Memory-os 7 层记忆架构深度解析：让 Hermes Agent 真正 “记住并使用“ 知识

久等啦，最近实在是有点忙，好久没更新，今天带新的干货来啦~

最近在 Github 上看到一个给 Hermes-Agent 专门做的记忆升级系统 memory-os，三天648星，这个增速还是相当可观的。

Memory-os 本身是为了 hermes-Agent 量身打造的，对于其他类型的智能体，比如 Claude code、Clacky 等并不能开箱即用。但是 memory-os 的 7层设计理念是框架无关的，尤其是最后一层的发现机制，对任何做Agent的人都值得借鉴。

Hermes本身有一套记忆系统，Memory-os 是在此基础上进行升级和调整，与 Hermes 原生记忆架构设计对照如下：

	Hermes原生	Memory OS新增/改造
Workspace	MEMORY.md（memory工具写入）+ USER.md（用户录入）	新增 CREATIVE.md，把Icarus的输出从MEMORY.md挪走，解决双Writer冲突
Sessions	state.db存会话 + session_search工具	新增FTS5全文索引 + Icarus自动注入，原来Agent得自己调session_search，现在相关历史自动找上门
Facts	没有	整层全新，memory_store.db、信任评分、fact_feedback反馈循环、矛盾检测
Fabric	Icarus插件上游版（esaradev/icarus-plugin），只能注入fabric，用text[:500]截断	大改Icarus fork，LLM提取替代截断、多源注入（Qdrant+sessions+facts）、CREATIVE.md隔离、社交闭合检测、反引号清洗、系统注入过滤
Qdrant	没有	整层全新，Qdrant混合检索、4级降级、衰减扫描、语义去重
Wiki	没有	整层全新，双管线Wiki策展+持续摄入
Ground Truth	SOUL.md + rulebook.md，3级权威层级（终端输出>官方文档>训练知识）	改了SOUL.md和rulebook.md，层级从3级扩到4级，注入记忆插为第2级

为什么需要增强 Hermes 的记忆系统？

这些痛点不是Hermes独有的，几乎所有Agent框架都有：

• 记忆存了，但Agent不去查，已经教过的东西白教
• 上下文注入了，但Agent当没看见，系统提示里明明有，但是没有遵守，没有执行
• 会话间有断层，昨天聊的架构决策，今天全忘了（需主动提示Agent查历史记忆）
• 记忆只增不减，时间长了记忆太多，没有衰减和归档机制，有用的信号被淹没
• 知识散落各处，结构化事实、聊天记录、项目文档各管各的，没有组织

Memory-os 要做的就是解决上面这些问题（当然目标是这样的啦），要让 Agent 从 "有记忆" 变为 "用记忆"。

---

7层架构全貌

Memory-os 按 生命周期 和 访问模式，把整个 Agent 记忆分为7层。

层	名字	存什么	干什么	来源
Layer 1	Workspace	用户画像、偏好、创意状态	每轮都在，Agent随时能看见"你是谁"	Hermes原生 + Memory OS新增CREATIVE.md
Layer 2	Sessions	全部聊天记录	能翻历史，回顾"之前说了什么"	Hermes原生存储 + Memory OS加搜索注入
Layer 3	Structured Facts	结构化事实+信任评分	知道哪些信息靠谱，哪些过时	Memory OS全新
Layer 4	Fabric	跨会话结构化笔记	聊天记录是流水账，这层存提炼后的经验卡片	Hermes原生Icarus + Memory OS大改
Layer 5	Qdrant	向量化知识库	前四层靠精确匹配或关键词，这层补语义搜索	Memory OS全新
Layer 6	LLM Wiki	自策展知识库	向量库只管搜到，Wiki管组织，从信息到知识	Memory OS全新
Layer 7	Ground Truth	身份文档中的权威层级	前6层保证记忆在提示词里，这层保证Agent用	Hermes原生3级 + Memory OS扩为4级

其中 Layer 7 比较特殊，它不是一个物理存储层，而是偏向 概念层。这一层的目标不是管理记忆存储，而是管理 Agent 对注入的记忆内容的态度，该不该信？该不该用？这个问题比记忆如何存储和获取都重要，放在后面讲。

