干预，越用越适配你的使用习惯。

6. 上下文压缩

对话记录相当于行李箱，模型窗口是行李箱固定容量。行李装到一半（50%）自动走五步精简流水线，只丢没用的、保住关键内容；万一没压好、快塞满（85%），网关还有一道兜底强制压缩，防止直接超限报错。

Hermes 实现了五阶段压缩管线（顺序不能乱），由 ContextCompressor（agent/context_compressor.py）管理：

触发标准：上下文 Token 占到模型窗口一半（50%）

触发条件: Token 使用量达到上下文窗口的 50%
    │
    ▼
Stage 1: 工具输出裁剪（粗剪）         ← 廉价预裁剪，修整冗长工具结果
    |                   AI 查文件、联网、运行代码返回一大段原始文本，先无脑砍掉冗余换行、重复日志、无效长文本，低成本先瘦身一轮。
    │
    ▼
Stage 2: 头部保护（不动核心规则）     ← 保护关键开头上下文（身份、指令）
    |                    最开头的人设、任务要求、固定指令全程不动，绝不删减，保障 AI 基础逻辑不变。
    │
    ▼
Stage 3: 尾部 Token 预算   ← 保证最近消息完整保留（compression.protect_last_n，默认 20）
    |                    强制保留最近 20 条聊天完整原文，最新沟通不做摘要，保证当前对话不脱节。
    │
    ▼
Stage 4: LLM 摘要          ← 中间部分由辅助模型调用压缩摘要
    |                    夹在 “头部固定规则” 和 “最新聊天” 中间的老旧内容，交给小模型浓缩成简短总结，大幅省 Token。
    │
    ▼
Stage 5: flush_memories()  ← 压缩前 Agent 获得一次机会将重要信息存入 Layer 1 记忆
                         正式压缩清空旧内容前，AI 先自动把长期有用信息存进一层永久记忆，避免压缩把重要内容彻底删掉。

会话血统（Session Lineage）：压缩触发分裂时，新会话的 parent_session_id 链接到旧会话——在 SQLite 中保留完整历史，同时保持活跃上下文精简。

压缩会生成一段全新精简上下文，新会话会记录父会话 ID 绑定旧记录。

活跃对话是精简版方便 AI 处理，完整原始聊天全部存在数据库可回溯，不会丢失记录。

双层安全网：（错开阈值避免频繁压缩）

压缩器	触发阈值	位置
Agent Compressor 主Agent压缩器	上下文窗口的 50%	工具循环内，精确 token 计数
Gateway Safety Net 网关兜底压缩	上下文窗口的 85%	Gateway 层，粗略字符估算。最后防线，防止窗口溢出报错

压缩器

触发阈值

位置

Agent Compressor

主Agent压缩器

上下文窗口的 50%

工具循环内，精确 token 计数

Gateway Safety Net

网关兜底压缩

上下文窗口的 85%

Gateway 层，粗略字符估算。最后防线，防止窗口溢出报错

两个阈值故意错开——如果都设在 50%，会导致每次轮次都过早压缩。不会每次对话都反复压缩、浪费算力。

总结：

对话内容过半就启动五阶分层精简，死守开头规则、保留最新聊天、中间老内容做摘要，压缩前自动沉淀关键信息；同时设置 50%/85% 两级错开压缩阈值，既保证上下文短小好用，又不会丢失全部历史记录。

7. 会话持久化（SQLite + FTS5）

所有聊天记录、会话数据全部存在本地单个文件 state.db，不用额外装数据库服务；开启 WAL 读写分离，多人 / 多端同时访问不卡顿。

数据库位置：~/.hermes/state.db

Schema 架构

state.db (WAL mode, schema version 11)
├── sessions              — 会话总表，每一轮独立对话一条记录。元数据、token 计数、计费、血统（父子会话关联、来自哪个平台-命令行/电报/Discord等）
├── messages              — 完整消息历史，每一句用户提问、AI回复、工具调用原始完整内容，永久留存原始数据，不会因为上下文压缩被删掉。
├── messages_fts          — 全文检索索引表，FTS5 虚拟表 (content + tool_name + tool_calls)。自动同步所有消息内容，专门用来快速搜关键词，不用全库遍历翻记录。
├── messages_fts_trigram  — 中文 / 短句增强索引，FTS5 trigram 分词器 (CJK / 子串搜索)。适配中文、零散片段搜索，搜半句话、词语碎片也能匹配到结果。
├── state_meta            — key/value 元数据。全局配置键值对
└── schema_version        — 迁移追踪，跟踪数据库结构升级，更新 Hermes 时自动迁移数据不丢失。

