大家都在openclaw时，我发现了更宝藏的Hermes Agent

Mars狐狸
37 阅读9分钟

Hermes 是什么

Python（非TS生态，插件系统实现和openclaw不一致，改动较大） 写的 Terminal-first 自我进化 Agent，核心约 10 万行代码。最大特点是把终端当一等公民——所有事情都通过 bash -c 来干。同时内置了一套完整的"学习系统"：记忆持久化、skill自动创建/修复、后台审查、跨会话搜索，甚至还能通过 自动生成jsonl数据，从而在线强化学习改进底层模型或者作为SFT数据。

SYSTEM PROMPT

1.  Agent 身份（SOUL.md 或默认描述）定义 Agent 的人格和行为准则

2.  工具行为指导根据当前可用工具动态注入使用规范

3.  外部记忆静态块由已启用的外部记忆 Provider（如 Honcho、Hindsight、Mem0 等）各自返回一段固定文本，告诉 Agent "你有哪些记忆能力可用，本质是 8 个可插拔的第三方记忆后端插件，给 Agent 提供超越 MEMORY.md上限的大容量、智能检索的长期记忆

4.  可选系统消息允许用户通过配置直接覆盖或追加自定义指令

5.  MEMORY.md 快照和USER.md 快照是会话开始时冻结的内置记忆文件内容，会话期间不再变化以保证 Prompt Cache 命中率

6.  技能索引列出当前可用技能的紧凑清单

7.  时间戳与会话 ID 注入当前时间和会话元数据

以上所有内容在会话开始时一次性组装并冻结，构成缓存稳定层。

 

此外还有一个临时层： 1. 每轮动态注入的 prefetch 记忆片段（外部 Provider 根据用户消息检索到的相关记忆），注入到 user message

2.  预算压力提醒（当迭代预算消耗 70%+ 时注入 [BUDGET: ...] 提醒 Agent 收敛；90%+ 时注入 [BUDGET WARNING: ...] 要求立即结束），注入到 user message

3.  prefill messages（预填充的 assistant 消息，引导模型的输出方向），追加到user message

以上临时层信息不进入 System Prompt 本体，从而最大化 Prompt Cache 的复用率。

执行任务

迭代预算：默认 90 次，快用完时会注入提醒让 Agent 收敛。子 Agent 独立预算（50 次），不吃父 Agent 的。

工具执行：单个工具主线程跑，多个工具并发。危险命令会触发侧 Agent 审批拦截。

失败处理：API 挂了自动切备用模型；工具报错丢给 LLM 自己决定怎么办；用户中断直接杀掉当前操作。

Terminal 机制

不是持久 shell，而是每次命令 spawn 新进程，通过 snapshot 文件保持环境一致性。支持 PTY 模式跑交互式工具（Codex、Claude Code 等）。

优点：

1.  命令隔离：每个命令在独立进程中执行，一个命令的崩溃不会影响后续命令

2.  超时控制：可以精确控制每个命令的超时，通过 os.killpg() 杀死整个进程组

3.  中断支持：用户中断时可以立即终止当前进程，不影响 Agent 主循环

4.  安全隔离：每个进程的环境变量经过过滤，Hermes 内部的 API Key 不会泄露到子进程

snapshot：

初始化时捕获：

# 在 login shell 中执行
export -p > /tmp/hermes-snap-{session_id}.sh    # 导出所有环境变量
declare -f | grep -vE '^_[^_]' >> snapshot       # 导出所有函数（过滤内部函数）
alias -p >> snapshot                              # 导出所有别名
echo 'shopt -s expand_aliases' >> snapshot        # 启用别名展开
echo 'set +e' >> snapshot                         # 不因错误退出
echo 'set +u' >> snapshot                         # 允许未定义变量

每次命令前恢复：

source /tmp/hermes-snap-{session_id}.sh 2>/dev/null || true
cd {cwd} || exit 126
eval '{command}'
__hermes_ec=$?
export -p > /tmp/hermes-snap-{session_id}.sh 2>/dev/null || true  # 更新快照
pwd -P > /tmp/hermes-cwd-{session_id}.txt 2>/dev/null || true     # 更新 CWD
exit $__hermes_ec

 

智能模型路由与侧模型

智能路由

简单消息自动走便宜模型，复杂消息走主模型。判断是及其简单的匹配——消息超 160 字符、超 28 个词、有代码块/URL/复杂关键词，任何一条不满足就走主模型。实际效果就是"你好"走便宜模型，"帮我 debug"走主模型。默认关闭。用处不大。

侧模型（Auxiliary Client）

主模型贵，但很多杂活不需要强模型。Hermes 内置了独立的辅助 LLM 路由器，把上下文压缩、会话搜索摘要、网页提取、视觉分析、智能审批这些侧任务分配给便宜模型。每个侧任务可以独立配置 Provider 和模型。Provider 链式降级——一个余额不足自动切下一个。

Hermes 的侧模型本质上是和 tool 绑定的——每个侧任务在代码里通过 task 参数（如 task="compression"、task="vision"）声明自己的身份，路由器根据这个 task 名去查对应的 provider 和便宜模型配置。压缩、会话搜索、网页提取、审批、视觉分析、记忆 flush、标题生成这些 tool 都是写死走侧模型的，不存在运行时判断。

