Hermes Agent 三期：记忆系统深度拆解，为什么它能真的"记住你"
摘要： 大模型最大的短板不是智商，是记忆力——会话一结束就忘光。Hermes Agent 用一套"分层记忆 + 文件持久化 + 自进化闭环"的设计，让 AI 真正跨会话记住你的偏好、项目上下文和工作流习惯。本文拆解它的四层记忆架构，以及为什么这套设计比向量数据库更靠谱。
一、AI 为什么总是"健忘"？
你肯定遇到过这种情况：
- 跟 ChatGPT 聊了半天需求，新会话一开始它又变回"陌生人"
- 跟 Claude 解释过你的代码风格，下次对话它照样给你写出不符合习惯的代码
- 跟智能体说过"我喜欢简洁的列表呈现"，结果下一次还是给你一坨长文
根本原因：传统大模型是无状态的。每次会话都是全新开始，历史对话要么截断，要么压缩成模糊的 summary，细节全丢。
Hermes Agent 的核心差异化：它设计了一套持久化记忆系统，让 AI 跨会话真正"记住你"。
二、Hermes 的四层记忆架构
Hermes Agent 的记忆系统不是简单的"把对话存数据库"，而是借鉴了 CPU 缓存的分层设计思想，把记忆分成四个层级：
🔥 Layer 1：核心记忆（热记忆）
存储位置：MEMORY.md（约 2200 字符）+ USER.md（约 1375 字符）
作用：这是 Agent 的"工作记忆"，在每次会话启动时直接注入系统提示词，确保关键上下文不丢失。
MEMORY.md 存的是什么？
- 环境事实（"本项目使用 React 18 + TypeScript，测试框架是 Vitest"）
- 项目约定（"API 接口统一用 RESTful，错误码格式见 docs/error-codes.md"）
- 工具特性（"Seedream 4.5 生成文字会乱码，所有生图 prompt 必须加 NO text"）
- 学习到的经验教训（"PowerShell 中文会乱码，写 .py 文件到磁盘再用 python.exe 执行"）
USER.md 存的是什么？ - 用户基本信息（姓名、角色、时区） - 沟通偏好（"喜欢简洁列表，不喜欢大段文字"） - 技术栈倾向（"后端用 Go，前端用 React，部署用 Docker"）
关键设计：冻结快照模式
会话进行中，MEMORY.md 和 USER.md 的内容是冻结的——不会因为会话中的临时更新而改变当前会话的系统提示词。
这样做有两个好处： 1. 稳定性：当前会话的上下文不会突然改变，避免模型混淆 2. 缓存友好：Anthropic 的 Prompt Caching 机制依赖系统提示词不变，冻结快照能最大化利用缓存，降低成本
🟡 Layer 2：技能记忆（温记忆）
存储位置：~/.hermes/skills/ 目录下的 Markdown 文件
作用：记录"你擅长做什么"——当 Hermes 解决一个难题后，它会自动生成技能文档，把解决方案沉淀成可复用的 Skill。
举个例子：
你让 Hermes 帮你调试一个 Python 的内存泄漏问题，它用 tracemalloc 找到问题并修复了。
会话结束后，Hermes 会自动写一个 Skill 文件：
# Python 内存泄漏调试
## 工具
- tracemalloc（标准库）
- objgraph（可视化对象引用）
## 步骤
1. 启动 tracemalloc
2. 拍摄快照 before / after
3. 对比差异，找出增长最多的对象类型
...
