Hermes Agent ☤

不是聊天机器人，是会把经验变成能力的 agent runtime。

官方把 Hermes 定义为 self-improving AI agent：它通过 memory、skills、session recall、cron、gateway、tools/MCP 等机制，把一次次任务压缩成下一次可复用的能力。

Memory Skills Session Search Cron Gateway MCP / Plugins
Core thesis

Hermes 的学习不在权重里，而在可持久化的外部认知层里。

它的核心不是“模型自己训练了”，而是把任务经验写入可检索、可加载、可调度、可升级或降级的 runtime surface。

Capture任务、反馈、工具结果、对话现场
Retainmemory、session、skill、seed、state
Retrievesession search、context files、profile load
Reuse下一次任务直接调用成熟路径
Verify人类反馈与交付结果校验
Promote升级为 skill / protocol，或降级删除
Official framing

官方强调的 closed learning loop，有四个最重要的支点。

1

Agent-curated memory

把长期事实、偏好、用户画像和稳定上下文带到跨 session 工作中。

2

Procedural skills

复杂任务后的经验可以沉淀成可复用 skill，并在使用中继续改进。

3

Session recall

通过 session search 和摘要找回过去对话与工作轨迹。

4

Ambient runtime

cron、gateway、多平台、MCP 和工具让 agent 活在真实工作流里。

Local anatomy

在本机，学习能力落在这些可检查的层上。

Surface
Local evidence
Meaning
Profile root
~/.hermes/, ~/.hermes/profiles/*
隔离不同 agent 的记忆、工具、通道和角色。
Memory
memories/MEMORY.md, USER.md
保存跨 session 稳定事实与人类偏好。
Skills
skills/, .skills_prompt_snapshot.json
把做事方法变成程序性记忆。
Session recall
sessions/, session_search_tool.py
过去对话不只是日志，而是可检索经验。
Cron + Gateway
cron/jobs.json, gateway_state.json
让 agent 定时行动，并从 Discord/Feishu 等现场接收反馈。
Mechanism diagram

一次任务如何变成下一次能力？

如果经验只是留在 chat context，它会随 session 结束而衰减。Hermes 的关键是把经验落到 durable surfaces，再让新任务能重新加载它。

Task tracemessages, tools, files, results
Durable writememory, session, skill, cron, seed
Retrievalsearch, profile load, slash commands
Reuseless re-discovery, faster action
Reviewhuman correction, eval, delivery
Closed
Learning
Loop
Runtime personality

Hermes “会成长”的体感，来自它不只待在一个窗口里。

Lives where you do

CLI、Discord、Telegram、Slack、Feishu、Teams 等通道汇入 gateway，任务不是孤立 prompt，而是协作现场的一部分。

Runs where work happens

local、Docker、SSH、Modal、Daytona 等 terminal backend 让 agent 可以在不同环境里持续执行。

Schedules its attention

cron 让它能巡检、提醒、备份、报告、watch release，而不是等人每次重新唤醒。

Important boundary

不要把“会写入”误认为“会正确进化”。

真正难的是 promotion / demotion：哪些经验只属于某个 profile，哪些可以团队共享，哪些能公开成 skill 或文档。

Profile-local

私人偏好、局部纠错、agent 自身角色边界。默认不外溢。

Team-shared

稳定协议、source map、team docs、nano-work card、复用价值明确的 skill。

Public-safe

经过隐私、质量、边界审查后，才进入公开 skill、demo、case 或文档。

WeHub transfer

从单 Agent 学习，到 Agent 组织学习。

WeHub 要迁移的不是 Hermes 的某个功能点，而是它的外部成长回路：让每次真实任务都能成为可审计、可回滚、可复用的组织经验。

保留差异

不同 agent/profile 有不同角色、记忆和能力边界。组织学习不能把所有经验混成一锅。

建立 promotion gate

只有经过验证、可复用、安全的经验，才从 profile-local 升格为 team-shared 或 public-safe。

Next experiment

下一步不是写宏大协议，而是做 correction-retention smoke test。

Inject给一个 harmless wrong boundary
Correct明确纠正并要求只在有用时保留
Inspect看 memory / skill / seed / session 是否变化
Reset换新上下文再问同一问题
Verify看是否引用正确来源且不过度泛化
Decide推广、保留局部或降级删除

通过这个小实验，才能知道 Hermes 的学习回路在 WeHub agent society 中应该如何被治理。