7层架构的完整协作流程，可以参考下面的小例子直观理解下：

信息产生（对话中）
    │
    ├→ Layer 2 立即落盘：聊天记录存入SQLite（Hermes原生自动完成）
    ├→ Layer 1 实时更新：用户偏好写入MEMORY.md，创意状态写入CREATIVE.md（Memory OS）
    │
    ▼ 会话结束
    │
    ├→ Layer 3 结构化提取：Icarus调用LLM从对话中提取事实，存入fact_store（Memory OS）
    ├→ Layer 4 经验卡片：Icarus提取决策/方案/注意事项，写成Fabric条目（Memory OS改造）
    │
    ▼ 定时任务（每小时/每天/每周）
    │
    ├→ Layer 6 知识策展：Wiki Agent从raw/提取概念/实体/对比，生成 Wiki 页面（Memory OS）
    ├→ Layer 5 向量化：Wiki 文件经SHA-256 diff检测，嵌入后 upsert 到 Qdrant（Memory OS）
    │
    ▼ 用户发来新消息
    │
    ├→ Icarus pre_llm_call 钩子触发（Memory OS改造）
    ├→ 并行查询4个源：Fabric / Qdrant / Sessions / Facts
    ├→ 各自设阈值过滤，去重，组装进系统提示
    │
    ▼ Agent推理
    │
    └→ Layer 7 生效：SOUL.md中的4级权威层级告诉Agent
       注入的记忆是Ground Truth，不要假装没看见（Memory OS）

---

Layer 1 Workspace：常驻记忆，永远可见

来源 ：Hermes原生有 MEMORY.md 和 USER.md，Memory OS 新增了 CREATIVE.md。

三个文件都在 Hermes 目录下，每轮对话都注入系统提示，属于全局记忆，Agent不需要搜索就能看见。

文件	谁来写	存什么	来源
MEMORY.md	memory工具，用§分隔符追加条目	Agent的持久记忆：环境事实、工具特性、项目约定	Hermes原生
USER.md	用户手写	静态用户画像：你是谁、偏好、工作流	Hermes原生
CREATIVE.md	Icarus插件	Agent的创意状态：学习心得、开放问题、循环计数	Memory OS新增

CREATIVE.md 其实有点像是一个 bug fix。在 Hermes 原生记忆系统中， MEMORY.md 会同时被 memory 工具和 Icarus 插件修改，容易导致内容的覆盖。 CREATIVE.md 单独拆出来以后，memory 工具只修改 MEMORY.md，Icarus 插件只修改 CREATIVE.md，互不干扰。

---

Layer 2 Sessions：聊天记录+自动搜索注入

来源 ：Hermes 原生有 session 存储（state.db + session_search工具），Memory-os加了 FTS5 全文索引和 Icarus 自动注入。

Hermes 原生就对所有的对话记录有着不错的管理，不论是存储还是搜索。但是原生框架的对话搜索是交给模型自己决策的，需要搜索的时候模型会调用 session_search 工具进行搜索。如果模型觉得不需要搜索，那么就不会调用工具，此时的对话记忆也就不会生效。

Memory-os 的做法是让 Icarus 在 pre_llm_call 阶段自动查相关历史，注入系统提示。即使 Agent 不搜，相关对话记忆也会自己找上门。

这是 Memory-os 反复用到的一个设计思想，不要等Agent主动调工具，在它思考之前就把相关信息喂过去。 后面Layer 3、4、5的注入都是同一个思路。

特别注意 ，Lay2 用到的搜索方法 FTS5 是 关键词搜索，不是语义搜索，用英文措辞搜索可能搜不到中文表达的同一个意思。所以后面还会有 Layer 5（Qdrant向量搜索）来补上语义搜索的缺口。

---

Layer 3 Structured Facts：结构化事实+信任评分

来源：全部由 memory-os 构建，Hermes 原生没有结构化事实存储。

Fact Store 存的不是原始文本，而是结构化后的事实数据。每个事实有类别（用户偏好/项目信息/工具/通用）、实体标签、信任评分、被检索次数、被标记有用次数。

聊天记录是流水账，废话多，信息密度低。比如上次对话提到过 "用pnpm不用npm"，但这个信息会混在几百行对话里，噪声太大。Layer 3 把关键事实单独提出来，结构化存储，搜索时直接按实体或关键词命中，不用遍历全部记忆。

Layer 3 层有一个很不错的设计 ，就是关于信息的 信任评分。有时候我们会遇到一件事前后矛盾，比如以前可能让模型用React开发，但是过了一段时间以后，需要用Vue开发了。当 Agent 在做开发检索的时候，React这条信息和Vue这条信息同时被检索出来，到底哪个是对的？信任评分就是用于解决这类问题。

