橙皮书共读｜Hermes Agent（二）深度拆解五大核心支柱：自进化智能体的运行内核

橙皮书共读｜Hermes Agent（二）深度拆解五大核心支柱：自进化智能体的运行内核

前言

上一篇我们从Harness Engineering五层模型出发，厘清了自进化智能体的理论基石，也明确了Hermes五大支柱与Harness五层的对应关系。很多初学者的疑问是：记忆、技能、规则这些功能，普通Agent似乎也能实现，为什么Hermes能被定义为"自进化智能体"？

答案在于：普通Agent的这些能力是零散的、外挂的、完全依赖人工配置的；而Hermes将五大支柱原生内置、深度联动，形成了"执行-反馈-沉淀-复用"的完整闭环------每一次任务执行，都会反向优化系统本身的能力。

本篇我们深入五大支柱的内部架构与运行机制，配合真实配置样例与最小Demo拆解自进化智能体的核心运转逻辑，帮你建立对Hermes系统的完整认知。

版权说明：本文为《Hermes Agent从入门到精通》（橙皮书，作者：花叔）学习解读文章，遵循CC BY-NC-SA 4.0协议，核心理论参考原著，机制解析与场景示例为工程实践补充。

一、Memory：分层持久记忆系统 ------ 自进化的信息底座

普通大模型Agent的记忆仅存在于当前上下文窗口，会话关闭则一切清零：既记不住用户的历史偏好，也留不住过往的执行经验，每次启动都相当于"从零开始"。这是长周期任务、个性化场景下最大的体验短板。

Hermes的Memory系统采用三级分层架构，不同生命周期、不同类型的信息存储在不同层级，兼顾响应效率、Token成本与信息持久化，是整个自进化体系的信息底座。

1. 三层记忆架构

第一层：会话记忆（短期记忆）

存储当前会话的实时交互内容、中间执行结果、临时任务状态，生命周期随会话结束而终止。

• 核心作用：保障单次任务的上下文连贯性，是模型推理与工具调用的直接信息来源；
• 运行特点：读取速度最快，但容量受上下文窗口限制，系统会自动压缩冗余信息，避免Token溢出。

第二层：持久事实记忆（长期记忆）

对应系统中的 MEMORY.md 文件，存储跨会话永久留存的事实性信息、历史任务结论、验证过的知识条目与踩坑记录。

📌 真实样例：MEMORY.md 片段

# 持久记忆库

## 项目相关
- AIQC项目使用Python + LangGraph技术栈，代码仓库位于GitLab云龙架构
- 质检规则包含：格式校验、字段完整性、业务逻辑校验三级
- 2026-07-28：发现CSV空列会导致质检脚本异常，已补充判空逻辑

## 踩坑记录
- ghproxy.net 镜像节点已失效，克隆GitHub仓库使用 mirror.ghproxy.com
- Windows PowerShell执行git命令注意路径不要包含中文空格
- MCP服务默认端口8000，与本地后端服务冲突时需修改配置

## 工具与环境
- 本地开发环境：Python 3.11、Node 20、Git Bash
- 主力大模型：DeepSeek-V3，API接口兼容OpenAI规范

• 写入机制：每次任务结束后，Agent会自动复盘，将具备长期留存价值的信息提炼、去重后写入文件；
• 检索机制：新任务启动时，会根据当前任务关键词做语义检索，将相关信息注入上下文，实现跨会话经验复用；
• 核心价值 ：让Agent真正拥有"长期记忆"，不会重复犯相同错误，也不需要用户反复交代背景信息。
  这一步实际就是harmes之所以能够越用越聪明的核心之一。

