近期 Hermes Agent 冲到 GitHub trending 第一，单日涨了 22k star。

很多人看到介绍：”一个会自我成长的 Agent”。 

也有人在说速度是比龙虾快；还有人说：骗人，根本就没有自我进化。

我花了一些时间深度阅读了下源码

发现它确实有成长机制——不是 AI 自动变聪明，而是三层记忆架构 + 辩证推理引擎，让 Agent 的”经验”能累积。

从 MEMORY.md 开始：最基础的记忆层

Hermes 继承了 Claude Code 的原生记忆系统，两个文件：

• MEMORY.md：通用记忆（”我喜欢用 TS 语言”）
• USER.md：用户偏好（”K 喜欢简洁回答”）

这层记忆直接写文件，下次对话直接读。看起来很简单，但 Hermes 做了一个关键改进：

每次 memory 工具写入，都会同步到 Honcho。

# agent/memory_manager.pydef on_memory_write(self, action: str, target: str, content: str) -> None:if self._provider:self._provider.on_memory_write(action, target, content)

为什么要同步？

因为 Honcho 能做一件事 MEMORY.md 做不了——多轮推理。

上下文压缩前，先抢救对话片段

MEMORY.md 是长期记忆，但很多时候 Agent 需要的是”近期记忆”——你刚才说了什么，上一次讨论了什么。

Hermes 用 SQLite FTS5 全文搜索来解决。

真正让我觉得它不一样的地方，是这个钩子：

def on_pre_compress(self) -> None:"""Called before context compression."""if self._provider:self._provider.on_pre_compress()

压缩前先把对话片段同步到 Honcho，防止”短期记忆”丢失。

下次你问”上次我们讨论的那个 bug 怎么解决的”，Honcho 能从被压缩的对话里找到答案。普通 Agent 压缩完就忘了，但 Hermes 还记得。

Honcho：不是向量库，是辩证推理引擎

这是 Hermes 自我成长的关键。Honcho 不是向量数据库，不是简单的语义搜索。

它是一个多轮辩证推理引擎。

Peer Paradigm：双向建模

Honcho 的核心抽象是 Peer——可以是用户，也可以是 AI。

observation:user:observeMe: true# Honcho 构建用户画像observeOthers: true# Honcho 学习 AI 行为ai:observeMe: true# Honcho 构建 AI 自我认知observeOthers: true# Honcho 学习用户习惯

这四个开关形成双向建模：

Honcho 不只记住”用户喜欢什么”，还记住”AI 在这个用户面前通常怎么做”。

当 AI 面对不同用户时，会切换不同的”人格”。这个设计很聪明——AI 的行为会跟着用户适应，而不是一刀切。

多轮推理：不是检索，是思考

Honcho 的核心 API 是 peer.chat()——不是简单检索，而是多轮推理。

Hermes 支持 1-3 轮推理深度：

• Depth 1：单次查询
• Depth 2：自审计 + 定向综合
• Depth 3：自审计 + 综合 + 调和

三轮推理流程（depth=3）：

• Pass 0：基础查询（”这个用户是谁？偏好是什么？”)
• Pass 1：自审计（”Pass 0 的结论有什么遗漏或矛盾？”)
• Pass 2：调和（”综合前两轮，给出最终结论”)

每一轮的 reasoning_level 可以独立配置，从 minimal（快速事实）到 max（彻底审计）。

这不是检索，是思考。Honcho 会质疑自己的结论，找遗漏，做调和。

冷启动 vs 热会话

第一轮推理的 prompt 会根据会话状态自动选择：

• 冷启动：“这个人是谁？偏好、目标、工作风格是什么？聚焦能帮助 AI 快速理解的事实。”

• 热会话：“基于本次会话讨论的内容，关于这个用户哪些上下文最相关？优先当前上下文，而非历史画像。”

注意：冷启动和热会话的 prompt 不一样，Honcho 会自动判断会话状态。

上下文注入位置

Honcho 的上下文注入不进 system prompt，而是注入到 user message。

原因很简单：system prompt 会破坏 prompt caching。注入 user message 可以让缓存保持有效，同时每轮自动刷新上下文。

skill_manage：Agent 创建自己的技能

除了记忆，Hermes 还能创建技能——程序性记忆。

当 Agent 完成复杂任务后，会调用 skill_manage 工具：

"Create when: complex task succeeded (5+ calls), errors overcome, ""user-corrected approach worked, non-trivial workflow discovered."

技能格式遵循 agentskills.io 标准，存放在 ~/.hermes/skills/ 目录。

下次遇到同类任务，技能会自动激活——Agent 不用重新学习。

为了避免上下文爆炸，技能采用三级加载（Progressive Disclosure）：

• L0：元数据（name + description）——skills_list() 只返回摘要
• L1：正文——skill_view() 返回完整内容
• L2：支持文件——按需加载

Agent 先看 L0，需要时才加载 L1/L2，不会每次对话都把所有技能塞进上下文。

会话结束时的记忆闭环

每次会话结束，Hermes 会做三件事：

• 生成 Session Summary：本次会话讨论了什么
• 更新 User Representation：用户在本次会话中的表现
• 更新 AI Representation：AI 在本次会话中的决策模式

这些信息会写入 Honcho，下次对话 Honcho 会读取。

自我成长的完整闭环

这个闭环让 Hermes 不是”每次对话都从零开始”，而是”越用越懂你”。

这套架构跟普通 Agent 有什么区别？

普通 Agent：每次对话都是新对话，上下文满了就压缩，压缩后内容丢失。

Hermes Agent：

• 短期记忆（Session Search）可以追溯
• 期记忆（Honcho）会累积
• 程序性记忆（Skills）会沉淀

跟 RAG 的区别：

实际感受是

Hermes 的”自我成长”不是 AI 自动变聪明，而是架构让经验能累积。

三层记忆 + Honcho 辩证推理 + skill_manage 工具，形成了一个完整的闭环。

如果你也在用 AI 编程工具，有几个思路可以借鉴：

• 不要让记忆只存在上下文里——上下文会压缩，记忆会丢失
• 引入外部记忆系统——Honcho 或类似方案
• 让 Agent 有创建技能的能力——程序性记忆比陈述性记忆更实用

这只是我的做法，你可能有更好的。

感谢阅读，如果感觉有用

期待点赞，转发，关注～ 我会持续分享干货内容