【AI】Hermes Agent 提示词优化与闭环机制

Hermes 的长期记忆不是「全量保存一切对话」，而是 分层存储 + 主动策展 + 容量硬限制 。会遗忘、会遗漏细节，而且 很多细节是刻意不记的。

一、记忆体系总览（四层）

text 复制代码

┌─────────────────────────────────────────────────────────────────┐
│ Layer 1: 内置策展记忆 (MEMORY.md + USER.md)                      │
│   ~2200 + ~1375 字符，每 session 冻结注入 system prompt           │
├─────────────────────────────────────────────────────────────────┤
│ Layer 2: 会话全量存储 (SQLite + FTS5, state.db)                  │
│   所有对话原文保留，按需 session_search 检索（不占固定 prompt）    │
├─────────────────────────────────────────────────────────────────┤
│ Layer 3: 程序性记忆 (Skills, SKILL.md)                           │
│   工作流/方法论，体量大，按需 skill_view 加载                      │
├─────────────────────────────────────────────────────────────────┤
│ Layer 4: 外部记忆 Provider (Honcho/Mem0/Hindsight 等，最多 1 个) │
│   语义检索、用户建模、自动抽取，与内置记忆并行                       │
└─────────────────────────────────────────────────────────────────┘

层级	存储位置	容量	注入方式	典型内容
MEMORY.md	`~/.hermes/memories/`	~2200 字符	每 session 开头 frozen snapshot	环境、项目惯例、工具坑
USER.md	同上	~1375 字符	同上	用户偏好、沟通风格
Session DB	`~/.hermes/state.db`	无上限	`session_search` 按需	完整历史对话
Skills	`~/.hermes/skills/`	无硬限	索引在 prompt，正文按需加载	复杂工作流
External Provider	云端/本地 DB	依 provider	prefetch → user message	语义相关回忆

二、长期记忆如何实现？

1. 写入路径（四条）

路径 A：Agent 主动写（foreground）

模型在对话中调用 memory 工具：

text 复制代码

memory(action="add", target="user", content="用户偏好 TypeScript")
memory(action="replace", target="memory", old_text="...", content="...")
memory(action="remove", target="memory", old_text="...")

写入后立即落盘，但 不会更新当前 session 的 system prompt（见下文 frozen snapshot）。

路径 B：后台自改进 review（background）

每 10 个 user turn （默认 memory.nudge_interval: 10）触发一次后台 review：

160:168:hermes-agent/agent/background_review.py 复制代码

_MEMORY_REVIEW_PROMPT = (
    "Review the conversation above and consider saving to memory if appropriate.\n\n"
    "Focus on:\n"
    "1. Has the user revealed things about themselves --- their persona, desires, "
    "preferences, or personal details worth remembering?\n"
    "2. Has the user expressed expectations about how you should behave, their work "
    "style, or ways they want you to operate?\n\n"
    "If something stands out, save it using the memory tool. "
    "If nothing is worth saving, just say 'Nothing to save.' and stop."
)

Fork 一个子 Agent，白名单只有 memory + skill_manage，主对话结束后异步跑，不抢用户任务的注意力。

路径 C：外部 Provider 自动同步

每 turn 结束后（非 interrupted）：

text 复制代码

memory_manager.sync_all(user_msg, assistant_response)      # 写入 provider
memory_manager.queue_prefetch_all(user_msg)                # 为下轮预热检索

Session 结束或压缩前还会 commit_memory_session() → on_session_end() 做抽取。

路径 D：上下文压缩前的抢救

压缩丢弃中间消息前，调用 on_pre_compress(messages)，让 provider 把即将丢失的内容提炼进外部记忆或压缩摘要。

2. 读取路径（三条）

读取 A：Session 启动时 frozen snapshot

text 复制代码

load_from_disk() → 捕获 _system_prompt_snapshot → 注入 volatile tier

整个 session 内 字节级不变，保证 LLM prefix cache 稳定。

读取 B：每 turn 的 prefetch

text 复制代码

memory_manager.prefetch_all(user_query) → 追加到当前 user message（非 system prompt）

Honcho 等 provider 做语义召回，只注入与当前 query 相关的片段。

读取 C：按需 session_search

Agent 主动搜历史：

text 复制代码

session_search(query="auth refactor", limit=3)
session_search(session_id="...", around_message_id=12345)