初始的时候，所有的信息评分都是0.5。后续基于每次信息的检索，会记录该信息的被检索次数 retrieved，以及检索到被标记为有用的次数 helpful。那么一段时间后，这条信息的 $信任评分=0.5+helpful/retrieved信任评分=0.5+helpful/retrieved$ 信任评分=0.5+helpful/retrieved。

这个信任评分机制其实还有个问题，作者的原话如下：

When you retrieve a fact via probe, search, or reason and reference it in your response, you MUST call fact_feedback in the same turn. Without feedback, trust_score is ornamental and fact quality degrades silently.

也就是说，模型必须要保证每次检索到信息后，要持续调用工具反馈信息的有用程度。如果长时间不反馈，则 $helpful/retrieved\approx 0helpful/retrieved\; \backslash approx\; 0$ helpful/retrieved≈0，那么信任评分的机制就失效了。

Memory-os 里信任评分这个问题其实也没完全解决。但它确实说明一件事，任何需要持续反馈才能生效的机制，如果反馈没有自动化，最终都会退化成摆设。

---

Layer 4 Fabric：跨会话经验卡片

来源：Hermes原有Icarus插件，Memory-os 改版很多，基本把原来的方式替换掉了。

Hermes 原生会在会话结束时从对话中提取笔记存为 Fabric 条目。提取方式是粗暴截断text[:500]，前500字符，剩下的扔掉。本质上 Hermes 对于跨会话的信息没有做精细化设计，只是粗暴的把其他会话的信息截取一部分拿过来，让 Agent 知道之前对话的落点在哪里就行了。

Memory-os 修改后的方案是，每个会话结束时 Icarus 用 LLM 从对话中提取结构化笔记（而非暴力截断），存为Markdown + YAML frontmatter：

---
id: "29914be5"
type: "resolution"
summary: "Fixed MEMORY.md corruption from dual-writer conflict"
training_value: "high"
status: "completed"
---
## Context
...
## Action/Decision
...
## Outcome
...

Hermes 原生的方式相当于今天上班的时候，把昨天的会议主题给你看了一下，顺带给你看了会议记录的前500个字。如果会议记录很长，其实你获得的信息并不完全，但是你能大体知道昨天干了点啥，这就是原来的设计理念。

Memory-os 修改后，相当于今天上班的时候，把昨天的会议总结给你看了。总结内容里面要干的事情都列清楚了，可能不是很详细，但是每一个点都在，基本能够比较完整的还原昨天的会议信息。

---

Layer 5+6：wiki 生成 + wiki 检索

来源：两层全新，且互为上下游------Layer 6 是 wiki 生产层，Layer 5 是 wiki 检索层。

从数据处理流程来看，其实 Layer 6 是先于 Layer 5 的，先生成信息再进行检索。但是从 Agent 使用的角度看，Layer 5 是实实在在的信息检索层，Layer 6 则偏向更下面的数据基座，甚至 Layer 6 对于 Agent 而言是无感的。

前面的4层解决了 Agent 的工作记忆，做过哪些事、用户提过哪些要求等等。但是更庞杂的信息，比如用户之前构建的技术规范，需求文档，或者项目的架构设计，这些实实在在的大产出，并不是简单放在记忆里就能解决的。Layer 5 + Layer 6 的组合，就是用来解决这一类问题。

首先来看看 Layer 6 如何生成 wiki

Layer 6 生成内容的时机由两条定时任务控制，Wiki Agent 和 Vault Curator。Wiki Agent 每周两次调度，周一/周四凌晨3点。Vault Curator 每周一次（周末）。

Wiki Agent 是策展管线，处理流程如下：

1. 看全貌：读 SCHEMA.md + index.md + log.md，搞清已有页面、标签分类、最近动作
2. 扫新文件：遍历 raw/ 目录下未处理的文档
3. 策展：对每个文件自主判断------值不值得建页？建 concept / entity / comparison 哪种？
   生成 markdown 写入对应目录，带上 YAML frontmatter、wikilink、回链 source

Vault Curator 是补充管线，不管新文件，只处理已有页面：

Phase 1：补全缺失的 frontmatter 字段
Phase 2：添加语义 wikilink（发现该连没连的页面）
Phase 3：更新 index.md 总目录

