val-blog/hermes_insights.md

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：

# 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。