FTS5 全文检索，不经过 LLM 摘要，返回原始消息。

3. 生命周期示意

#mermaid-svg-Cb1VJjddD4FDVVHe{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-Cb1VJjddD4FDVVHe .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-Cb1VJjddD4FDVVHe .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-Cb1VJjddD4FDVVHe .error-icon{fill:#552222;}#mermaid-svg-Cb1VJjddD4FDVVHe .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-Cb1VJjddD4FDVVHe .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-Cb1VJjddD4FDVVHe .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-Cb1VJjddD4FDVVHe .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-Cb1VJjddD4FDVVHe .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-Cb1VJjddD4FDVVHe .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-Cb1VJjddD4FDVVHe .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-Cb1VJjddD4FDVVHe .marker{fill:#333333;stroke:#333333;}#mermaid-svg-Cb1VJjddD4FDVVHe .marker.cross{stroke:#333333;}#mermaid-svg-Cb1VJjddD4FDVVHe svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-Cb1VJjddD4FDVVHe p{margin:0;}#mermaid-svg-Cb1VJjddD4FDVVHe .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-Cb1VJjddD4FDVVHe .cluster-label text{fill:#333;}#mermaid-svg-Cb1VJjddD4FDVVHe .cluster-label span{color:#333;}#mermaid-svg-Cb1VJjddD4FDVVHe .cluster-label span p{background-color:transparent;}#mermaid-svg-Cb1VJjddD4FDVVHe .label text,#mermaid-svg-Cb1VJjddD4FDVVHe span{fill:#333;color:#333;}#mermaid-svg-Cb1VJjddD4FDVVHe .node rect,#mermaid-svg-Cb1VJjddD4FDVVHe .node circle,#mermaid-svg-Cb1VJjddD4FDVVHe .node ellipse,#mermaid-svg-Cb1VJjddD4FDVVHe .node polygon,#mermaid-svg-Cb1VJjddD4FDVVHe .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-Cb1VJjddD4FDVVHe .rough-node .label text,#mermaid-svg-Cb1VJjddD4FDVVHe .node .label text,#mermaid-svg-Cb1VJjddD4FDVVHe .image-shape .label,#mermaid-svg-Cb1VJjddD4FDVVHe .icon-shape .label{text-anchor:middle;}#mermaid-svg-Cb1VJjddD4FDVVHe .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-Cb1VJjddD4FDVVHe .rough-node .label,#mermaid-svg-Cb1VJjddD4FDVVHe .node .label,#mermaid-svg-Cb1VJjddD4FDVVHe .image-shape .label,#mermaid-svg-Cb1VJjddD4FDVVHe .icon-shape .label{text-align:center;}#mermaid-svg-Cb1VJjddD4FDVVHe .node.clickable{cursor:pointer;}#mermaid-svg-Cb1VJjddD4FDVVHe .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-Cb1VJjddD4FDVVHe .arrowheadPath{fill:#333333;}#mermaid-svg-Cb1VJjddD4FDVVHe .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-Cb1VJjddD4FDVVHe .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-Cb1VJjddD4FDVVHe .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-Cb1VJjddD4FDVVHe .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-Cb1VJjddD4FDVVHe .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-Cb1VJjddD4FDVVHe .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-Cb1VJjddD4FDVVHe .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-Cb1VJjddD4FDVVHe .cluster text{fill:#333;}#mermaid-svg-Cb1VJjddD4FDVVHe .cluster span{color:#333;}#mermaid-svg-Cb1VJjddD4FDVVHe div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-Cb1VJjddD4FDVVHe .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-Cb1VJjddD4FDVVHe rect.text{fill:none;stroke-width:0;}#mermaid-svg-Cb1VJjddD4FDVVHe .icon-shape,#mermaid-svg-Cb1VJjddD4FDVVHe .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-Cb1VJjddD4FDVVHe .icon-shape p,#mermaid-svg-Cb1VJjddD4FDVVHe .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-Cb1VJjddD4FDVVHe .icon-shape .label rect,#mermaid-svg-Cb1VJjddD4FDVVHe .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-Cb1VJjddD4FDVVHe .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-Cb1VJjddD4FDVVHe .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-Cb1VJjddD4FDVVHe :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 是
否
是
用户对话
Agent 是否调用 memory 工具?
写入 MEMORY.md / USER.md
可能不记
sync_all → 外部 Provider
每 10 turn?
Background Review 抽取
磁盘持久化
下个 Session 才进入 system prompt
SQLite 全量存储
session_search 按需召回

三、会遗忘吗？会遗漏细节吗？

会，而且多数是设计使然。

1. 容量硬限制 → 被迫遗忘/合并

Store	默认上限	典型条目数
memory	2200 字符	8--15 条
user	1375 字符	5--10 条

写满时 不会静默截断 ，而是返回错误，要求 Agent 用 replace/remove 合并或删除旧条目后再写。

旧信息被挤掉 = 主动遗忘。

2. 系统级「不该记什么」------刻意不记细节

MEMORY_GUIDANCE 和 memory 工具 schema 都明确写了 skip 规则：

151:171:hermes-agent/agent/prompt_builder.py 复制代码

MEMORY_GUIDANCE = (
    ...
    "Do NOT save task progress, session outcomes, completed-work logs, or temporary TODO "
    "state to memory; use session_search to recall those from past transcripts. "
    "Specifically: do not record PR numbers, issue numbers, commit SHAs, 'fixed bug X', "
    "'submitted PR Y', 'Phase N done', file counts, or any artifact that will be stale "
    "in 7 days. If a fact will be stale in a week, it does not belong in memory. "
    ...
    "Procedures and workflows belong in skills, not memory."
)

