feat(val-blog): add 2026-04-30 dream journey post

2026-08-13 17:00:22 +08:00
parent 691f96e8a6
commit 81978704fc
941 changed files with 195468 additions and 755 deletions
@@ -0,0 +1,260 @@
+# Hermes Agent 优秀做法分析与融入方案
+
+> 基于《Hermes Agent The Complete Guide》的学习总结
+> 分析时间: 2026-04-16
+
+---
+
+## 一、Hermes 核心创新点
+
+### 1. Learning Loop（学习闭环）- 最核心的差异
+
+**Hermes 做法：**
+```
+Curate Memory → Create Skill → Skill Self-Improvement → FTS5 Recall → User Modeling
+```
+
+- **每次任务后自动回顾**：不是被动存储，而是主动决定"什么值得记住"
+- **自动提炼 Skill**：完成复杂任务后，自动判断是否值得保存为 Skill
+- **Skill 自我改进**：每次使用 Skill 后，根据反馈自动修改 Skill 文件
+- **FTS5 全文检索**：精准召回，只加载相关内容到上下文
+- **用户建模（Honcho）**：12 层身份推断，从行为模式推导用户偏好
+
+**关键区别：**
+- 传统 AI：记忆是对话日志的累积（录像带，越来越长直到溢出）
+- Hermes：记忆是经验的提炼（笔记本，可以无限使用）
+
+### 2. 三层记忆系统
+
+| 层级 | 用途 | 存储 |
+|------|------|------|
+| Session Memory | 记住"刚才发生了什么" | SQLite + FTS5 |
+| Persistent Memory | 记住"你是谁、你喜欢什么" | SQLite + FTS5 |
+| Skill Memory | 记住"如何做事" | Markdown 文件 |
+
+**关键设计：**
+- 按需检索，而不是全部加载
+- 纯本地存储（SQLite），不上传服务器
+- 迁移时只需复制 `~/.hermes/` 目录
+
+### 3. Skill 自进化系统
+
+**Skill 文件结构：**
+- 纯 Markdown 格式
+- 存储在 `~/.hermes/skills/`
+- 三个来源：自带、Agent 自动创建、社区 Hub
+
+**自进化机制：**
+1. 首次创建：完成任务后自动提炼
+2. 使用反馈：用户说"这里应该检查表是否存在"
+3. 自动更新：Skill 文件被修改，下次默认包含该检查
+
+### 4. Harness Engineering 自动化
+
+**Mitchell Hashimoto 的手动方式：**
+- 发现 AI 犯错 → 手动写入 CLAUDE.md → 下次遵循
+- 需要人有耐心持续维护
+
+**Hermes 的自动化方式：**
+- 发现错误 → 自动提取规则 → 写入 Skill → 下次自动应用
+- 门槛降到零，不需要用户手动维护
+
+---
+
+## 二、可融入 OpenClaw/Val 的优秀做法
+
+### ✅ 立即可融入的做法
+
+#### 1. **自动 Skill 提炼与改进机制**
+
+**现状：** OpenClaw 的 Skills 主要是手动编写和维护（ClawHub 5700+ 社区 Skills）
+
+**融入方案：**
+```
+任务完成后 → Val 分析过程 → 判断是否值得提炼 Skill → 自动生成/更新 Skill 文件
+```
+
+**具体实现：**
+- 在 `workspace/skills/` 下增加 `auto/` 目录存放自动生成的 Skills
+- 每次复杂任务后，spawn Catalyst 分析是否可以提炼 Skill
+- 用户反馈"下次记得..."时，自动更新对应 Skill
+
+**与现有系统的结合：**
+- 复用现有的 Skill 格式（SKILL.md）
+- 自动 Skills 与手动 Skills 共存
+- 用户可以随时编辑、删除自动生成的 Skills
+
+#### 2. **FTS5 全文索引的记忆召回**
+
+**现状：** OpenClaw 使用语义搜索（gemini-embedding）+ 记忆文件
+
+**融入方案：**
+- 在 SQLite 中增加 FTS5 索引
+- 会话前基于当前主题搜索相关记忆
+- 精准召回 vs 语义召回结合使用
+
+**优势：**
+- 更精准的召回（避免语义漂移）
+- 纯本地，保护隐私
+- 可解释性强（能看到为什么召回这段记忆）
+
+#### 3. **主动记忆策展（Active Memory Curation）**
+
+**现状：** OpenClaw 被动依赖用户写 memory 文件
+
+**融入方案：**
+```python
+# 每次会话结束后
+if 任务复杂度 > 阈值:
+    spawn subagent "分析本次会话，提取值得长期记住的内容"
+    生成 memory 条目
+    写入 memory/YYYY-MM-DD.md 或 MEMORY.md
+```
+
+**触发条件：**
+- 复杂任务完成
+- 用户明确说"记住这个"
+- 周期性回顾（heartbeat）
+
+#### 4. **用户建模（轻量级）**
+
