---

我用的 AI 助手会”自我进化”：聊聊 AutoClaw 独有的 Hermes 进化功能，用过就回不去了

一个真实场景

你跟 AI 助手说了一件事，比如”以后写代码的时候先写测试用例”，它说”好的，我记住了”。然后下一次对话，它又忘了。再下一次，还是忘了。

你以为它”记住了”，其实它只是在当前对话里配合你。会话一结束，一切归零。

这不怪它——这是所有 AI 产品的默认行为。每次对话都是独立的，上下文不会跨会话保留。你说的那些偏好、习惯、工作方式，全是一次性的。

但是 AutoClaw（小龙虾）有一个功能叫 Hermes 自我进化，能让你说过的东西，真的”永久记住”。

Hermes 是什么？一句话解释

Hermes 是 AutoClaw 内置的”经验沉淀系统”。

每次你和 AutoClaw 完成一个比较复杂的任务后（比如写了一篇长文、跑通了一个项目、排了一个 bug），Hermes 会在后台自动分析这次对话：

• • 你有没有纠正它什么？
• • 你有没有教它一个新方法？
• • 它在执行过程中踩了什么坑？
• • 有没有发现可以复用的模式？

如果发现值得记住的东西，它会自动生成一条”进化提案”——不是直接修改，而是先写一个草稿，等你审批。你觉得 OK，点一下批准，这条经验就永久写入了它的”记忆文件”。以后每次新对话启动，它都会自动加载这些经验。

你纠正它一次，它一辈子都记得。

和其他 AI 产品的本质区别

市面上主流的 AI 产品，提升助手能力的方式无非两种：

方式一：手动写 System Prompt。 你自己在配置里写”你是一个专业的代码助手，回复要简洁，先写测试再写实现”。缺点是：你得自己写，而且只能写一些通用规则，没法覆盖具体的经验教训。

方式二：手动维护 Memory 文件。 有些产品允许你编辑一个记忆文件，每次对话时注入。缺点还是：你得自己总结、自己写。

Hermes 做了什么不同的事？它让你不用手动做这些。

你正常使用 AutoClaw，该纠正纠正，该指导指导。Hermes 在后台默默观察，发现有价值的东西就自动生成提案。你只需要做一件事：批准或拒绝。

整个过程：

你正常使用 AutoClaw       │       ▼Hermes 在后台自动分析对话       │       ▼发现值得记住的经验？   │         │  是         否   │         │   ▼         ▼生成进化提案  → 不打扰你（草稿状态）   │   ▼你审阅后：批准 / 拒绝 / 修改   │   ▼批准 → 永久写入记忆文件拒绝 → 记录到"已拒绝"归档修改 → 更新草稿，再次提交

零额外操作成本。你不需要开一个”设置记忆”的页面，不需要写 YAML，不需要总结”教训总结”。你只是正常使用，它自己学习。

触发条件：不是每句话都会进化

Hermes 不会对每一句闲聊都触发进化检查。它的设计非常克制：

只在满足以下条件时才启动分析：

• • 当前轮次已经形成了完整结果（不是聊到一半）
• • 至少出现一个”强信号”或两个”中信号”

强信号（一条就够触发）：

• • 你明确纠正了它
• • 你说”以后都这样做/不要这样”
• • 你教了它一个可复用的新 workflow
• • 它经过明显失败/重试后才成功

中信号（需要两条才触发）：

• • 同类任务中出现了清晰的步骤模式
• • 某个工具的环境坑点值得长期记住
• • 同一偏好在近期被重复提到

以下情况直接跳过：

• • 纯闲聊
• • 简单问答
• • 工具调用很少且没有纠正
• • 一次性需求
• • 已经有同样的提案待处理或最近被拒绝

这意味着什么？它不会像某些产品那样，动不动就弹一个”是否保存到记忆？”的提示烦你。 只在真正有价值的时候才出来，保持安静。

进化的内容流向：写到哪里？

Hermes 把学到的东西写到四个不同的文件里，每个文件有明确的分工：

文件	写什么	举个例子
AGENTS.md	行为规则、流程规范、安全边界	“写代码前先写测试用例”
TOOLS.md	工具使用经验、环境坑点	“baoyu-post-to-wechat 的 main.ts 在 scripts/ 下”
MEMORY.md	用户偏好、长期事实	“用户偏好简洁回复，不喜欢废话”
SKILL.md	可复用的多步骤 workflow	“发公众号文章的完整流程：md→html→草稿箱”