刻意不记的内容包括：

任务进度、完成日志、临时 TODO
PR/Issue 号、commit SHA
7 天内会过期的信息
琐碎/可 Google 的事实
原始数据 dump
可复现的工作流（应进 Skill，不进 Memory）

3. Agent 可能「该记却没记」

记忆依赖 模型是否调用 memory 工具，不是自动全量抽取：

用户没明确说「记住这个」时，可能漏记
Background review 可能返回 "Nothing to save."
写满且 consolidate 失败（每 turn 最多 3 次）→ 直接 skip
memory.write_approval: true → 写入需人工批准，未批准则不落盘

4. Frozen Snapshot → 同 session 内「看不见刚写的」

text 复制代码

Session 开始: snapshot = load_from_disk()
Session 中:   memory(action="add") → 磁盘更新，但 snapshot 不变
Session 内 LLM: 仍看 session 开始时的旧 memory
下个 Session:  重新 load_from_disk() → 新 memory 才进 prompt

同 session 内 Agent 写 memory 后，system prompt 里的 memory 块不会变；只有 tool 返回能看到最新状态。跨 turn 的「即时记忆更新」在 prompt 层是滞后的。

5. 上下文压缩 → 对话细节丢失

长对话 token 超限时，中间轮次被 LLM 摘要 替换：

保留首尾 N 轮
中间变成一段 summary（有损）
压缩前 on_pre_compress 可抢救一部分到外部 memory
压缩后 commit_memory_session() 触发 session-end 抽取

未写入 MEMORY.md 也未被 provider 抽取的细节，压缩后就找不回来了 （除非还在 SQLite 原文里，需 session_search）。

6. 外部 Provider 也是选择性记忆

Honcho/Mem0 等会做语义抽取和去重，不是 verbatim 存储；sync_all 在 interrupted turn 时跳过，避免污染：

3389:3391:hermes-agent/run_agent.py 复制代码

        if interrupted:
            return

四、三层记忆的职责分工

text 复制代码

MEMORY.md / USER.md     → 「永远该知道的关键事实」（极小、高信号）
session_search (SQLite) → 「某次对话里说过什么」（全量、按需、免费）
Skills                  → 「怎么做某类事」（流程、步骤、reference）
External Provider       → 「跨 session 语义关联 + 用户建模」（智能但有损）

官方对比（memory.md）：

	持久 Memory	Session Search
容量	~1300 tokens 固定	无限
速度	每 turn 都在 prompt 里	~20ms FTS5
成本	占 prompt token	按需、无 LLM 成本
适用	关键事实常驻	「上周讨论过 X 吗？」

五、记忆闭环如何运转

text 复制代码

用户纠正/表达偏好
    ↓
MEMORY_GUIDANCE 引导 Agent 主动 memory(action="add")
    ↓
或每 10 turn → Background Review 抽取
    ↓
写入 MEMORY.md / USER.md（受字符上限约束，需合并旧条目）
    ↓
下个 Session → frozen snapshot 注入 system prompt
    ↓
用户不必重复纠正（若 Agent 记对了）

复杂工作流
    ↓
SKILLS_GUIDANCE → skill_manage 创建/修补 Skill
    ↓
Skills Index 在 prompt 里，正文按需 skill_view 加载

历史细节
    ↓
不写入 Memory（按设计）
    ↓
留在 SQLite → session_search 按需找回

六、结论

问题	答案
如何实现长期记忆？	文件策展 (MEMORY/USER) + SQLite 全量 + Skills + 可选外部 Provider + 后台 review
会遗忘吗？	会：容量挤占、explicit remove、压缩摘要、7 天过期规则
会遗漏细节吗？	会：只记「 durable facts」，任务细节/进度/PR 号等刻意不记
细节去哪了？	完整对话在 SQLite，用 `session_search` 按需查；流程进 Skills
是 bug 还是设计？	主要是设计：Memory 是「高信号摘要」，不是 transcript 备份

如果关心的是「Hermes 会不会像人一样记住每次对话的所有细节」------不会。它更像：小笔记本（MEMORY）+ 无限档案室（SQLite）+ 操作手册（Skills）+ 可选的长期语义记忆（Provider），并且 notebook 有严格页数限制，Agent 被明确 instruct 不要往 notebook 里塞细节。