核心设计决策

特性	实现
并发	WAL 模式——多读一写（可以同时很多地方读聊天记录（查询、检索、前端展示）；写入对话时单独排队，不会出现 “一边读一边写卡死”。）
全文搜索	FTS5 + 自动同步触发器（INSERT/UPDATE/DELETE）
会话血统	`parent_session_id` 链（压缩触发的分裂）----上下文压缩后会生成新会话，新记录会标注上一代会话 ID，形成完整链路。前台 AI 只用精简后的新上下文，但后台数据库能顺着链条查到全部历史对话。
来源标记	`source` 字段：cli, telegram, discord, slack... 搜索时可以只查某一个平台的聊天记录。
写竞争处理	1s SQLite 超时 + 应用层重试（20-150ms 随机抖动，最多 15 次）+ `BEGIN IMMEDIATE` 多线程同时保存消息容易锁库，Hermes 三层防护：数据库锁等待 1 秒超时写入失败随机等 20~150 毫秒重试，最多重试 15 次写入时强制独占事务，避免同时争抢
WAL Checkpoint 定时归档	每 50 次成功写入触发一次（PASSIVE 模式）每成功写入 50 条消息，自动同步缓存到数据库文件，防止断电丢最近记录。

FTS5 搜索能力（Agent 自带搜历史工具）

完整 FTS5 查询语法：关键词（隐式 AND）、引号短语、OR/NOT 布尔、前缀匹配（deploy*）
按来源平台、角色、日期范围过滤
返回带 >>>match<<< 标记的摘录、±1 条消息上下文、会话元数据
session_search 工具让 Agent 自动执行跨会话召回

支持标准搜索语法：精准短语引号、或 / 非逻辑、前缀模糊匹配；

可筛选：只查某平台、指定时间段、仅工具调用记录；

搜索结果高亮匹配文字，顺带带出前后相邻消息，附带会话基础信息；

Agent 内置 session_search 技能，AI 自己能主动检索几年前的历史对话，调取过往经验辅助当前任务。

总结：用单文件 SQLite 搭配中文友好全文检索存全部对话，靠 WAL、重试机制解决多端并发读写；压缩拆分的会话通过父子 ID 完整串联历史，AI 可自主跨会话关键词检索旧记录，所有原始消息永久留存不丢失。

8. Gateway 多平台网关

Gateway 就是 Hermes 的常驻后台总调度服务，开机启动后一直挂着不退出，统一对接 20 多款聊天软件，不用分开开多个程序。

Gateway 是一个守护进程（hermes gateway），保持 Agent 在所有平台上持久在线：

                          ┌─────────────┐
                          │   Gateway   │
                          │  (daemon)   │
                          └──────┬──────┘
                                 │
        ┌────────────┬───────────┼───────────┬──────────┬──────┐
        ▼            ▼           ▼           ▼          ▼      ▼
     Telegram    Discord     WhatsApp    Slack/Email  SMS   CLI/Web

支持平台（20+）：Telegram, Discord, Slack, WhatsApp, Signal, Matrix, Mattermost, Email, SMS, DingTalk, 飞书/Lark, 企业微信, 微信, QQBot, LINE, SimpleX Chat, IRC, Microsoft Teams, Google Chat, Home Assistant...

关键特性：

跨平台对话连续性：Telegram 上开始，CLI 上继续，记忆、上下文互通，不分平台隔离对话。
Telegram "项目主题"：每个主题绑定特定技能 + 独立上下文
消息路由、投递、定时任务触发全部流经同一 Gateway

好比一个统一客服总后台： Telegram、飞书、企业微信、Discord、网页端、命令行全是各个客户进线渠道，所有消息、定时提醒、指令全部先发给这个网关，再统一转给底层 AIAgent 核心处理。

所有平台的消息分发、消息推送、定时任务（定时提醒、定时执行任务）都由网关统一管控，不用给每个聊天客户端单独写一套调度逻辑，一套底层 Agent 引擎对接全部渠道。

