研究员：黄山（wairesearch） 日期：2026-04-23 版本：1.0
执行摘要
Hermes Agent 是 Nous Research 开发的开源自进化 AI Agent 框架（GitHub 90k+ Stars，MIT 协议）。在上一篇文章中，我们拆解了它的自动 Skill 创建机制。今天我们深入另一个核心模块——记忆系统。
Hermes 的记忆架构分为三层内建记忆 + 外部记忆提供者插件，选择了 SQLite FTS5 而非向量数据库作为核心检索方案。这是一个务实且高效的设计选择，解决了 AI Agent 最基本的问题：失忆。
Hermes Agent 快速回顾
| 属性 | 内容 |
|---|---|
| 开发者 | Nous Research |
| GitHub Stars | 90,300+（截至 2026-04） |
| 版本 | v0.9.0 |
| 协议 | MIT |
| 定位 | “The agent that grows with you” — 自进化 AI Agent |
| 支持平台 | Telegram、Discord、Slack 等 15+ 平台 |
核心理念很简单：传统 Agent 每次对话后遗忘一切，而 Hermes 通过持久化记忆 + 自动技能提炼，实现经验的累积和复用。
记忆系统架构总览
Hermes 的记忆系统是分层 + 可插拔的设计，我们可以把它想象成一栋楼：
┌──────────────────────────────────────────┐
│ Always Active（内建） │
│ │
│ Layer 1: 冻结系统提示记忆 │
│ MEMORY.md + USER.md │
│ → 每次会话注入 system prompt │
│ │
│ Layer 2: 程序性技能记忆 │
│ ~/.hermes/skills/*.skill │
│ → agentskills.io 开放标准 │
│ │
│ Layer 3: 会话搜索 │
│ SQLite FTS5 全文索引 │
│ → LLM 摘要化检索结果 │
└──────────────────────────────────────────┘
+
┌──────────────────────────────────────────┐
│ Optional（外部记忆提供者，8 选 1） │
│ Honcho / OpenViking / Mem0 / Hindsight │
│ Holographic / RetainDB / ByteRover ... │
└──────────────────────────────────────────┘
三条核心设计哲学：
- 内建记忆永远在线，外部提供者是加法，不替代
- 冻结快照模式：记忆在会话开始时注入 system prompt，会话中修改立即写盘但不更新 prompt（为了保护 LLM prefix cache 性能）
- 容量刻意有限：memory 2,200 chars + user 1,375 chars ≈ ~1,300 tokens，逼迫 Agent 策展高质量记忆
Layer 1: 冻结系统提示记忆
这是 Hermes 记忆的”基石层”，分为两个文件：
MEMORY.md 是 Agent 的个人笔记本（2,200 chars 上限），用来记录环境信息、项目上下文、经验教训。USER.md 是用户画像（1,375 chars 上限），记录你的偏好、沟通风格和常用工具。
两者在每次会话开始时冻结注入 system prompt，Agent 直接”看到”，无需主动读取。
操作机制
Agent 通过三个操作管理记忆：
- add：添加新条目
- replace：通过子串匹配替换（不需要完整文本，唯一子串就够了）
- remove：通过子串匹配删除
注意没有 read 操作——因为记忆已经在 system prompt 里了。
容量管理的艺术
超过 80% 容量时，Agent 会主动合并压缩条目。满了就返回错误，Agent 必须先清理再添加。系统还内置了自动去重和注入安全扫描（防 prompt injection）。
记忆条目用 § 分隔，头部显示使用百分比：
═══════════════════════════════════════════
MEMORY [67% — 1,474/2,200 chars]
═══════════════════════════════════════════
User's project is a Rust web service using Axum + SQLx
§
This machine runs Ubuntu 22.04, has Docker installed
§
User prefers concise responses
什么该存：用户偏好、环境事实、项目约定、经验教训、修正纠错。
什么不该存：琐碎信息、可搜索的通用知识、大段代码/日志、临时会话信息。
Layer 2: 程序性技能记忆
技能系统是 Hermes 最核心的创新——将任务执行经验提炼为可复用的代码单元。关于这部分的详细分析，请参考我们的上一篇文章。
简单来说，Agent 完成复杂任务后会自动分析执行步骤，抽象为可复用模式，保存为 .skill 文件。后续遇到类似任务时，通过语义匹配召回最相关技能。每次执行后还会记录成功/失败，持续优化。
技能存储在 ~/.hermes/skills/，遵循 agentskills.io 开放标准。
Layer 3: 会话搜索（SQLite FTS5）
第三层是对历史会话的全文搜索能力。Hermes 用 SQLite FTS5 虚拟表索引所有过去的会话：
CREATE VIRTUAL TABLE conversation_fts USING fts5(
content, speaker, timestamp, session_id
);
检索流程很直接：查询触发 → FTS5 匹配 → 结果经 LLM 摘要化 → 注入当前上下文。
为什么选 FTS5 而非向量数据库？
这是一个很多人会问的问题。Hermes 的选择很务实：
