你的 AI 助手越用越聪明:Hermes Agent 如何实现闭环学习与跨平台记忆

self-improving · agent 技能闭环 · 跨平台记忆 —— NousResearch 开源项目 Hermes Agent（NousResearch/hermes-agent）是一个自带闭环学习 能力的 AI 代理：它会在执行任务后自动沉淀技能、跨会话维持用户画像、 并在多个聊天平台上共用同一套记忆。180K+ Stars 说明开发者社区认可的 不是它多了一个工具，而是它让代理「越用越聪明」这件事不再是文案 里的 promise，而是有代码实现的生产力方案。

为什么「会学习的代理」比想象中更急迫

主流 LLM 代理产品面临一个共同瓶颈：对话即用即弃。用户关掉 终端或切换话题后，前一小时的上下文、已经摸索出的工作流、对用户 偏好的理解全部丢失。下一次启动又是空白状态，同样的配置步骤、 同样的需求说明得从头来一遍。使用频率越高，重复劳动越令人沮丧。

Hermes Agent 的核心差异是「持久化闭环」。它不是在每次对话中被动 等待提示词，而是主动做三件事：

这套机制解决的场景非常具体：一个每天需要通过 Telegram 处理 5–10 个不同任务的用户，不用在每条消息开头重复「我是谁、我的环境长怎样、 上次做到哪了」。在 DevOps 告警响应、客服工单分类、个人知识管理等 高频低差异的场景下，一次教会、反复受益的设计带来的是数量级的效率 提升。加上 Hermes 支持 6 种聊天平台并发接入，用户在 Telegram 上学 到的偏好会同步到 Discord、Slack 和 WhatsApp，真正实现一次配置、 处处认知。

从安装到第一条自动化 skill 的最佳路径

极简上手

一条命令启动终端会话：

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
source ~/.bashrc
hermes

Windows 用户可通过 PowerShell 完成相同的安装，不依赖 WSL2。 安装后依次执行三条命令完成基本配置：

hermes model        # 选择 LLM 供应商与模型
hermes tools        # 启用需要的能力（文件操作、代码执行、网页浏览等）
hermes setup        # 完整配置向导，含迁移 OpenClaw 配置的功能

场景一：一条 cron 自动化指令替代每日重复劳动

大部分 AI 代理只能即时回答，而 Hermes 内置 cron 调度器。在任意 界面输入 /cron 后以自然语言描述任务，例如「每天上午 9 点抓取 Hacker News 头条摘要并发到 Telegram」。Hermes 会解析意图、创建 cron job，并在指定时间自动执行、结果推送至已配平台。无需手写任何 cron 表达式。任务可以是单次的，也可以是每周或每月定期的，全部 用纯自然语言描述即可注册。

场景二：用「技能」固化复杂工作流

假设你有一套代码审查流程：检查 diff -> 运行 lint -> 扫描敏感信息 -> 总结变更。用一次完整操作后，Hermes 后台会自动将它打包为一个 skill（对应 ~/.hermes/skills/ 下的 markdown 指令文件）。后续只需 输入 /code-review <pr-url> 即可一键执行全套流程。skill 在后续 使用中会自我修正——curator 在空闲时对比历史执行日志，调整步骤顺序 或补充遗漏的检查项。如果某个步骤在实践中被发现多余，下次执行时 agent 会自动跳过这个环节。

场景三：多平台知识共享

Hermes Gateway 启动后，同一个 agent 实例同时接入 Telegram、Discord、 Slack、WhatsApp、Signal 和 CLI。在 Telegram 上了解到的用户偏好 （例如「Java 项目按 Maven 结构组织」）会写入 USER.md，下一次在 Discord 通道中被问到项目结构问题时，它已经知道该用什么框架来回答。 所有平台共享同一份 memory provider，不会出现不同渠道的代理说着 两套话的矛盾。

