Hermes Agent 源码探秘 (7)：记忆与技能 — Agent 的"学习"能力

系列：Hermes Agent 源码探秘 作者：元思未来 字数：约3000字

---

前面的文章里，Agent 每次启动都是"一张白纸"。它不知道你是谁，不记得上次聊了什么，每次都是全新的开始。

但现实中的助理——不管是人类还是数字的——都需要记忆和学习能力。

Hermes 有两套机制来解决这个问题：

机制	作用	类比人类
Memory（记忆）	记住用户偏好、事实信息	长期记忆
Skills（技能）	学会完成特定任务的流程	肌肉记忆/操作规程

这篇就来拆这两个系统。

---

一、记忆系统（Memory）

1.1 记忆解决什么问题？

每次 Agent 会话都是独立的。如果没有记忆：

第一次对话：
  你：我喜欢简洁的回答
  Agent：好的，记住了！

第二天：
  你：帮我查一下资料
  Agent：好的！（又变成啰嗦模式了）
  ——它忘了你的偏好

有了记忆，Agent 就能跨会话记住信息：

第一次对话：
  你：我喜欢简洁的回答
  记忆：存储在数据库中

第二天：
  你：帮我查一下资料
  Agent：加载记忆 → "用户喜欢简洁" → 简洁回答

1.2 记忆系统的架构

记忆系统的实现在 agent/memory_manager.py：

class MemoryManager:
    def __init__(self, provider):
        self.provider = provider  # 存储后端
    
    def get_relevant_memories(self, query, limit=5):
        """根据当前对话获取相关记忆"""
        return self.provider.search(query, limit)
    
    def save_memory(self, content, metadata=None):
        """保存新记忆"""
        return self.provider.save(content, metadata)
    
    def update_memory(self, memory_id, content):
        """更新已有记忆"""
        return self.provider.update(memory_id, content)

它不自己存储数据，而是委托给存储提供者（provider）。支持多种后端：

# 不同存储后端
class BuiltinMemoryProvider:
    """使用本地 SQLite 存储（默认）"""
    def search(self, query, limit):
        # 简单的关键词匹配
        ...
    def save(self, content, metadata):
        # 写入 SQLite
        ...

class HonchoMemoryProvider:
    """使用 Honcho（一个专门的记忆服务）"""
    def search(self, query, limit):
        # 向量相似度搜索
        ...

class Mem0MemoryProvider:
    """使用 Mem0 记忆服务"""
    def search(self, query, limit):
        # Mem0 的语义搜索
        ...

1.3 记忆在对话中的注入流程

当用户发起对话时，记忆系统的执行流程：

用户发消息
    │
    ▼
build_memory_context_block()
    │ 从记忆库中搜索与当前话题相关的记忆
    │ 比如用户问"帮我写个Python脚本"
    │ 记忆：用户是Python开发者，喜欢Type hints
    ▼
搜索到的记忆注入到 System Prompt
    │
    ▼
Agent 看到记忆 → 据此调整回答风格

关键代码在 agent/memory_manager.py 的 build_memory_context_block()：

def build_memory_context_block(memory_manager, user_message, user_profile=None):
    context_parts = []
    
    # 1. 加载用户画像（偏好、风格等）
    if user_profile:
        context_parts.append(f"## 用户信息\n{user_profile}")
    
    # 2. 搜索相关记忆
    memories = memory_manager.get_relevant_memories(user_message)
    if memories:
        memory_text = "\n".join([f"- {m.content}" for m in memories])
        context_parts.append(f"## 相关记忆\n{memory_text}")
    
    return "\n\n".join(context_parts)

注入后的 System Prompt 看起来像这样：

...
【用户信息】
用户是全栈开发者，擅长Python和JavaScript
喜欢简洁的回答风格
偏好FastAPI而非Flask

【相关记忆】
- 用户之前在做一个炒股小工具
- 用户对AI Agent源码感兴趣，在写一个拆解系列
...

1.4 记忆的保存时机

记忆不会自动保存每一句话——那样会存太多噪声。Hermes 在特定的时机保存记忆：

1. 用户主动要求："记住我喜欢简洁的回答" → memory_tool 工具被调用
2. Agent 判断有价值的信息：在对话结束时，Agent 会自动总结有价值的记忆点
3. 明确的偏好更正：当用户纠正 Agent 的行为时

memory_tool 的实现：

# tools/memory_tool.py

def save_memory(content: str, target: str = "memory", task_id: str = None) -> str:
    """保存一段记忆到持久存储"""
    memory_manager.save(
        content=content,
        metadata={
            "target": target,     # "memory" 或 "user"
            "timestamp": time.time(),
            "source": "user_request"
        }
    )
    return json.dumps({"status": "saved"})

---

二、技能系统（Skills）

如果说记忆是"记住事实"，那技能就是"学会做事"。

2.1 什么是"技能"？

技能是一个 Markdown 文件，描述如何完成某个特定任务：

~/.hermes/skills/
├── writing-plans/
│   └── SKILL.md        ← 技能文件
├── test-driven-development/
│   └── SKILL.md
├── systematic-debugging/
│   └── SKILL.md
└── ...

