夜雨聆风AI Agent 如何自我进化？Hermes Agent Self-Evolution 深度解析
如果 AI Agent 能够自己改进自己，会是什么样子？
这不是科幻小说，而是 Nous Research 正在实现的技术。他们刚刚开源了 Hermes Agent Self-Evolution 项目 —— 一个让 AI Agent 通过进化算法自动优化自身技能、工具描述、系统提示和代码的系统。
关键点：不需要 GPU 训练，成本仅 $2-10 每次优化，通过 API 调用实现，所有改进都需要人工审查。
今天深入拆解这个项目，看看 AI 自我进化的未来。
一、核心概念：什么是 Hermes Agent Self-Evolution？
定义：一个独立的优化管道，通过自动化优化循环系统性地改进 Hermes Agent 的性能。
工作原理：读取 Agent 的技能文件、工具描述、系统提示和代码 → 生成评估数据集 → 使用进化算法生成变体 → 评估性能 → 选择最佳版本 → 创建 PR 供人工审查。
三大引擎：
| 引擎 | 优化目标 | 许可证 | 集成方式 |
|---|---|---|---|
| DSPy + GEPA | 技能、提示、指令、工具描述 | MIT | 原生 Python，主引擎 |
| Darwinian Evolver | 代码文件、算法、工具实现 | AGPL v3 | 外部 CLI |
| DSPy MIPROv2 | Few-shot 示例、指令文本 | MIT | 原生 Python，备用优化器 |
核心亮点：
⚡ 无需 GPU 训练：所有操作通过 API 调用完成，DSPy+GEPA 和 MIPROv2 优化的是提示、指令和示例的文本，不是模型权重。
🧠 理解"为什么"失败：GEPA 读取执行追踪来理解为什么失败（不仅仅是失败的事实），然后提出有针对性的改进。
💰 低成本：每次优化运行成本约 $2-10，不是昂贵的 GPU 训练。
🔒 安全可控：所有变化通过 PR 人工审查，永不直接提交到主分支。
二、核心技术：DSPy + GEPA
2.1 什么是 GEPA？
GEPA (Genetic-Pareto Prompt Evolution) 是集成到 DSPy 中的进化式提示优化算法，具有以下特点：
- ✅ 反射性分析：读取执行追踪，理解失败原因
- ✅ 少样本高效：仅需 3 个示例即可工作
- ✅ 超越 RL：性能优于强化学习和之前的 DSPy 优化器
- ✅ ICLR 2026 Oral：已发表于顶级会议
2.2 GEPA 如何工作？
读取当前 skill/prompt/tool
↓
生成评估数据集
↓
GEPA 优化器 ←── 执行追踪
│ ▲
▼ │
候选变体 ────→ 评估
│
约束门控（测试、大小限制、基准测试）
↓
最佳变体 ────→ PR 到 hermes-agent
关键创新：GEPA 不只是看到"失败了"，而是通过执行追踪理解为什么失败，然后提出有针对性的改进。
例如，如果 Agent 在某个任务上总是错误地选择了工具，GEPA 会分析执行追踪，发现混淆点，然后修改工具描述来减少这种混淆。
2.3 DSPy 在其中的作用
DSPy 为 Hermes Agent Self-Evolution 提供了：
- 模块化抽象：将技能、工具描述、提示包装为 DSPy 模块
- 优化框架：统一的优化接口
- 评估管道：批量运行评估任务
- 追踪收集：捕获执行过程用于反射分析
三、五阶段进化路线图
Hermes Agent Self-Evolution 的实施分为 5 个阶段，每个阶段都建立在前一阶段的基础上。
Phase 1: 技能文件优化（SKILL.md）✅ 已实现
目标：优化 Agent 技能文件，这些是 Agent 遵循的程序化指令。
方法：
- 将技能文本包装为 DSPy 模块
- 通过 batch_runner 在测试任务上评估
- 使用 GEPA 进化优化
为什么有效：
- 技能是纯文本，易于变异
- 性能可直接测量（Agent 是否正确完成了任务）
- 改进效果明显且易于验证
示例：进化 github-code-review 技能，通过测试已知良好代码审查的数据集，产生更好的代码审查。
进度：✅ 已实现
Phase 2: 工具描述优化 🔲 计划中
目标：优化工具架构中的描述字段（Agent 在决定使用哪个工具时看到的内容）。
方法：
- GEPA 进化描述
- 评估 Agent 是否为给定任务选择了正确的工具
为什么有效：
- 工具选择是一个分类问题，非常适合 DSPy 优化
- 描述的微小改进可以显著提高选择准确性
示例：进化 search_files 的描述，使 Agent 更可靠地选择它而不是 terminal(grep)。
约束：
- 每个工具描述最多 500 字符（每次 API 调用都发送）
- 每个参数描述最多 200 字符
- 必须保持事实准确（不能声称工具做了它做不到的事）
- Schema 结构（参数名称、类型、必填字段）是冻结的 —— 只有文本进化
进度：🔲 计划中
Phase 3: 系统提示优化 🔲 计划中
目标：优化系统提示的部分（人格、策略、格式说明）。
方法：
- 将
prompt_builder.py部分参数化为 DSPy Signatures - 使用 GEPA 优化
