Hermes + Holographic：AI Agent 的"长期记忆"是如何工作的

大多数 AI 助手每次对话都从零开始。Hermes Agent 通过 Holographic 记忆插件，让 AI 真正拥有跨会话的结构化长期记忆------而且完全本地运行，不需要任何外部 API。

背景：AI 助手的"失忆"问题

用过 AI 助手的人都有这个感受：每次新开一个对话，它就像失忆了一样，什么都要重新解释。你的技术栈、你的偏好、上周讨论过的项目------全没了。

Hermes Agent 的内置记忆（MEMORY.md / USER.md）解决了一部分问题：把关键信息写成 Markdown 文本，每次对话时注入到 prompt 中。但这种方式有明显局限------

文本量大时会占用大量 context window
无法做精确检索，只能全量加载
没有"知识之间的关联性"

Holographic 记忆插件是为解决这些问题而生的。

Holographic 是什么

Holographic 是 Hermes 的一个本地记忆扩展插件，名字来源于认知科学中的 HRR（Holographic Reduced Representations，全息降维表示） 理论（Plate, 1995）。

核心特点：

📦 纯本地 --- 基于 SQLite，零依赖，不需要任何外部 API 或云服务
🧮 向量化存储 --- 每条事实都有对应的 HRR 相位向量
🔍 三路混合检索 --- FTS5 全文搜索 + Jaccard 词重叠 + HRR 向量相似度
📊 信任评分系统 --- 每条记忆有动态 trust score，可通过反馈训练
🏷️ 实体关联 --- 自动提取命名实体，支持多实体组合推理

架构：两层记忆并行工作

启用 Holographic 后，Hermes 实际上运行着两套互补的记忆系统：

scss 复制代码

Hermes Agent
├── 内置 Memory (MEMORY.md / USER.md)
│   ├── 形式：Markdown 文本
│   ├── 适合：用户偏好、环境配置等轻量信息
│   └── 机制：每次对话全量注入 prompt
│
└── Holographic (memory_store.db)
    ├── 形式：结构化 facts + HRR 向量
    ├── 适合：项目知识、复杂关联、可推理的事实
    └── 机制：按需检索，trust score 过滤

两个层级同时工作，互补而不替代。

HRR：向量符号架构的核心原理

HRR 是 Holographic 最独特的部分，值得深入理解。

基本思想

传统向量表示（如 word embedding）把词映射到向量空间，但很难表达关系。比如"KEN 使用 Kubernetes"这种结构化知识，用普通向量很难编码。

HRR 用三个代数操作解决了这个问题：

css 复制代码

bind(A, B)    →  相位相加   = 把两个概念"绑定"成一个复合概念
unbind(M, A)  →  相位相减   = 从记忆中取回与 A 关联的概念
bundle(A,B,C) →  相位均值   = 把多个概念"叠加"成一个超级向量

Holographic 的实现方式

每个词通过 SHA-256 生成确定性的相位向量（1024 维），跨进程、跨机器完全一致：

python 复制代码

def encode_atom(word: str, dim: int = 1024) -> np.ndarray:
    """确定性相位向量 --- 同一个词永远映射到同一个向量"""
    uint16_values = []
    for i in range(math.ceil(dim / 16)):
        digest = hashlib.sha256(f"{word}:{i}".encode()).digest()
        uint16_values.extend(struct.unpack("<16H", digest))
    phases = np.array(uint16_values[:dim]) * (2π / 65536.0)
    return phases

一条事实文本通过对词向量执行 bundle（叠加）操作，得到整句话的语义表示，存入数据库的 hrr_vector 字段（BLOB 格式）。

检索流程：三路混合打分

当需要从记忆库中查找相关事实时，Holographic 执行一个三阶段流水线：

yaml 复制代码

输入 Query
    │
    ▼
Stage 1: FTS5 全文搜索 (SQLite 原生)
    │  取 limit×3 个候选
    ▼
Stage 2: 三路重排序
    ├── FTS5 匹配分     × 0.4
    ├── Jaccard 词重叠  × 0.3
    └── HRR 向量相似度  × 0.3
    │
    ▼
Stage 3: Trust Score 加权
    │  final_score = relevance × trust_score
    ▼
返回 Top-K 结果