第三层：用户画像记忆（专属记忆）

对应系统中的 USER.md 文件，专门存储用户的个人偏好、行为习惯、常用配置、禁忌规则等专属信息。

📌 真实样例：USER.md 片段

# 用户画像

## 输出偏好
- 技术回答优先结构化分点，关键信息加粗
- 代码示例必须可直接运行，附带注释说明
- 拒绝空泛理论，优先给出可落地的操作方案
- 博客文风偏向实战干货，避免过度营销话术

## 工作习惯
- 主要使用PowerShell进行命令行操作
- 代码规范遵循阿里巴巴Java开发手册
- 每天上午9点同步当日工作进度

## 禁忌事项
- 不要输出过度乐观的确定性结论
- 不要推荐未经核实的第三方付费资源

• 核心作用：让Agent持续适配用户使用习惯，一次记住永久生效，不需要每次重复说明需求细节。

2. 记忆系统的核心设计原则

• 写入克制原则：并非所有信息都写入长期记忆，仅沉淀经过验证、具备复用价值的内容，避免记忆冗余和噪声堆积；
• 自动去重更新：新信息写入前比对已有内容，同类信息直接更新旧条目，而非重复追加；
• 分级检索机制：根据任务复杂度决定调用哪几层记忆，短平快任务仅调用会话记忆，复杂长任务才加载全量长期记忆，平衡效果与Token成本。

二、Skills：自进化技能库 ------ 工作流的自动沉淀与复用

如果说Memory沉淀的是"信息与知识"，Skills沉淀的就是"能力与工作流"。这是Hermes区别于普通编排Agent最直观的模块：普通Agent每遇到同类任务，都需要人类重新拆解步骤、编写Prompt；而Hermes成功执行一次，就能自动沉淀为可复用的标准化Skill，下次同类任务直接调用。

1. 什么是Skill

Skill是标准化的工作流文档，全部以明文Markdown文件存储，可读、可编辑、可导入导出。一份完整的Skill包含触发条件、输入输出规范、执行步骤、边界说明、版本记录等字段。

📌 真实样例：gitbug-debug.skill.md（简化版）

# Skill：Git Bug排查与修复
## 触发条件
用户提出Git操作报错、提交冲突、分支异常等问题时自动触发

## 输入
- 报错信息原文
- 当前所在分支
- 最近一次操作记录

## 执行步骤
1. 先复现错误，提取完整报错日志
2. 检索持久记忆中的踩坑记录，确认是否为已知问题
3. 定位根因：区分配置问题、权限问题、冲突问题、网络问题
4. 给出修复命令，逐条执行验证
5. 修复成功后，将新问题写入MEMORY.md踩坑记录

## 输出规范
- 先说明根因，再给出分步修复命令
- 每条命令附带简短说明
- 风险操作必须提前标注注意事项

## 边界
- 不涉及仓库权限修改、强制推送等高危操作
- 涉及代码冲突时，仅提供解决思路，不直接修改业务代码

2. Skill的全生命周期运行链路

1. 自动生成：Agent完成一个全新类型的任务并验证成功后，自动触发复盘流程，将完整执行步骤提炼、标准化，生成对应Skill文件存入技能库；
2. 自动匹配：新任务进入时，Agent先检索技能库，匹配是否有同类历史技能；命中则直接加载执行流程，无需从零规划；
3. 迭代优化：每次调用Skill执行任务后，根据执行结果更新优化Skill内容，补充边界条件、优化步骤细节，让技能越用越完善。

3. 最小Demo：用Python实现极简技能检索逻辑

你可以用十几行代码直观理解Skill的匹配原理：

import os
from difflib import SequenceMatcher

# 加载技能库
def load_skills(skill_dir="./skills"):
    skills = {}
    for file in os.listdir(skill_dir):
        if file.endswith(".skill.md"):
            with open(f"{skill_dir}/{file}", "r", encoding="utf-8") as f:
                skills[file.replace(".skill.md", "")] = f.read()
    return skills

# 语义匹配最佳技能
def match_skill(user_query, skills):
    best_score, best_skill = 0, None
    for name, content in skills.items():
        score = SequenceMatcher(None, user_query, content).ratio()
        if score > best_score:
            best_score, best_skill = score, name
    return best_skill if best_score > 0.3 else None

Hermes内部的检索机制比这个复杂得多，会结合向量检索、关键词匹配、规则判定多层融合，但核心逻辑是一致的：任务进来 → 匹配已有技能 → 命中则复用，未命中则新建并沉淀。