为什么有效：
- 系统提示质量直接决定 Agent 行为质量
- 小的提示改进可以产生大的行为变化
风险：
- ⚠️ 必须小心不要破坏提示缓存 —— 只能离线优化，部署为新版本
示例：进化"工具使用指南"部分，减少不必要的工具调用。
进度：🔲 计划中
Phase 4: 工具代码优化 🔲 计划中
目标：优化工具实现代码、辅助函数。
方法：
- Darwinian Evolver（外部 CLI）
- 通过 pytest + batch_runner 测试
为什么有效：
- 某些工具实现有微妙的 bug 或低效
- 进化搜索可以找到这些问题
风险：
- ⚠️ 代码更改可能破坏东西 —— 需要强大的测试套件作为护栏
示例：进化 file_tools.py 补丁匹配以处理更多边缘情况。
进度：🔲 计划中
Phase 5: 持续改进循环 🔲 计划中
目标：自动化管道，无人值守运行。
进度：🔲 计划中
四、完整工作流程
4.1 高层流程
┌─────────────────────────────────────────────┐
│ 1. SELECT TARGET │
│ - 选择技能、提示部分或工具 │
│ - 加载当前版本作为基线 │
│ │
│ 2. BUILD EVALUATION DATASET │
│ - 从 session_db 挖掘真实使用示例 │
│ - 或使用手工制作的测试用例 │
│ - 分割：训练 / 验证 / 测试 │
│ │
│ 3. WRAP AS DSPy MODULE │
│ - 技能文本 → dspy.Signature │
│ - Agent 工作流 → dspy.ReAct │
│ - 工具选择 → dspy.Predict │
│ │
│ 4. RUN OPTIMIZER │
│ - 主要：dspy.GEPA（反射性进化） │
│ - 备用：dspy.MIPROv2（贝叶斯优化） │
│ - 代码：Darwinian Evolver（外部 CLI） │
│ │
│ 5. EVALUATE & COMPARE │
│ - 在保留测试上运行优化版本 │
│ - 比较：准确性、成本、延迟 │
│ - 统计显著性检验 │
│ │
│ 6. DEPLOY (with approval) │
│ - Git 提交改进版本 │
│ - A/B 测试（可选） │
│ - 通过 git revert 回滚机制 │
└─────────────────────────────────────────────┘
4.2 详细架构
SessionDB（真实对话）
│
▼
评估数据集构建器
│
├──► DSPy 模块包装器（将技能/提示/工具包装为可优化模块）
│ │
│ ▼
│ GEPA 优化器 ←── 执行追踪（来自 batch_runner）
│ │ ▲
│ │ │
│ ▼ │
│ 候选变体 ────► batch_runner（并行评估）
│ │
│ ├──► 约束验证（测试、字符限制、缓存兼容性）
│ │
│ ▼
│ 最佳有效变体
│ │
▼ ▼
Git 分支 + PR（包含 diff、指标、前后对比）
│
▼
人工审查与合并
五、评估数据来源
Hermes Agent Self-Evolution 支持四种评估数据来源：
Source A: 合成生成（主要，引导）
使用强模型（如 Claude Opus）为技能生成测试用例：
- 读取技能文件 → 理解它的作用
- 生成 15-30 个真实的
(task_input, expected_behavior)对 expected_behavior是一个评分标准，不是确切文本 —— 例如，"应该识别第 42 行的 SQL 注入"而不是"输出这个确切的字符串"- 分割：10 训练 / 5 验证 / 5-10 保留
GEPA 仅需 3 个示例即可工作，这足够开始。
Source B: SessionDB 挖掘（真实使用，LLM-as-judge 评分）
- 查询 SessionDB 找到加载技能的会话（在消息中搜索技能名称）
- 提取用户给出的任务和 Agent 的完整响应
- 使用 LLM-as-judge 根据评分标准对每个
(task, response)对评分 - 高分对成为"好"示例；低分对成为 GEPA 反射分析的失败案例
随着更多真实使用积累，这会逐渐改善。
Source C: 手工制作的黄金集（可选，高价值技能）
手工编写的测试用例和预期输出，存储为 JSONL：
~/.hermes/evolution/datasets/<skill-name>/golden.jsonl
最高质量的信号，但需要人工努力 —— 保留给关键技能。
Source D: 特定技能的自动评估（适用时）
- systematic-debugging：植入 bug，运行技能，检查测试是否通过
- arxiv：搜索已知论文，检查是否找到
- github-code-review：创建包含植入问题的 PR，检查是否被捕获
不是所有技能都有自然的自动评估 —— 这是奖励，不是要求。
六、评分：LLM-as-judge with Rubrics
对于大多数技能，没有明确的对/错 —— 质量是主观的。适应度函数使用 LLM 评分器根据评分标准评分：
- Agent 是否遵循了技能的过程？（0-1）