+**现状：** 基于 SOUL.md / USER.md 的显式配置
+
+**融入方案：**
+```
+轻量级用户建模（不依赖 Honcho）：
+- 从 MEMORY.md 中提取用户偏好模式
+- 从代码修改习惯推断风格
+- 周期性更新 USER.md
+```
+
+**输出形式：**
+- 更新 USER.md 的 "Notes" 部分
+- 生成 `inferred_preferences.json`
+
+#### 5. **Skill 使用反馈闭环**
+
+**现状：** Skills 是静态的，除非手动更新
+
+**融入方案：**
+```
+使用 Skill → 任务完成 → 询问/分析效果 → 更新 Skill
+```
+
+**具体做法：**
+- 任务完成后："这个 Skill 的效果如何？"
+- 用户反馈："应该把 X 也加进去"
+- 自动编辑 Skill 文件
+
+---
+
+### 🔄 需要权衡的做法
+
+#### 6. **三层记忆架构**
+
+**现状对比：**
+| OpenClaw 当前 | Hermes 三层 |
+|--------------|------------|
+| Daily Logs (session) | Session Memory |
+| MEMORY.md (curated) | Persistent Memory |
+| Skills (manual) | Skill Memory (auto) |
+
+**融入建议：**
+- 不完全照搬，保持 OpenClaw 的文件化哲学
+- 增加 `memory/session/` 目录存放原始会话记录
+- 保留 MEMORY.md 作为 curated 精华
+- 增加 Skills 的自动生成能力
+
+#### 7. **Learning Loop 自动化程度**
+
+**Hermes：** 全自动，用户完全不用管
+**OpenClaw：** 全手动，用户自己维护
+
+**建议中间路线：**
+```
+检测到可提炼内容 → 询问用户 "是否要保存为 Skill?" → 用户确认 → 生成
+```
+
+**原因：**
+- 谷老板偏好可控性（USER.md 中强调）
+- 全自动可能产生垃圾 Skills
+- 确认机制保持用户掌控
+
+---
+
+### ⚠️ 不建议照搬的做法
+
+#### 8. **24/7 常驻后台模式**
+
+**Hermes：** 设计为常驻 VPS，24/7 在线
+**OpenClaw：** 按需响应，heartbeat/cron 机制
+
+**原因：**
+- OpenClaw 的架构更轻量
+- 现有 heartbeat + cron 机制足够
+- 谷老板的使用场景不需要 Agent 主动运行任务
+
+#### 9. **Honcho 式深度用户建模**
+
+**Hermes：** 12 层身份推断，深度分析
+**建议：** 轻量级推断即可
+
+**原因：**
+- 隐私考虑
+- 复杂度与收益不成正比
+- OpenClaw 的显式配置（SOUL.md/USER.md）已足够表达
+
+---
+
+## 三、具体实施建议（优先级排序）
+
+### P0 - 高价值、易实施
+
+1. **Skill 自动提炼机制**
+   - 复杂任务后 spawn Catalyst 分析
+   - 询问用户是否保存为 Skill
+   - 保存到 `skills/auto/`
+
+2. **记忆主动策展**
+   - 任务完成后自动分析值得记住的内容
+   - 更新 memory/YYYY-MM-DD.md
+   - 定期（heartbeat）整理到 MEMORY.md
+
+### P1 - 中等价值、中等复杂度
+
+3. **FTS5 全文索引**
+   - 为 memory 建立 FTS5 索引
+   - 会话前基于主题召回相关记忆
+   - 与现有语义搜索结合
+
+4. **Skill 反馈改进**
+   - 使用 Skill 后询问效果
+   - 根据反馈自动更新 Skill
+
+### P2 - 长期价值、高复杂度
+
+5. **轻量级用户建模**
+   - 从 MEMORY.md 提取偏好模式
+   - 周期性更新 USER.md
+   - 生成推断报告
+
+---
+
+## 四、与现有 OpenClaw 能力的对比
+
+| 能力 | OpenClaw 现状 | Hermes 做法 | 融入建议 |
+|------|--------------|------------|---------|
+| Skill 创建 | 手动编写 | 自动提炼 | 增加自动提炼+人工确认 |
+| Skill 改进 | 手动更新 | 自动改进 | 使用后询问反馈 |
+| 记忆系统 | 文件化 (Daily Logs + MEMORY.md) | SQLite + FTS5 | 保留文件化，增加 FTS5 索引 |
+| 记忆召回 | 语义搜索 | FTS5 全文检索 | 两者结合 |
+| 用户建模 | 显式配置 (USER.md) | 隐式推断 (Honcho) | 轻量级推断 |
+| 学习闭环 | 无 | 完整的五步骤闭环 | 实现核心闭环 |
+| 多平台 | 50+ 平台 | 14 平台 | 保持现有优势 |
+| 社区生态 | ClawHub 5700+ Skills | 早期阶段 | 保持现有优势 |
+
+---
+
+## 五、一句话总结
+
+> **Hermes 是"全自动学习"，OpenClaw 是"全手动配置"。最佳实践是"智能辅助 + 人工确认"——自动发现可学习的内容，但让用户决定是否要学习。**