这个设计很巧妙。它不是把所有东西都丢进一个”记忆”文件里，而是按类型分类存储。行为规则和行为规则放一起，工具经验和工具经验放一起，用户偏好和用户偏好放一起。

这有什么好处？不同类型的知识有不同的生命周期和更新频率。 你的工具路径可能每周都在变，但你的行为偏好可能几年都不变。分开放，管理起来更清晰。

一个真实的进化提案长什么样？

这是 Hermes 实际工作时的一个流程（我简化了一下）：

场景： 我让 AutoClaw 写一篇公众号文章，然后用 baoyu-skills 发到草稿箱。中间经历了多次路径探索和工具调用失败。

Hermes 分析过程：

1. 1. 检测到 39 次 tool call（≥8，满足”struggle”信号）
2. 2. 发现 baoyu-post-to-wechat 的路径不在常规位置，值得记住
3. 3. 发现 API 方式因 IP 白名单失败，降级到浏览器方式，值得记录
4. 4. 但没有用户明确纠正，且这些是单次工具使用经验
5. 5. 最终判断：NOTHING_TO_SAVE（不生成提案）

是的，Hermes 也会判断”不需要记住”。不是所有经验都值得沉淀。它有一个质量标准：必须同时满足”具体、可执行、长期有效、非一次性、对未来有帮助”才会生成提案。

这就是它的”审慎”——宁可漏掉一条经验，也不应该用一堆无用的记忆文件污染上下文。

进化强度可调：从”佛系”到”激进”

Hermes 有一个”进化强度”参数，可以按 workspace 独立设置：

• • 100%（激进）：强信号或两个中信号都触发。适合刚开始使用、希望快速积累经验的阶段。
• • 50%（审慎）：仅强信号触发，中信号全部跳过。适合已经稳定运行、不希望被打扰的场景。
• • 0%（关闭）：完全不做进化检查。适合不需要自我进化的场景。

我目前用的是 100%，因为还在磨合阶段，希望 AutoClaw 尽快适应我的工作习惯。等积累了足够多的经验规则后，可能会调到 50%。

“Evolution Echo”：学以致用的闭环

Hermes 还有一个很细节的功能叫 Evolution Echo（进化回声）。

当你批准了一条进化规则后，AutoClaw 在后续对话中应用这条规则时，会简短提一句：

“（基于之前的经验：写代码前先写测试用例）”

就这么一句话。不会重复说，只在规则真正影响了当前操作时才提。

这个设计的意义是什么？让你知道你的”教导”真的起作用了。 很多时候我们教 AI 一个习惯，但不知道它到底有没有记住。Evolution Echo 就是给你一个确认：”你之前说的那条，我这次用上了。”

这个功能解决了什么根本问题？

让我退一步，说一个更本质的问题。

所有 AI 助手都有一个致命缺陷：它们不会随着使用时间变强。

你用 ChatGPT 一年和用一天，体验是一样的。你用 Claude 一年和用一天，也是一样的。它们的知识是静态的——不管你跟它们聊了多少次、教了多少东西，下一次打开还是一个全新的、对你说的话一无所知的 AI。

这就像你雇了一个助理，每天教他一些东西，但第二天他全忘了。你能想象吗？

Hermes 解决的正是这个问题：让 AI 助手”越用越懂你”。

• • 你纠正过一次的错误，它不会再犯
• • 你教过的工作流程，它下次自动按这个流程走
• • 你踩过的坑，它帮你记住，下次避开
• • 你的偏好和习惯，它主动适应

这不是什么花哨的功能。这是 AI 助手从”工具”到”伙伴”的关键一步。

业务延伸：这个功能有多大想象空间？

场景一：团队知识管理

一个团队共享一个 AutoClaw workspace。新入职的同事不需要从零开始培训——因为 AutoClaw 已经通过 Hermes 积累了所有团队的”隐性知识”：

• • 代码规范（从 code review 纠正中学习）
• • 部署流程（从每次发布踩坑中积累）
• • 客户偏好（从每次沟通反馈中记住）

新同事直接开始工作，AutoClaw 自动帮他遵守所有”约定俗成”的规则。相当于一个活的、持续更新的 SOP。

场景二：个人效率系统

你用 AutoClaw 管理日常任务。Hermes 逐渐学会：

• • 你喜欢什么格式的周报
• • 你习惯在什么时间点做复盘
• • 你对什么类型的任务优先处理
• • 你的写作风格和偏好用词

时间越长，它越像一个”懂你的分身”。

场景三：客户服务自动化

用 AutoClaw 做客户服务，Hermes 不断学习：

• • 客户最常问的 10 个问题及标准回答
• • 哪些问题需要人工介入，哪些可以自动处理
• • 客户的特殊偏好（比如某位客户喜欢简洁回复）
• • 产品更新后的 FAQ 变化