9. 权限与安全模型

Hermes 的安全哲学与 Claude Code 不同——它明确声明：保护操作者免受 LLM 行为影响，但不防御恶意共驻者（co-tenant）。

安全机制	实现
智能审批	学习哪些命令是安全的，自动批准已知安全模式
PII 脱敏	输出中自动检测和脱敏个人信息
密钥脱敏	API Key、Token、数据库密码自动遮蔽
危险命令检测	`rm -rf /`、`chmod 777` 等默认阻断
`/stop` 中断	随时中断 Agent 执行
DM 配对授权	消息平台上的 DM 访问需要配对确认
5 层防御模式	记忆威胁扫描、上下文注入扫描、OSV 恶意软件检查、凭证剥离、结构化上下文压缩

10. 与Claude Code Harness对比

这是理解两种 Harness 哲学的关键：

维度	Claude Code	Hermes Agent
核心关注	权限系统 + 上下文管理	Agent Loop 密度 + 多平台消息
语言	TypeScript（CLI-first）	Python（多平台 Agent）
模型锁	Claude only	任意模型（200+ via Provider 适配器）
开源	否（专有）	是（MIT License, 96K+ Stars）
设计赌注	Harness 应该做减法——模型变强就移除脚手架认为大模型能力会越来越强，现在加的复杂配套功能以后都能删掉；脚手架只是临时补丁。	Harness 应该做加法——随时间积累经验、技能、记忆就算模型再厉害，它也记不住你几个月前的需求、不会自动沉淀工作流程，所以要永久配套记忆、技能、历史检索整套底座，长期持续积累经验。

上下文压缩对比

	Claude Code	Hermes
方式	服务端 Compaction API（单参数，完全托管）	客户端五阶段管线（精确控制）
触发	达到 Token 阈值，API 自动压缩	Agent 50% + Gateway 85% 双层触发
可控性	低——压缩块不透明	高——结构化模板，可追踪 Resolved/In Progress/Pending
哲学	简单优先	控制优先

Claude Code

压缩交给 Anthropic 服务端黑盒 API，你只能设一个阈值，内部怎么精简看不到、改不了
到 token 上限自动压缩，人无法干预细节
追求简单省事，牺牲自定义控制能力

Hermes

本地五层自定义压缩流水线，每一步逻辑完全透明可改
双保险：AI 运行到 50% 容量先精细压缩；网关 85% 紧急兜底，防止溢出报错
能查看每段内容状态（已归档 / 待压缩 / 使用中），精细化管控上下文内容

记忆系统对比

	Claude Code	Hermes
方式	文件驱动、模型驱动	分层、系统驱动
主存储	`CLAUDE.md` + `MEMORY.md`（max 200 行, 25KB）	SQLite + FTS5 + 8 个外部 Provider 插件
检索	文件加载到 System Prompt——模型"全看"	Prefetch-inject 循环：先搜索后预加载
跨会话	有限——完全依赖 CLAUDE.md 质量	深度——会话血统、父子压缩链、session_search 工具
哲学	"模型够聪明——给它文件就行"	"模型需要帮助在多个时间尺度上积累"

Claude Code

极简文件记忆，只有两个 md 文件，严格限制行数大小
每次对话直接把文件全文塞进提示词，模型一次性读完
跨会话记忆很弱，只能靠手动写文件留存信息，没法自动检索历史对话
逻辑：模型足够聪明，把文档丢给它自己看懂就行

Hermes

四层分级记忆体系 + SQLite 带全文检索数据库，完整保存全部聊天记录
不会一次性灌入所有历史，先检索匹配相关内容，再摘要注入上下文
支持会话父子链路，压缩拆分的对话完整溯源，AI 能主动调用工具搜索几个月前的跨会话历史
逻辑：人脑都没法记住所有往事，模型也需要专门存储、检索、摘要系统辅助调取长期信息

架构哲学的根本分歧

Claude Code：把对模型局限性的假设编码进 Harness，模型变强后移除这些功能。（如 Opus 4.6 移除了 "Sprint" 机制）
Hermes：建造不随模型变强而过期的东西——记忆层、技能文件、跨会话搜索、用户建模。"模型会变强，但它仍然需要知道你上周问了什么。"