- 输出是否正确/有用？（0-1）
- 是否简洁（在 token 预算内）？（0-1）
评分标准是特定于技能的，并存储在评估数据集旁边。
七、约束与护栏
每个进化变体必须通过：
✅ 完整测试套件：pytest tests/ -q 必须 100% 通过
✅ 大小限制：
- 技能 ≤ 15KB
- 工具描述 ≤ 500 字符
✅ 缓存兼容性：无对话中途更改
✅ 语义保持：不得偏离原始目的
✅ PR 审查：所有更改都经过人工审查，从不直接提交
八、项目结构
hermes-agent-self-evolution/ # 独立仓库
├── PLAN.md # 本文件
├── README.md # 设置、使用、示例
├── pyproject.toml # 包配置 + 依赖（dspy, gepa）
│
├── evolution/ # 主包
│ ├── core/ # 共享基础设施
│ │ ├── __init__.py
│ │ ├── dataset_builder.py # 评估数据集生成
│ │ ├── fitness.py # 适应度函数
│ │ ├── constraints.py # 约束验证器
│ │ ├── benchmark_gate.py # 基准门控
│ │ └── pr_builder.py # 自动生成 PR
│ │
│ ├── skills/ # Phase 1: 技能进化
│ │ ├── evolve_skill.py # 主入口
│ │ └── skill_module.py # 将 SKILL.md 包装为 DSPy 模块
│ │
│ ├── tools/ # Phase 2: 工具描述进化
│ ├── prompts/ # Phase 3: 系统提示进化
│ ├── code/ # Phase 4: 代码进化（Darwinian Evolver）
│ └── monitor/ # Phase 5: 持续循环
│
├── datasets/ # 生成的评估数据集（gitignored，本地）
│ ├── skills/
│ └── tools/
│
└── tests/ # 测试套件
九、使用示例
安装
# 克隆并安装
git clone https://github.com/NousResearch/hermes-agent-self-evolution.git
cd hermes-agent-self-evolution
pip install -e ".[dev]"
# 指向 hermes-agent 仓库（从 ~/.hermes/hermes-agent 或环境变量自动检测）
export HERMES_AGENT_REPO=~/.hermes/hermes-agent
Phase 1: 进化一个技能
# 使用会话历史的自动生成评估数据
python -m evolution.skills.evolve_skill \
--skill github-code-review \
--iterations 10 \
--eval-source sessiondb
# 或使用合成评估数据
python -m evolution.skills.evolve_skill \
--skill github-code-review \
--iterations 10 \
--eval-source synthetic
Phase 2: 进化工具描述
python -m evolution.tools.evolve_tool_descriptions \
--iterations 5 \
--benchmark-gate tblite-fast
Phase 3: 进化系统提示部分
python -m evolution.prompts.evolve_prompt_section \
--section MEMORY_GUIDANCE \
--iterations 5
Phase 4: 进化工具代码
python -m evolution.code.evolve_tool_code \
--tool file_tools \
--bug-issue 742 \
--iterations 10
所有命令都输出针对 hermes-agent 的 PR 分支 + 摘要。人工合并。
十、关键设计决策
10.1 为什么独立仓库？
Hermes Agent Self-Evolution 存在于自己的仓库中，独立于 hermes-agent。它：
- pip 安装或克隆 hermes-agent 来访问其基础设施
- 将进化版本输出到 git 分支
- 创建 PR 供人工审查
hermes-agent 代码库无需任何更改。
10.2 为什么需要人工审查？
所有变化都通过 PR 人工审查：
- 🔒 安全性：防止恶意或错误的自我修改
- 🎯 语义保持：确保进化不偏离原始目的
- 📊 质量控制：人工验证改进是真实的
- 🔄 可追溯性：完整的 Git 历史记录所有进化谱系
10.3 为什么阶段式实施？
阶段是顺序的 —— 每个阶段都建立在前一个阶段的基础设施上，并且必须在进入下一个阶段之前证明自己。
流程：
Phase 1 ──► 验证门控 ──► Phase 2 ──► 验证门控 ──► Phase 3 ──► ...
