Conversation loop
每轮对话会绑定 session、构建或复用 prompt cache、触发 memory provider prefetch，并在完成后同步外部 memory。重要细节：prefetch 会影响当前 API message，但不等于永久写入 transcript。
turn coordinatorephemeral context
Thesis
学习不是一次神秘的模型自我更新，而是一套外部认知层。
Hermes Agent 给人的体感是“会成长”：它能带着 profile、memory、skills、session recall、cron、gateway 和工具生态继续工作。但从 WeHub 的视角看，最重要的判断反而要更冷静：这不是每轮对话都在训练模型权重，也不是只靠一个更长的 system prompt。
更准确的说法是：Hermes 把经验路由到一组 durable runtime surfaces。它可以在下一轮、下一次会话、另一个 gateway thread 或一个定时任务里重新调用这些经验。Agent 的“学习”就发生在这些 surface 的选择、写入、检索和复用边界里。
对 WeHub 来说，学习的最小定义是：未来行为因为可审计的 durable state 或 reusable artifact 而发生可验证改变。这让问题从“它聪不聪明”变成“它把什么留在哪里”。临时任务进展、用户偏好、项目约定、可复用 workflow、跨 agent 经验和公开 case，不应该进入同一个记忆层。组织学习的第一条规则，是不要让经验无差别扩散。
The learning loop
Hermes 的关键价值，是把对话经验推进到可复用资产。
这条 loop 是本文的主轴。它把“聊天里变聪明”转换成“系统未来真的会改变”。每一步都可以失败，而失败位置决定了下一轮该修 memory、session、skill、cron 还是 promotion gate。
Capture对话、工具调用、错误、纠错、任务结果被记录成 trace。
Retain经验进入 memory、session DB、skill、cron 或项目文件。
Retrieve下一轮通过 prompt、prefetch、search 或 gateway context 被召回。
Reuse被召回的经验影响真实行动，而不只是出现在上下文里。
Verify用任务结果、人类反馈、测试或 review 证明它真的有用。
Promote / Demote好经验升级成共享资产，坏经验被降级、删除或加 tombstone。
Mechanism map
五类 runtime surface，决定经验如何留下来。
第一轮源码阅读最有价值的地方，是把“学习”拆成可检查的机制。下面不是功能清单，而是 WeHub 判断经验应该进入哪个 substrate 的地图。
Memory provider
外部 memory provider 可以贡献 prompt block、prefetch context、tool schema、turn sync 和 pre-compression context。它是可替换的学习后端，但当前不应该被想象成一个无边界的大脑。
retainbackend
Built-in memory files
USER.md 和 MEMORY.md 是显式 durable mutation。写入会立刻落盘，但当前会话的 frozen prompt 未必立刻重建，所以“保存了”和“马上可见”不是同一件事。
USER.mdMEMORY.md
Session DB / search
SQLite transcript、FTS5 和 CJK search 更像 episodic recall。它适合找回过去怎么做过，不适合把私密对话原样升级成团队公共记忆。
episoderecall
Gateway continuity
Discord、Feishu、thread、user、platform identity 和 session key 共同定义连续性。bot 名、agent profile、host machine 和 channel 不能混成一个对象。
identityscope
Skills / cron
Skill 是程序性记忆，cron 是主动注意力。重复做法可以升为 skill，重复责任可以升为 cron，但必须有 owner、触发条件、停止条件和失败边界。
procedureautonomy
Boundary checks
真正危险的不是“不记得”，而是错误地记住和错误地推广。
Hermes 让 WeHub 看到一个很重要的方向：Agent 可以拥有外部认知层。但外部认知层如果没有边界，就会把局部经验、临时上下文和错误纠偏变成组织级污染。
四个必须拆开的概念
runtime learning
!= prompt optimization
!= evolutionary search
!= model trainingHermes 主 runtime 主要处在第一层。DSPy、GEPA 或 self-evolution pipeline 更适合在离线实验室里利用 traces 优化 skill、prompt、tool description、routing policy 或小段 code/config，然后通过测试和 review 再推广。
三个容易误判的瞬间
检索到了，不等于学会了。 retrieval 可能只是当前 turn 的 context fuel。
写入了，不等于应该共享。 profile-local correction 默认不外溢。
跑起来了，不等于能自治。 cron 和 skills 需要可见 delivery、owner 和 stop condition。
WeHub transfer
从单 Agent 学习，迁移到 Agent 组织学习。
WeHub 需要的不是一个 centralized mega memory DB，而是一套 promotion protocol：经验默认从 profile-local 开始，只有在证据、复用价值和安全边界成立时，才升级到 team-shared 或 public-safe。
经验类型
最适合的 substrate
WeHub 推广规则
临时任务进展
Session DB / session search
留在会话和 grow place，不自动写进长期记忆。
用户纠错或稳定偏好
USER.md / profile memory默认 profile-local；只有用户明确说可通用时才外溢。
项目或环境约定
MEMORY.md / project note / source map重复使用或 owner 审核后，才能进入 team docs。
可重复 workflow
Skill
需要 trigger、例子、失败边界和最小验证。
重复责任
Cron / scheduled job
必须有 cadence、owner、destination、stop condition 和可见结果。
跨 Agent 经验
External memory provider / team protocol
需要隔离、审计、降级路径和 human review gate。
Next gate
下一步不是写更大的协议，而是跑一个纠错保留实验。
如果我们不能观察一个小纠错如何被保存、检索、复用和限制作用域，就没有资格写 organization learning protocol v0。这个实验是把宏大叙事压回工程事实的最小门槛。
Correction-retention smoke test
- 植入一个无害但会影响行为的错误边界。 例如项目职责、公开范围或 agent identity 的小错误。
- 明确纠正。 要求 Hermes 只有在影响未来行为时才保留。
- 检查 durable layer。 看变更进入 memory、project file、skill、session search、nano card，还是哪里都没有进入。
- 开新会话复测。 问一个依赖该纠错的问题，观察它是否正确引用来源。
- 记录是否过度推广。 如果局部纠错污染了其他 agent、其他 project 或 public-safe surface，就是失败。
通过条件
纠错被保存在恰当的 durable layer，并在未来任务中被正确复用；同时没有泄漏到无关 profile、team-shared doc 或公开页面。
失败条件
纠错只停留在 chat context；被写进错误的全局记忆；或者未经过证据和审计就升级成组织事实。
Artifacts
这篇文章只是公开入口，真正的研究线还会继续 grow。
当前 public-safe 入口保留两个可以继续 review 的子页面：交互式 slide 和 WeHub 定制版橙皮书 seed。源码笔记、实验日志和 protocol v0 等内容，应等证据更硬之后再公开。