然后看看 Layer 5 如何使用 wiki

Layer 5 的信息向量化，同样来源于定时任务，每一个小时做一次信息的向量化。每个内容通过调 Qwen3-Embedding-8B 生成4096维Dense向量，同时调 FastEmbed 的 BM25 生成稀疏向量（稠密+稀疏双检索）。

Layer 5 层的 wiki 向量化：

1. 扫描变更：遍历所有 .md，SHA-256 比对状态文件，只处理新增/修改的文件
2. 入队 Redis：ARQ Worker 从队列取 job
3. 双向量嵌入：Dense（Qwen3-Embedding-8B，4096维）+ Sparse（FastEmbed BM25）
4. 去重写入 Qdrant：cosine ≥ 0.92 的近重复点合并 payload，< 0.92 直接 upsert

Layer 5 层的信息检索和降级策略：

Level 1 混合检索（Dense向量 + BM25稀疏 → RRF融合排序）
   ↓ 检索失败
Level 2 仅Dense向量检索
   ↓ Qdrant整个挂了
Level 3 词法搜索（直接 grep wiki 目录下的 .md 文件）
   ↓ vault目录都不存在
Level 4 SQLite 关键词搜索（搜 lineage 表）
   ↓ 全挂
不注入，fail-open，Agent照样干活

所以本质上，Layer 5 + Layer 6 其实就是给 Agent 补充了一个 RAG 知识库。

---

Layer 7 Ground Truth Hierarchy：相信相信的力量

来源：Hermes 原生有3级权威层级，Memory-os 扩为4级。

到这一层，Agent 已经拥有了完整的一套记忆系统，包括记忆检索、wiki检索等等，但是如果给到 Agent 的信息 Agent 不用，那就白搭了。所以 Layer 7 的目的，就是保证给到 Agent 的信息，Agent 必须奉为真理去应用。

Layer 7 的核心部分，其实就是下面两段prompt：

2. **Injected memory --- [qdrant], [fabric], [sessions], [facts]** --- Ground
   truth for documented knowledge and prior decisions. These are delivered
   by the `pre_llm_call` hook before every turn and represent what has
   already been built, decided, or documented. When injected memory
   contradicts your assumptions or training knowledge, injected memory wins.
   Never treat a question as novel when the answer is already in your prompt.

## Context injection convention

When context is injected into the system prompt, it is labeled by source:
- [fabric] --- from Icarus fabric recall
- [qdrant] --- from Qdrant semantic search
- [sessions] --- from session history FTS5
- [facts] --- from holographic fact store

Injected memory takes priority level 2 in Ground Truth. This means: you
already know this. Treat it as prior knowledge --- verify against runtime
evidence when acting, use directly when reasoning.

这两段其实做的是一件事，就是告诉 Agent，所有给你注入的信息，都是绝对真实可靠的，是属于 Agent 自身掌握的信息，放心大胆的用。

---

Memory-os 7 层记忆总结

回过头来再总结一下7层记忆架构都做了哪些：

• Layer 1 ：解决 Agent 对用户身份、长期偏好和当前工作状态的基础认知问题，是全局常驻的核心记忆层，在 Hermes 原生两个 MD 文件基础上新增 CREATIVE.md，解决了双写入冲突。

• Layer 2 ：解决会话间上下文断层和 Agent 不会主动查历史的问题，是原始对话的自动召回层，在 Hermes 原生会话存储基础上增加 FTS5 索引和预注入钩子，实现相关历史主动找上门。

• Layer 3 ：解决聊天记录信息密度低、新旧事实矛盾的问题，是经过提纯的可信事实底座，为 Memory-os 全新设计的一层，专门沉淀结构化、带信任评分的关键信息。

• Layer 4 ：解决跨会话经验无法有效复用的问题，是原始对话到结构化知识的中间转化层，彻底重构了 Hermes 原生粗暴截断的提取逻辑，用 LLM 生成标准化经验卡片。

• Layer 5+6 ：解决 Agent 无法处理海量长周期项目知识的问题，是完整的自研 RAG 闭环，为 Memory-os 全新增加的两层，实现知识自动策展、向量化和多级容灾检索。

• Layer 7 ：解决记忆存了、查了但 Agent 就是不用的终极痛点，是整个记忆系统的规则保障层，在 Hermes 原生 3 级权威体系基础上扩容为 4 级，强制模型优先采信注入的记忆。

---