# 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。**