上下文与状态

● 上下文压缩：token 超 50% 时触发 4 阶段压缩（预修剪 → 确定边界 → 便宜模型总结中间 → 迭代更新） 上下文压缩的完整流程：先零成本地把旧 tool 输出中超过 200 字符的大块内容用字符串替换成占位符清掉垃圾，然后划定首尾保护区——头部固定保护系统提示和首轮对话（前 3 条），尾部按 token 预算动态保护最近约 20K tokens 的上下文，中间被夹住的对话序列化后喂给便宜侧模型生成 8 章节结构化摘要，后续再次触发压缩时不会从头总结，而是把上一次的摘要和新对话一起发给 LLM 做迭代增量更新——要求保留旧信息、新增进展、把"进行中"移到"已完成"、只删明确过时的内容，像滚雪球一样累积所有关键信息，最后把头部消息 + 摘要消息 + 尾部消息组装回去，并修复压缩导致的 tool_call 和 tool_result 配对断裂（删孤立结果、补 stub 结果），确保 API 不会因为 ID 不匹配而报错。

每次压缩完之后都会创建新的session继续进行后续流程，并用parent_id指向原未压缩对话

1.  Goal — 用户想要完成什么目标

2.  Constraints & Preferences — 用户偏好、编码风格、约束条件、重要决策

3.  Progress（含 Done In Progress Blocked 三个子节）— 已完成的工作、进行中的工作、遇到的阻塞

4.  Key Decisions — 重要的技术决策及其原因

5.  Relevant Files — 读取、修改或创建过的文件及简要说明

6.  Next Steps — 接下来需要做什么

7.  Critical Context — 具体的值、错误信息、配置细节等不显式保留就会丢失的数据

8.  Tools & Patterns — 用了哪些工具、怎么用的、有什么工具相关的发现和有效模式

 

● 记忆：

~/.hermes/memories/
├── MEMORY.md（最多 2,200 字符）
└── USER.md（最多 1,375 字符）
  1. 该层记忆在会话开始时加载进system prompt保持不变，文件内容在会话过程中不断写入更改（多进程同时操作时加锁）

2.  记忆后端插件召回动态记忆，类似我们已有的guide、skill系统，注入到user message中，同时用 标签包裹 + System note注释防止 AI 把记忆当成用户指令

3.  后台审查，侧模型在任务结束时总结对话保存记忆

4.  会话 Flush，当会话即将结束（压缩上下文、用户退出、Gateway 超时），系统会给 AI 发送一段系统消息，提示最后一次机会保存记忆。

● SKILL：在工具description和system prompt中提议AI 在以下场景会主动创建 skill

  1. 完成了一个复杂任务（5 次以上工具调用）

  2. 过程中踩了坑并找到了正确路径

  3. 用户纠正了 AI 的做法，AI 学到了正确方式

  4. 发现了一个非平凡的工作流

  5. 用户直接要求"记住这个流程" 在执行任务时会把下面这样的结构拼接到system prompt中，由ai自己决定召回对应的skill

<available_skills>
  shopping:
    - jd-shopping-ordering: 京东购物小下单流程。通过 JD Mini Program 购买商品...
    - kfc-meituan-ordering: 美团点餐流程...
  coding:
    - python-debug: Debug Python scripts
</available_skills>

● 后台审查：在主 Agent 完成用户响应之后，在后台daemon中 fork 一个完整的 AIAgent 实例，让它回顾刚才的对话。分为记忆审查（每10个用户轮次审查一次）和技能审查（每10次工具调用审查一次）

 记忆审查关注的内容

1.  用户的身份、角色、背景

2.  用户的偏好和习惯

3.  用户的个人细节（如项目名称、团队信息）

4.  用户对 Agent 行为的期望

5.  用户的操作方式偏好

通过 memory 工具写入 MEMORY.md（Agent 笔记）或 USER.md（用户画像）

技能审查关注的内容

1.  非平凡的解决方案：需要反复试错才完成的任务

2.  经验性发现：在执行过程中改变了方向的工作流

3.  用户期望差异：用户期望的方法或结果与初始方案不同的情况

通过 skill_manage 工具创建或更新 SKILL.md 文件

● 支持跨会话搜索：每条对话消息自动存入 SQLite 并通过 FTS5 建立全文索引，搜索时用 BM25 关键词匹配捞出相关历史会话（不重复索引父子对话），再用便宜的辅助 AI 并行读原文生成聚焦摘要（若匹配到多个相关对话则同时启动多个辅助AI并行总结），最终只把精炼的摘要交给主 AI，实现低成本、快速、不撑爆上下文的跨会话记忆召回。

Hermes 对比 OpenClaw

维度HermesOpenClaw
定位自我进化的"超级终端"可编程的"Agent 操作系统"
扩展工具注册 + SKILL.md + 有限 Hookplugin + skill + mcp等+ 生命周期 Hook
状态跨会话记忆强，自进化机制单次执行中 Hook 注入更灵活

Hermes 赢在：自我进化（记忆→技能→RL）、成本控制（智能路由+侧模型）、上下文压缩

OpenClaw 赢在：插件系统完整、Hook 丰富、Agent Event 实时推送

avatar
文章
阅读
粉丝