4. 设计价值与补充说明

• 把"一次性的任务执行"转化为"可复用的系统能力"，使用频次越高，系统能力越强；
• 技能以明文形式存在，可人工审核、修改，具备极强的可控性，避免黑盒化；
• 这套机制完全可以基于LangGraph等编排框架自行实现，但需要开发者自行设计生成、检索、更新逻辑；Hermes将其作为原生内置能力，开箱即用。

三、Soul：人格与规则引擎 ------ 全局行为的统一管控

Soul对应Harness模型中的指令层+约束层，解决的是"Agent是谁、能做什么、不能做什么、输出要符合什么标准"的问题，是整个系统的"规则中枢"。

1. Soul的载体与核心内容

Soul的配置全部以明文Markdown文件管理，支持全局+项目级多层级覆盖，核心包括身份设定、行为准则、输出规范、项目专属规则四大类。

📌 真实样例：.hermes.md（全局Soul配置简化版）

# Hermes 全局配置

## 身份
你是一名资深AI工程助手，专注于Agent开发、代码调试与技术方案设计。

## 核心准则
1. 回答必须基于事实，不确定的内容明确说明，禁止编造
2. 涉及命令行操作、代码修改，必须标注风险与回滚方案
3. 优先给出可落地的执行方案，而非空泛理论
4. 禁止执行任何可能破坏系统、泄露隐私的危险操作

## 输出规范
- 技术内容使用结构化分点呈现，关键术语加粗
- 代码块标注语言类型，附带必要注释
- 长文先给结论摘要，再展开细节

## 权限边界
✅ 允许：读取本地项目文件、执行只读命令、生成代码方案
⚠️ 需确认：修改配置文件、执行安装命令、调用外部API
❌ 禁止：删除文件、格式化磁盘、访问非授权目录、越权操作

对应文件包括全局 .hermes.md、项目级 AGENTS.md 等，项目级规则会覆盖全局规则，实现场景化适配。

2. 运行机制

• 每次会话启动、任务执行前，系统自动加载对应层级的Soul配置，注入系统提示词，全程约束模型输出；
• 支持多环境无缝切换：不同项目、不同场景加载不同的Soul配置，无需修改代码；
• 约束前置校验：所有工具调用、输出内容都会先经过Soul规则校验，避免越权操作、违规输出。

3. 对比传统Prompt模式的优势

普通Agent的角色设定、规则约束往往散落在代码的各个Prompt模板里，修改麻烦、难以统一管理，多人协作时极易出现规则不一致的问题。

Soul引擎将所有规则集中化、文件化管理，统一加载、统一生效，规则调整不需要改动业务代码，可维护性大幅提升。

四、Crons：主动调度与多端网关 ------ 从被动响应到主动执行

传统Agent的运行模式是"人类发指令 → Agent执行"，本质是被动工具；而Crons模块让Agent具备了主动执行能力，对应Harness模型的编排层调度能力。

1. 两大核心能力

（1）定时任务调度

支持标准Cron表达式配置周期性任务，到点自动触发执行，无需人工发起指令。

📌 真实样例：crons.yaml 配置片段

tasks:
  # 每天早上9点生成昨日工作日报
  - name: daily-report
    cron: "0 9 * * *"
    skill: work-report-generator
    target: telegram
    params:
      time_range: yesterday

  # 每周一凌晨2点执行AIQC周度质检
  - name: weekly-aiqc-check
    cron: "0 2 * * 1"
    skill: aiqc-quality-inspection
    target: feishu-group
    params:
      dataset: weekly_batch

• 典型场景：每日定时生成工作日报、项目进度同步；定时执行系统巡检、数据备份；每周自动生成周报、月度数据统计；
• 闭环联动：任务执行结果自动写入持久记忆，同时沉淀对应技能，形成"定时执行→持续优化"的正向循环。