服务越久，自动化的比例越高。

场景四：教育和培训

用 AutoClaw 做教学助手，Hermes 逐渐了解每个学生的弱点：

• • 哪些知识点学生经常出错
• • 什么解释方式学生更容易理解
• • 学生的学习节奏和偏好

自动调整教学策略，实现真正的个性化教育。

场景五：商业决策支持

用 AutoClaw 辅助商业决策，Hermes 积累的是”决策经验”：

• • 哪些维度的数据对决策最关键
• • 历史上类似场景的最优选择
• • 团队成员对不同方案的反馈模式

这不是替代决策，而是在每次决策时提供更精准的上下文。

为什么其他产品没有这个功能？

技术上并不难实现。核心就是：

1. 1. 在每轮对话结束后分析信号
2. 2. 生成结构化的经验提案
3. 3. 存储到 workspace 文件
4. 4. 新对话启动时加载

真正的壁垒不是技术，是产品理念。

大多数 AI 产品的假设是：AI 的能力由模型厂商决定，用户只管用。所以它们把精力放在”怎么让模型更强”上。

AutoClaw 的假设是：AI 的能力 = 模型能力 + 用户教学。模型是基础，但用户在日常使用中积累的经验和偏好，才是让 AI 真正”属于你”的关键。

Hermes 就是连接这两者的桥梁。

一些技术细节（给爱钻研的同学）

Hermes 的工作流比我上面说的还要严谨：

双 Agent 架构： 检测到信号后，主 Agent 会 spawn 一个独立的 sub-agent 来做审查。这个审查 Agent 不会修改任何文件，只会写草稿或输出”不需要保存”。这样避免了主 Agent 在”自我审查”时可能产生的偏差。

三目录草稿管理：

• • pending/ — 待审批的提案
• • approved/ — 已批准的提案
• • rejected/ — 已拒绝的提案

每个提案有唯一签名（signature），用于去重。同样的经验不会重复提案。

14 天冷却期： 如果一个提案被拒绝了，14 天内不会再因同样的证据重新提案。除非有新的、更强的证据出现。

桌面端交互卡片： 在 AutoClaw 桌面端，审批是以交互卡片的形式呈现的——你可以直接看到”要修改什么”、”修改前后的差异”，一键批准或拒绝。在飞书/微信等外部渠道，则自动降级为文本审批指令。

目标文件完整性保障： 每次提案提交的不是 diff（差异），而是目标文件的完整内容。审批通过后直接覆盖写入。这意味着每条提案都是独立可审核的，不会因为多条提案的叠加而产生冲突。

我使用 Hermes 几天后的真实感受

说实话，刚开始用的时候没什么感觉——因为它太安静了。大部分时候它都是 NOTHING_TO_SAVE，你甚至不知道它在后台做了分析。

但几次之后，我开始注意到一些微妙的变化：

• • 我纠正过一次”不要用 markdown 表格发 Discord”，它真的再也没犯过
• • 我说了一次”通知我的时候别发全文，发摘要就行”，后来每次通知都是摘要格式
• • 我教过它用某个工具的正确路径，下次它直接用对了，没再绕弯路

这些变化不大，但每一次都在说：我在认真听你说话，而且我记住了。

这种感觉很特别。它不像用传统软件那样”我来操作你”，更像是”我教一个助理做事，他越来越熟练”。

AI 产品千千万，能让用户体验到”成长感”的，这是第一个。

写在最后

我们正在进入一个 AI 产品的分水岭。

第一代产品拼的是模型能力——谁的模型更聪明、回答更准确。这个阶段，各家差距不大，因为底层模型就那么几个。

第二代产品拼的是个性化——谁能最好地适应每个用户的独特需求、习惯和工作方式。

Hermes 进化功能，就是 AutoClaw 在第二代竞争中打出的一张王牌。

你的 AI 助手不是静态的。它会随着你的使用，变成一个越来越懂你的、独一无二的 AI。

这才是 AI 助手应该有的样子。

---

本文基于 AutoClaw（小龙虾）Hermes 进化功能的真实使用体验撰写。

#AutoClaw #autoclaw

Hermes Evolution 是 AutoClaw 的独有功能，无需额外安装，workspace 创建即自带。