这个设计很聪明：FTS5 保证关键词精确匹配，Jaccard 处理同义词覆盖，HRR 捕捉语义相近但词面不同的情况。三路互补，没有任何单一方法能独立做到这个效果。

信任评分：让记忆自我进化

每条事实默认 trust_score = 0.5。每次被检索和使用后，可以通过 fact_feedback 工具给反馈：

ini 复制代码

标记 helpful   → trust_score += 0.05
标记 unhelpful → trust_score -= 0.10

分值范围限制在 [0.0, 1.0]，检索时默认过滤 trust_score < 0.3 的事实。

效果：准确的记忆不断被强化，过时或错误的记忆逐渐沉底，最终自动被过滤掉。这是一个简洁但有效的自我进化机制。

与 Hermes 的集成方式

Holographic 通过 MemoryProvider 接口挂入 Hermes 的会话生命周期：

ini 复制代码

Session 开始
  → MemoryManager 加载 HolographicMemoryProvider
  → 注册两个新工具到对话：
      • fact_store  (9种操作)
      • fact_feedback (训练 trust score)

对话中
  → AI 可调用 fact_store(action="add") 主动存入事实
  → 调用 fact_store(action="probe", entity="KEN") 取回某人所有相关事实
  → 调用 fact_store(action="reason", entities=["KEN","K8s"]) 多实体组合查询

Session 结束 (on_session_end hook)
  → auto_extract=true 时，自动从对话提取值得记住的事实
  → 写入 memory_store.db

fact_store 支持的 9 种操作覆盖了完整的知识管理需求：

操作	用途
`add`	存入一条新事实
`search`	关键词混合检索
`probe`	取回某实体的所有相关事实
`related`	查找与某实体结构上相邻的事实
`reason`	多实体组合推理查询
`contradict`	查找互相矛盾的事实（记忆卫生）
`update`	更新已有事实
`remove`	删除事实
`list`	枚举所有事实

实际效果：测试验证

在我的环境中，整个链路的测试结果如下：

bash 复制代码

# 初始化 provider，写入一条事实
provider.initialize('test-session-001')

result = provider.handle_tool_call('fact_store', {
    'action': 'add',
    'content': 'KEN 是 Lead Cloud DevOps Engineer，偏好中文交流，位于中国',
    'category': 'user_pref',
    'tags': 'ken,profile,devops'
})
# → {"fact_id": 1, "status": "added"}

# 检索
result = provider.handle_tool_call('fact_store', {
    'action': 'search',
    'query': 'KEN DevOps'
})
# → {"results": [{"fact_id": 1, "content": "KEN 是 Lead Cloud DevOps Engineer...", 
#                "trust_score": 0.5, "score": 0.316}], "count": 1}

写入、检索全部正常，SQLite 原生，零网络请求。

开启方法

只需两步：

bash 复制代码

# 1. 设置 provider 为 holographic（无需 API key）
hermes config set memory.provider holographic

# 2. 开启自动提取（session 结束时自动从对话中提取事实）
hermes config set plugins.hermes-memory-store.auto_extract true

可选配置（写入 config.yaml）：

yaml 复制代码

plugins:
  hermes-memory-store:
    auto_extract: true
    default_trust: 0.5          # 新事实初始信任分
    min_trust_threshold: 0.3    # 检索时过滤阈值
    temporal_decay_half_life: 0 # 时间衰减（0=关闭）
    hrr_dim: 1024               # 向量维度

总结

Holographic 给 Hermes 带来的不只是"记住更多东西"，而是一套有结构、可推理、能自我进化的知识管理系统：

HRR 向量让语义相似的记忆可以被找到，即使关键词不同
三路混合检索平衡了精确性和语义召回
trust score让记忆质量随使用自动提升
实体关联支持"关于 KEN 的所有事实"这类结构化查询
纯本地 SQLite，隐私安全，无外部依赖

这个架构的设计哲学值得借鉴：不是用 RAG + 向量数据库的重型方案，而是用 SQLite + FTS5 + 简洁的 HRR 代数，在极低复杂度下实现了相当强大的功能。

本文基于 Hermes Agent v0.11.0 实测，Holographic 插件版本 0.1.0。