11. 11个Harness设计模式

业界从 Claude Code 和 Hermes 两个代码库中提炼出 15 个通用 Harness 设计模式：

#	模式	核心思想
1	The Harness Paradigm	模型本身不是产品——需要编排层
2	Tool Architecture & Tool Contract	推理与执行后果之间的边界设计
3	The Query/Agent Loop	模型 tool call 与下一轮之间发生了什么
4	Permission Systems & Safety Guardrails	对破坏性操作的门控
5	Tool Orchestration & Execution	安全操作与串行操作的分区
6	Context Management at Scale	压缩前的五种策略
7	Multi-Agent Coordination	一个 Agent 不够时的协调模式
8	Memory Systems & State Persistence	三层记忆，一种缓存
9	Observability & Debugging	非确定性系统的分布式追踪
10	Production Deployment Patterns	SDK-first vs Gateway-first
11	Hook/Event-Driven Automation	Loop 之上的自动化层
12	The Skill System Pattern	能力即内容，而非代码
13	MCP Integration	将 Agent 连接到世界
14	Model Routing & Provider Abstraction	失败时优雅降级
15	Structured Output & Schema-Constrained Generation	当自由文本不够时

总结

Hermes 的核心创新

创新点	说明
自进化能力	Agent 从经验中学习，自动生成和改进技能——不是每次从零开始
四层记忆	按时间尺度和用途分层的记忆架构，让 Agent 既有"常识"也有"经验"
注册与暴露分离	70+ 工具注册但按需暴露，不浪费上下文窗口
渐进式技能加载	200 个技能的上下文开销等于 40 个——只在需要时才加载完整内容
Provider 无关	18+ LLM Provider，三层弹性 fallback，不被任何一家锁定
多平台统一	CLI、Telegram、Discord、Slack...同一 Agent 跨平台服务
会话即基础设施	SQLite + FTS5 + WAL + 会话血统——把会话当作一等公民的基础设施

越来越多的生产实践采用 Hermes（编排）+ Claude Code（编码） 的双栈模式：

Hermes 作为持久编排层：管理会话、记忆、多平台接入、定时任务

Claude Code 作为专业编码执行器：通过 MCP 桥接，处理复杂代码任务

两者互补——Hermes 提供"永远不会忘记"的持久性，Claude Code 提供最顶级的代码智能

DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐

AI时代下的前端求生之路

DeepSeek技术社区

2026 年有哪些真正适合学生写开题的 AI 辅助写作工具，实测无套路分享

DeepSeek技术社区

Learn Claude Code：从零搭建 AI Agent 的工程框架

GitHub上68k+Star项目learn-claude-code提供了一套20课教程，专注于为AI Agent构建完整的工作框架（Harness）。该框架包括工具层、知识层、观察层等功能模块，强调Agent的智能源于模型而非代码。教程从基础循环开始，逐步添加权限控制、任务拆分、记忆恢复等机制，最终实现多Agent协作。每课包含可运行代码和示意图，适合AI开发者学习如何搭建模型执行环境。项目配套

DeepSeek技术社区

所有评论(0)

查看更多评论

m0_75163045

@m0_75163045

已为社区贡献1条内容

Hermes学习

m0_75163045

1.概述：Hermes 是什么？

2.Harness 九大组件全景

3. 核心架构

3.1 统一执行引擎 AIAgent

3.2 Provider 抽象层

3.3 工具注册与暴露分离

3.4 技能系统与渐进式加载

4. 四层记忆系统

Layer 1: Prompt Memory（MEMORY.md + USER.md）

Layer 2: Session Retrieval（SQLite + FTS5）

Layer 3: Skills（程序性记忆 / 操作手册）

Layer 4: Honcho（辩证用户建模，可选）

5. 自进化学习循环

学习循环四机制

机制 1：自主记忆策展（Memory Curation）

机制 2：自动技能生成（Skill Generation）

机制 3：技能自我修补（Skill Patching）

机制 4：跨会话搜索与 LLM 摘要

Nudge Engine（后台反思引擎）

闭环逻辑

6. 上下文压缩

7. 会话持久化（SQLite + FTS5）

Schema 架构

核心设计决策

FTS5 搜索能力（Agent 自带搜历史工具）

8. Gateway 多平台网关

9. 权限与安全模型

10. 与Claude Code Harness对比

上下文压缩对比

Claude Code

Hermes

记忆系统对比

Claude Code

Hermes

架构哲学的根本分歧

11. 11个Harness设计模式

总结

Hermes 的核心创新

所有评论(0)

温馨提示：您尚未绑定手机号

m0_75163045

Layer 1: Prompt Memory（`MEMORY.md` + `USER.md`）