FTS5 的优势：零运维（SQLite 内建）、精确匹配出色（人名、项目名、命令不会丢）、本地部署友好（$5 VPS 就能跑）、完全免费。
向量数据库的优势：原生语义搜索能力更强。
Hermes 的解法：用 LLM 摘要层补偿 FTS5 的语义短板。搜索结果先经过全文匹配拿到高精度候选，再用 LLM（默认 Gemini Flash）做语义理解和摘要。
这个”土方法”在实际使用中效果很好——精确匹配保证不丢关键信息，LLM 摘要补偿语义理解，两者结合比纯向量检索更可靠。
外部记忆提供者：8 选 1 的插件体系
除了三层内建记忆，Hermes 还支持 8 个外部记忆提供者插件（同时只能激活一个）。
Honcho：辩证用户建模
Honcho 是 Hermes 最深度集成的记忆提供者，由 Plastic Labs 开发。它的核心创新是辩证用户建模——不仅记住你说了什么，还推理你是怎么思考的。
Honcho 的上下文注入分两层：
基础层（Base Context） 包含会话摘要、用户表征、AI 自我表征等，按 contextCadence 参数控制刷新频率。
辩证补充层（Dialectic Supplement） 通过 LLM 多轮推理合成用户当前状态和需求：
| 推理轮次 | 内容 |
|---|---|
| Pass 0 | 冷启动（通用事实）或暖启动（会话上下文） |
| Pass 1 | 自审计——识别初始评估的空白，综合近期证据 |
| Pass 2 | 调和——检查前几轮推理的矛盾，产出最终综合 |
三个调节旋钮让你精细控制成本和效果：contextCadence（基础层刷新频率）、dialecticCadence（辩证调用频率）、dialecticDepth（推理深度 1-3）。
Honcho 还支持 Multi-Peer 架构：同一用户可以有不同的 AI Peer（编码、写作等），每个 Peer 独立构建用户表征，互不污染。
其他提供者一览
| 提供者 | 特色 | 数据存储 |
|---|---|---|
| OpenViking | 文件系统式知识层级，分层读取 | 自托管（AGPL） |
| Mem0 | 服务端事实提取 + 语义搜索 | Mem0 Cloud（付费） |
| Hindsight | 知识图谱 + 实体消歧 | Cloud/本地 |
| Holographic | 本地 SQLite + HRR 代数查询 | 本地（免费） |
其中 RetainDB、ByteRover、Supermemory 截至研究时尚无公开详细文档。
与主流记忆系统的对比
| 维度 | Hermes Agent | MemGPT (Letta) | LangChain Memory | OpenClaw |
|---|---|---|---|---|
| 记忆层级 | 3 层 + 8 外部插件 | 2 层 | 单层 | 2 层 |
| 检索方式 | FTS5 + LLM 摘要 | 向量嵌入 | 向量/关键词 | FTS5 + LLM 摘要 |
| 技能学习 | ✅ 自动提炼 | ❌ | ❌ | ❌ |
| 用户建模 | ✅ Honcho 辩证 | ❌ | ❌ | ❌ |
| 容量管理 | 严格上限 + 自动策展 | 无限分页 | 无限无策展 | 严格上限 + 自动策展 |
| RL 训练 | ✅ Atropos | ❌ | ❌ | ❌ |
Hermes 的五大独特创新
- 闭环技能学习：唯一实现”任务→技能提炼→优化→社区共享”完整闭环的框架
- 辩证用户建模：Honcho 不仅记住你说了什么，还推理你的思维模式
- 刻意有限的核心记忆：2,200+1,375 chars 硬上限是设计选择，逼迫 Agent 像人类一样策展
- FTS5 + LLM 摘要：务实的检索方案，零运维，精确匹配不丢信息
- RL 飞轮：Agent 执行轨迹 → 训练数据 → 更好的模型 → 更好的 Agent
实际应用场景
- 个人 AI 助手：长期使用，Agent 越来越了解你的偏好和工作方式
- DevOps 自动化：部署流程自动提炼为可复用技能，越用越顺
- 多平台统一入口：Telegram 开始任务，CLI 继续，Agent 保持上下文
- 团队技能共享：通过 agentskills.io 标准跨团队复用 Agent 技能
已知局限性
值得注意的是，这套系统也有明显的短板：
- 核心记忆容量极小：2,200+1,375 chars 对于复杂项目可能不够，需依赖外部提供者补充
- FTS5 缺乏语义搜索：同义词、概念关联搜索弱于向量数据库，LLM 摘要层是补丁而非原生方案
- 外部提供者单选：同时只能激活一个外部记忆提供者，无法混合使用
- Honcho 外部依赖：辩证用户建模是最强功能，但需要 Honcho Cloud 或自托管实例
- 冻结快照延迟：会话中更新的记忆需要下一次会话才生效
独立评价
Hermes 的记忆系统体现了”务实工程”而非”论文驱动”的思路。 FTS5 + LLM 摘要的组合看似”土”，但解决了几个实际痛点：零运维、精确匹配、轻量部署。这是面向个人用户和小团队的正确选择。
冻结快照模式是被低估的优秀设计。 它牺牲实时性（记忆更新延迟一个会话），换取 LLM prefix cache 的性能收益。在高频对话场景中，这个优化非常实际。
技能学习系统是真正的差异化壁垒。 MemGPT、LangChain、LlamaIndex 都有记忆方案，但没有人做到完整的闭环技能学习。
对 OpenClaw 的启示
有趣的是，Hermes 和 OpenClaw 的记忆系统高度相似（MEMORY.md、FTS5、冻结快照），这不是巧合——Hermes 官方支持从 OpenClaw 迁移。核心差异在于：
- Hermes 有技能自动提炼（OpenClaw 需手动编写 SKILL.md）
- Hermes 有 Honcho 辩证用户建模（OpenClaw 无对等方案）
- OpenClaw 有 lossless-claw 无损压缩回忆（Hermes 无对等方案）
两者各有取舍，共同推动着 AI Agent 记忆系统的工程实践向前发展。