每个技能的核心文件是 SKILL.md，包含两部分：

1. YAML 前置元数据（frontmatter）
2. Markdown 正文（指令内容）

2.2 技能文件结构

---
name: test-driven-development
description: TDD 工作流：先写测试，再写代码，然后重构
version: 1.0.0
---

# TDD 工作流

当你需要实现一个新功能时，按以下步骤执行：

## Step 1：写测试（RED）
- 先写一个会失败的测试用例
- 明确输入和期望输出
- 运行测试，确认是红色（失败）

## Step 2：写实现（GREEN）
- 写刚好能让测试通过的代码
- 不要过度设计
- 运行测试，确认是绿色（通过）

## Step 3：重构（REFACTOR）
- 在测试保护下优化代码
- 提高可读性和性能
- 确保测试仍然通过

## 注意事项
- ❌ 不要跳过测试先写实现
- ❌ 不要一次写太多代码
- ✅ 每次只做一个功能点

2.3 技能的加载流程

# agent/skill_utils.py

def get_all_skills_dirs():
    """扫描所有技能目录"""
    skills_dir = get_skills_dir()
    return [d for d in skills_dir.iterdir() if d.is_dir()]

def load_skill(skill_dir):
    """加载一个技能"""
    skill_file = skill_dir / "SKILL.md"
    if not skill_file.exists():
        return None
    
    with open(skill_file, "r") as f:
        content = f.read()
    
    # 解析 frontmatter 和正文
    frontmatter, body = parse_frontmatter(content)
    
    return {
        "name": frontmatter.get("name", skill_dir.name),
        "description": frontmatter.get("description", ""),
        "content": body,
        "path": skill_dir
    }

2.4 技能注入 System Prompt

当 Agent 加载了一个技能，这个技能的内容就会被注入到 System Prompt 中：

# agent/system_prompt.py

def build_skills_section(enabled_skills):
    """构建技能部分的 system prompt"""
    parts = []
    for skill_name in enabled_skills:
        skill = load_skill(skill_name)
        if skill:
            parts.append(f"""
## 技能：{skill['name']}
{skill['description']}

{skill['content']}
""")
    
    if parts:
        return "以下是你需要遵循的技能指南：\n" + "\n---\n".join(parts)
    return ""

所以"教 Agent 新技能"本质上就是往 System Prompt 里塞了一段 Markdown 文本。 LLM 看到了这段指令，就会按照其中的步骤执行任务。

2.5 技能的生命周期管理

Hermes 还有个 Curator（策展人） 系统，自动管理技能的整个生命周期：

hermes curator status       # 查看技能状态
hermes curator run          # 手动执行一次维护
hermes curator pin name     # 固定技能（不被自动清理）
hermes curator unpin name   # 解锁

Curator 会：

• 跟踪技能使用频率：不常用的技能标记为"空闲"
• 自动归档：长时间不用的技能自动归档
• 备份：定期打包备份所有技能，防止丢失

# agent/curator.py

class Curator:
    def __init__(self, skills_dir):
        self.skills_dir = skills_dir
        self.usage_db = UsageTracker()  # SQLite 记录使用情况
    
    def run_maintenance(self):
        """执行维护任务"""
        for skill in self._get_all_skills():
            stats = self.usage_db.get_stats(skill.name)
            
            # 判断技能是否应该归档
            if stats.is_idle():
                self._archive_skill(skill)
            
            # 判断技能是否应该标记为过期
            if stats.is_stale():
                self._mark_stale(skill)
    
    def _archive_skill(self, skill):
        """将技能移入归档目录"""
        shutil.move(skill.path, ARCHIVE_DIR / skill.name)
        self.usage_db.set_state(skill.name, "archived")

---

三、记忆 vs 技能：对比与协同

维度	记忆（Memory）	技能（Skills）
存储内容	事实、偏好、用户信息	操作流程、步骤、规范
存储格式	键值对/向量	Markdown 文件
检索方式	语义搜索（相关度）	精确匹配（按名称加载）
生命周期	永久保存	由 Curator 管理
修改方式	memory_tool 工具	直接编辑 SKILL.md
适用场景	"用户喜欢什么"	"怎么完成某任务"

它们怎么协同工作？

用户说："写个Python脚本处理CSV"

1. Memory 系统介入：
   → 搜索记忆 → "用户是Python开发者"
   → 搜索记忆 → "用户之前做过类似的数据处理"
   → 注入到 System Prompt

2. 如果已加载 "python-best-practices" 技能：
   → 技能内容注入到 System Prompt
   → "使用类型注解、写docstring、用pathlib"

3. Agent 开始工作
   → "用户是Python开发者" → 代码风格符合
   → "有最佳实践技能" → 结构规范
   → 输出质量更高

记忆提供了"上下文"，技能提供了"能力"。两者结合，Agent 才能越来越懂你、越来越能干。

---

四、这个设计好在哪里？

1. 记忆即插即用

多种存储后端可选（内置 SQLite、Honcho、Mem0），从小项目到大规模都可以。

2. 技能即文档

用 Markdown 教 Agent 做事。门槛极低——写文档就是在训练 AI。

3. 自动化的生命周期管理

Curator 自动管理技能的"生老病死"，不用手动清理。

4. 零代码扩展

添加记忆不需要改代码，添加技能只需要创建 Markdown 文件。这让非技术人员也能参与 Agent 的"训练"。

---

五、下一篇预告

Agent 有手（工具系统），有脑（核心循环），有记忆（Memory & Skills），还能服务多平台（Gateway）。但有时候，一个 Agent 不够用怎么办？

一个复杂的任务需要多个人协作完成。

第八篇我们拆 子代理系统（Delegation） — "Agent 生 Agent"的机制。看一个 Hermes 怎么派出多个"子 Hermes"并行干活，然后把结果汇总回来。

---

代码位置： ~/.hermes/hermes-agent/agent/memory_manager.py
技能目录： ~/.hermes/skills/
关键主题： 记忆存储、技能注入、Curator 自动化管理

---

元思未来 · 行稳致远，进而有为