Hermes-Agent 技术架构

一、Hermes-Agent 技术架构（结合源码结构的真实形态）

基于 repo 结构（agent/, acp_registry/, cron/, skills/, gateway 等）和官方说明，可以抽象为下面这个真实工程架构：

二、核心技术概念（不是泛泛 Agent，而是它的"特有机制"）

1️⃣ Skill = 程序化记忆（最关键）

Hermes 的核心抽象不是 Tool，而是：

Skill = 可复用的"解决方案模板"

以 SKILL.md 存储（类似 DSL）
包含：
- 任务描述
- 步骤
- 调用工具方式
可被自动加载和触发 (NOUS RESEARCH)

👉 本质：

复制代码

LLM Prompt → 演化成 可执行策略

这比 LangChain 的 tool 更高一层。

2️⃣ Memory 体系

Hermes 的 memory 是多层的：

会话日志（raw）
FTS5 全文搜索（SQLite）
LLM summary（跨 session recall）
USER profile（用户建模） (GitHub)

👉 关键点：

它不是"查知识"，而是"查经验"

3️⃣ Subagent（并行执行）

每个子 agent：
- 独立上下文
- 独立工具
支持并行 pipeline (GitHub)

👉 等价于：

复制代码

DAG + 分布式 Agent 执行

4️⃣ Tool RPC 系统

Python script 可调用工具
工具通过 RPC 执行
避免 token 消耗（zero-context execution）

👉 关键价值：

把 LLM 从"执行器"变成"调度器"

5️⃣ Multi-model routing

支持 200+ 模型切换 (GitHub)
可动态切换推理模型

👉 类似：

复制代码

Router → 根据任务选模型

三、最关键问题：自学习能力是怎么实现的？

这是 Hermes 的核心创新。

closed learning loop（闭环学习） (GitHub)

🧠 核心机制拆解（非常关键）

3.1、Learning Loop（自学习）的本质一句话

Hermes 的"自学习"不是训练模型，而是：

把执行轨迹（trajectory）变成可复用的"策略程序（Skill）"

3.2、核心闭环架构图

3.3 、Learning Loop 分解（真正实现逻辑）

1️⃣ Step 1：Trajectory Capture（轨迹记录）

每次任务执行时，系统记录：

css 复制代码

User Input
→ LLM 思考过程
→ Tool 调用序列
→ 每一步结果
→ 最终输出

👉 本质是：

bash 复制代码

execution trace log

2️⃣ Step 2：Reflection（反思阶段）

任务结束后触发：

csharp 复制代码

success ? failure ? partial success ?

然后 LLM 会做：

哪些步骤是重复的
哪些是可以抽象的
是否有固定 pattern

👉 关键点：

这里不是训练模型，而是"总结经验"

3️⃣ Step 3：Pattern Extraction（模式提取）

系统会把：

复制代码

"具体执行步骤"

转成：

复制代码

"通用策略模板"

例如：

arduino 复制代码

run simulation → extract waveform → analyze signal

变成：

markdown 复制代码

RTL debug pattern:
1. run sim
2. extract signals
3. check condition

4️⃣ Step 4：Skill Synthesis（技能生成）

核心步骤：

objectivec 复制代码

LLM → 将 pattern 转成 SKILL.md

Skill 包含：

适用条件
执行步骤
调用工具

👉 本质：

LLM 写"自动化脚本（高级版 prompt program）"

5️⃣ Step 5：Skill Store（存储）

Skill 被存入：

diff 复制代码

- SKILL registry
- local file (SKILL.md)

并建立索引：

embedding
keyword
context tag

6️⃣ Step 6：Future Matching（复用）

下次任务：

lua 复制代码

User input → semantic match → skill hit

流程：

sql 复制代码

query
 ↓
embedding search
 ↓
best skill match
 ↓
direct execution

7️⃣ Step 7：在线优化（最关键）

Skill 不是静态的：

复制代码

执行失败 → 修改 skill
执行成功 → 强化 skill

👉 形成闭环：

复制代码

不断进化的执行策略库

3.4、Learning Loop 本质（工程视角总结）

Hermes 的学习不是"训练模型"

而是：

把 LLM 的一次执行过程 → 转化为"可执行程序（Skill）"

它的本质循环是：

sql 复制代码

执行（Execution）
   ↓
记录（Trajectory）
   ↓
抽象（Pattern）
   ↓
生成（Skill）
   ↓
复用（Reuse）
   ↓
优化（Refine）

3.5、结合你 RTL 场景（非常重要）

第一次

arduino 复制代码

分析 ALU overflow
→ LLM 推理 + tool 调用
→ 找出问题

Hermes 学习后

生成 Skill：

arduino 复制代码

RTL overflow check:
1. run sim
2. extract alu_out
3. check sign bit
4. compare carry

第二次

复制代码

直接调用 skill
→ 不再推理
→ 直接执行

3.6 一句话总结

Hermes 的 Learning Loop 本质是一个"经验程序化系统"，它通过记录 Agent 执行轨迹，将成功的任务执行过程抽象为 Skill，并在后续任务中通过语义匹配实现自动复用，从而让系统在使用过程中不断提升执行效率与稳定性，而不是通过模型训练提升能力。

四、它本质上属于哪类 AI 架构？

可以精准定义为：

👉 "Agentic Operating System"

融合了：

领域	对应实现
LLM Agent	ReAct loop
RAG	Memory + FTS
AutoGPT	多步任务
RL	trajectory + improvement
编译器	Skill生成
OS	tool + process + scheduler

五、为什么它比普通 Agent 强

普通 Agent：

复制代码

LLM → Tool → 输出

Hermes：

复制代码

LLM → Tool → 总结 → Skill → Memory → 自优化 → 下一次更强

👉 多了一个：

经验沉淀层（Experience Layer）

六、重点理解的 3 个"精髓"

如果你要复刻/理解 Hermes，只抓这三个：

1️⃣ Skill System（核心抽象）

→ 把经验变成"程序"

2️⃣ Learning Loop（闭环）

→ 自动生成 + 优化 skill

Execute task
Record trajectory
Analyze success/failure
Extract reusable pattern
Store as skill
Reuse in future tasks

3️⃣ Memory + Retrieval（经验驱动）

→ 不是知识，是行为模式