场景四：模型自由切换

通过 hermes model 命令可随时切换供应端：Nous Portal、OpenRouter （200+ 模型）、NovitaAI、NVIDIA NIM、小米 MiMo、智谱 AI、Kimi、 MiniMax、Hugging Face、OpenAI 或自部署端点。切换后所有工具、技能、 记忆不受影响，不存在对某个模型的绑定。

常见误区：不要一次性把所有工具都打开。40+ 工具全部注册会导致 prompt 膨胀严重。推荐按使用频率在 hermes tools 中选择 5–8 个 核心工具，其余通过 /tool enable 按需激活。

闭环学习的三层引擎是如何协作的

Hermes 的「自改进」能力并非某种单一算法，而是由三个独立模块在 不同时间尺度上协作完成的。

第一层：上下文压缩（秒级->分钟级）

context_compressor 在对话长度接近模型上下文窗口时自动触发。它 使用辅助模型（通常是便宜的小模型）对中间轮次进行摘要，保留 token 预算内的尾部上下文。摘要模板包含 Active Task、Resolved Questions、 Remaining Work 等分区，并以严格的系统提示告诉主模型「摘要是背景 参考，最新用户消息是唯一指令源」，防止压缩操作引入指令冲突。 摘要支持多轮迭代更新，多次压缩后的信息不会丢失。工具输出在 压缩前先被修剪为占位文本，再次节省空间。

第二层：技能自适应（分钟级->小时级）

skill_commands 模块将 markdown 格式的 skill 文件注册为 / 开头 的斜杠命令。技能在执行过程中可调用 skill_prompt() 工具来动态 修改自身的行为模板。完成后，curator 会检查技能的使用次数与 成功率，对超过 30 天未使用的 skill 标记为 stale，超过 90 天则 自动归档。curator 在 agent 空闲时通过 auxiliary client 运行后台 review agent，这个子进程拥有独立的 LLM 连接，不会阻塞主会话。 关键技能可通过 pin 操作跳过自动清理。所有归档都是可逆的——归档 不等于删除，用户随时可以恢复。

第三层：用户画像与记忆（跨会话）

memory_manager 采用插件式架构，允许多个 memory provider 共存。 内建的 FTS5 全文搜索支持跨会话检索过往讨论；Honcho dialectic 建模为可选外部 provider，用于构建更深层的用户行为画像。每次对话 结束后，后台 curator 会判断当前 USER.md 是否需要扩充——如果用户 反复提出同一类需求，画像描述会被自动更新。上下文围栏机制 （<memory-context> 标签）确保 agent 输出中的记忆块不会泄露到 UI 展示层，流式输出场景中还有 StreamingContextScrubber 状态机 处理跨分片的围栏标签。

这三层的创新不在于单个技术的新颖度，而在于它们构成了一个封闭 正反馈：使用越多->技能越精->画像越准->用户越愿意用->产生更多 使用数据。相比一次性提示工程，这种设计让代理的质量随部署时长 自然收敛。

主要代价是存储与计算开销。每轮对话的 curator 分析、压缩与技能 评估需要额外的 LLM 调用。Hermes 通过 auxiliary client 将这些 操作路由到便宜模型（如 Nous 自家的 Portal 或本地模型），默认 curator 间隔为 7 天，至少要求 agent 空闲 2 小时才会启动，避免 频发干扰。

去哪落地以及演进方向

立即可以落地的场景

更广阔的可能性

Hermes 的 delegate_tool 支持在对话中动态生成子 agent，完成并行 任务。结合它的 trajectory 导出能力（完整记录每轮工具调用路径）， 一个可投入生产的模式是：用 Hermes 批量生成优质 agent 轨迹数据， 再用这些数据微调专用模型。团队在苦于缺乏高质量工具调用训练数据时， Hermes 可以成为数据生产管道的前端。

另一个方向是 ACP 标准兼容。Hermes 内置了 acp_adapter，意味着 它可以直接接入异构 agent 网络，与其他 ACP 兼容的代理交互。多 agent 协作不再需要自定义协议桥接。借助 ACP registry，Hermes 还可将自身 能力发布为可被其他 agent 发现和调用的服务端点，形成真正去中心化的 agent 生态。