（2）多平台消息网关

Crons同时作为多渠道统一接入层，支持CLI命令行、Telegram、Discord、企业微信、飞书等20+平台接入。

• 用户可以在任意终端向Agent下发指令，任务状态与结果也可以推送到指定渠道；
• 底层逻辑完全统一，只需要切换接入配置，不需要重写业务逻辑。

2. 设计意义

Crons让Agent的角色从"随叫随到的工具"，变成了"7×24小时值守的智能助理"；结合记忆与技能系统，它可以自主完成大量周期性、重复性工作，彻底释放人力。

五、Self-improving Loop：自进化闭环 ------ 五大支柱的灵魂联动

前面四个模块是独立的系统组件，而自进化闭环是将它们串联起来的核心机制，也是Hermes"自进化"的本质来源。没有这个闭环，Memory、Skills、Soul、Crons只是四个孤立的功能；有了这个闭环，系统才具备了自主成长的能力。

1. 完整闭环链路

一次完整的自进化循环分为5个步骤：

1. 任务触发：通过人工指令或Crons定时触发任务，系统加载对应Soul规则，检索相关记忆与技能；
2. 执行落地：基于已有技能与记忆完成任务执行，调用对应工具与资源；
3. 结果评估：任务完成后，自动校验结果是否符合要求、是否达成预设目标；
4. 复盘沉淀 ：
   • 任务成功：提炼执行流程，生成或优化对应Skill，关键信息写入持久记忆；
   • 任务失败：记录失败原因、边界条件，更新记忆中的避坑条目，避免下次重蹈覆辙；
5. 能力升级：下一次同类任务启动时，会复用本次沉淀的经验与技能，表现优于上一次。

2. 最小Demo：自进化闭环伪代码

def self_improving_loop(task):
    # 1. 加载上下文
    soul = load_soul_config()
    memory = retrieve_memory(task)
    skill = match_skill(task)

    # 2. 执行任务
    result = execute_task(task, soul, memory, skill)

    # 3. 评估结果
    is_success = evaluate_result(result, task.goal)

    # 4. 复盘沉淀（核心：反向优化系统本身）
    if is_success:
        if skill is None:
            generate_new_skill(task, result)  # 生成新技能
        else:
            optimize_existing_skill(skill, result)  # 优化旧技能
        update_memory(task, result, success=True)
    else:
        update_memory(task, result, success=False)  # 记录踩坑

    return result

3. 关键认知澄清

很多人会误解"自进化"是模型自己微调训练自己，这是完全错误的。

Hermes的自进化，是外围Harness系统的进化，而非模型本身的参数训练。它不修改大模型的参数，不做微调训练，所有的进化都发生在记忆、技能、规则这些外围系统层面。这种模式的优势是：

• 成本极低，不需要额外训练算力；
• 完全可控，所有进化内容都是明文可查的，不会出现不可预知的能力漂移；
• 落地门槛低，基于任意大模型都可以搭建这套机制。

---

六、五大支柱协同运作：一个完整场景示例

我们以AI自动化质检（AIOQC）场景为例，看五大支柱如何配合完成一次自进化循环：

1. Crons触发：每周一凌晨2点，定时任务触发，自动拉取本周的待质检样本；
2. Soul加载：加载质检项目的专属规则，包括质检标准、输出格式、数据权限边界；
3. Memory+Skills检索：自动匹配"AI质检"历史Skill，加载过往沉淀的质检流程、易错点记录；
4. 执行任务：按照技能流程完成全量样本质检，生成结构化质检报告；
5. 闭环沉淀：本次质检的新规则、新坑点写入持久记忆，同时优化质检Skill的步骤，补充本次新增的校验逻辑；
6. 结果推送：Crons将质检报告推送到企业微信对应群组。

每执行一次，质检的准确率、效率就会提升一次，这就是自进化智能体的核心价值。

---

小结与下篇预告

五大支柱中，Memory是信息底座，Skills是能力载体，Soul是规则边界，Crons是执行入口，自进化闭环是串联所有模块的核心机制。它们共同构成了一套完整的、可以持续成长的智能体系统，也是Harness Engineering思想的最佳落地实践。

理解了核心架构之后，下一篇我们进入实战环节，手把手带你从零开始本地部署Hermes Agent，完成环境安装、模型接入、基础配置与CLI调试，所有脚本可直接复制运行。