构建 是否真的 构建 是否有效 构建
& 测试 有改进？ & 测试 且没有破坏 & 测试
如果某个阶段没有产生有意义的改进（进化变体不比基线好），我们停止并重新评估再进入下一个阶段。
十一、实际影响与意义
11.1 对 AI Agent 开发的意义
1. 持续改进：Agent 可以在人工监督下不断自我改进
2. 低门槛优化：无需大规模 GPU 训练，任何团队都可以使用
3. 数据驱动：基于真实使用数据和评估指标优化，而非猜测
4. 可追溯性：完整的 Git 历史记录所有改进，可以回滚
11.2 对 AI 安全的意义
1. 人工审查：所有改进都需要人工批准，防止不受控制的自我修改
2. 测试护栏：完整的测试套件确保改进不会破坏现有功能
3. 语义保持：约束确保进化不会偏离原始目的
4. 透明性：PR 中的 diff 清晰显示所有更改
11.3 对 AI 研究的意义
1. 理论到实践：将 ICLR 2026 Oral 论文 GEPA 应用于真实系统
2. 新范式：探索 AI Agent 自我进化的新范式
3. 可复现：开源实现，社区可以复现和扩展
十二、局限性
1. 依赖评估数据质量：进化效果取决于评估数据集的质量和代表性
2. 计算成本：虽然比 GPU 训练便宜，但多次迭代仍需 API 调用成本
3. 需要人工审查：每个改进都需要人工审查，可能成为瓶颈
4. 适用范围：主要适用于基于文本的优化，不适用于所有类型的改进
5. 局部最优：进化算法可能陷入局部最优，需要多次运行或随机
十四、如何贡献？
如果你想为 Hermes Agent Self-Evolution 做出贡献：
- 报告问题：在 GitHub Issues 中报告 bug
- 提交 PR：改进代码、文档或测试
- 贡献评估数据：为特定技能贡献高质量的测试用例
- 分享经验：在你的项目中使用并分享经验
十五、相关资源
- GitHub 仓库：https://github.com/NousResearch/hermes-agent-self-evolution
- PLAN.md：完整的架构、评估数据策略、约束、基准测试集成和阶段性时间表
- DSPy：https://github.com/stanfordnlp/dspy
- GEPA 论文：ICLR 2026 Oral（待发布）
- Nous Research：https://nousresearch.com/
十六、总结
Hermes Agent Self-Evolution 代表了 AI Agent 自我进化的一个重要里程碑。通过结合 DSPy 和 GEPA，它实现了一个既安全又有效的自我改进系统。
核心优势：
- 🎯 数据驱动：基于真实使用数据和评估指标
- 🔒 安全可控：所有改进需要人工审查
- 💰 低成本：无需 GPU，仅 $2-10 每次优化
- 🔄 持续改进：自动化循环，无人值守运行
- 📊 可追溯：完整的 Git 历史记录所有改进
未来展望：随着更多阶段的完成和社区的参与，我们有理由相信 AI Agent 的自我进化将成为一个标准能力，推动整个行业的发展。
作者: TheAIEra 来源: 公众号：AI人工智能时代
本文首发于 AI 人工智能时代，转载请注明出处。
关注公众号，获取更多 AI 技术干货！