下次你再说"我的 Python 程序内存爆了"，Hermes 会自动加载这个 Skill，直接用之前沉淀的方法解决，而不用重新摸索。
这就是"自进化"：Hermes 不是靠模型本身变强，而是靠积累技能库，越用越强。
🔵 Layer 3：会话记忆（长期历史）
存储位置：SQLite 数据库（FTS5 全文索引）
作用：存储所有历史会话的完整记录，支持毫秒级全文检索。
为什么用 SQLite + FTS5，而不是向量数据库？
| 方案 | 优势 | 劣势 |
|---|---|---|
| 向量数据库（Pinecone/Weaviate） | 语义相似度检索 | 成本高，部署复杂，黑盒（不知道检索到什么） |
| SQLite + FTS5 | 零成本，精确匹配，可调试 | 只能关键词检索，不支持语义相似度 |
Hermes 的选择：优先保证成本和可调试性，语义检索靠模型自己搞定（把相关历史会话加载到上下文里，让模型自己理解）。
检索流程： 1. 用户发消息："帮我优化这段代码的性能" 2. Hermes 用 FTS5 搜索历史会话，找到之前关于"性能优化"的讨论 3. 把相关历史会话加载到上下文 4. 模型基于历史 + 当前问题，给出更精准的回答
🟣 Layer 4：外部记忆插件（可扩展）
存储位置：可插拔的外部记忆 Provider（Honcho / Mem0 / Hindsight / Supermemory 等）
作用：如果你对某个外部记忆系统有偏好，可以通过插件方式接入，Hermes 的记忆系统会自动调用它。
设计哲学：不对记忆方案做硬绑定，你可以根据自己的需求选择最合适的存储后端。
三、为什么这套设计比向量数据库更靠谱？
1. 可调试性
向量数据库的检索结果是黑盒——你不知道它为什么检索到某条记忆，也无法手动修正。
Hermes 的 MEMORY.md + USER.md 是纯文本文件，你可以直接打开看，甚至可以手动编辑。
实际场景：Hermes 记住了你的一个错误偏好（比如"用户喜欢用 TensorFlow"），你直接编辑 USER.md，把这条改掉就行。
2. 成本可控
向量数据库是按存储量 + 查询次数收费的，用久了成本会越来越高。
Hermes 的记忆系统基于本地文件系统 + SQLite，零运营成本。
3. 缓存友好
Anthropic 的 Prompt Caching 机制要求系统提示词不变才能命中缓存。
Hermes 的"冻结快照模式"完美契合这个需求——MEMORY.md 和 USER.md 在会话中不变，系统提示词稳定，缓存命中率高，API 调用成本低。
四、自进化闭环：记忆 → 技能 → 训练数据
Hermes Agent 的记忆系统不是孤立的，它跟技能系统、训练数据系统形成了一个闭环：
执行任务
↓
反思：这次任务学到了什么？
↓
沉淀：把经验写入 MEMORY.md（记忆）或生成 Skill（技能）
↓
复用：下次类似任务，自动加载记忆和技能
↓
优化：用历史任务数据做强化学习微调（未来规划）
这就是 Hermes 跟传统 Chatbot 的根本区别：
- 传统 Chatbot：无状态，每次会话从零开始
- Hermes Agent：有状态 + 自进化，越用越懂你，越用越强
五、跟 OpenClaw 的对比
| 维度 | OpenClaw | Hermes Agent |
|---|---|---|
| 记忆系统 | 依赖 LCM（Lossless Context Management）压缩历史会话 | 四层记忆架构（文件 + SQLite + 外部插件） |
| 跨会话记忆 | 有限（压缩后的 summary） | 完整（MEMORY.md + USER.md 持久化） |
| 技能沉淀 | 不支持 | 支持（自动生成 Skill） |
| 自进化 | 不支持 | 支持（执行→反思→沉淀→复用→优化） |
| 部署 | 依赖 OpenClaw 平台 | 可自托管（VPS / GPU 服务器 / Serverless） |
结论：OpenClaw 更适合"平台化使用"（预装到铠盒设备里，开箱即用），Hermes Agent 更适合"深度定制"（自己托管，自己调教记忆和技能）。
六、如何在铠盒设备上用好 Hermes Agent？
铠盒（Nizwo）的 Hermes 专区已经预装了 Hermes Agent，你只需要：
- 微信扫码绑定（跟 OpenClaw 一样的流程）
- 跟 Hermes 聊几次天，让它记住你的偏好和工作流
- 观察它越来越懂你：
- 第一次：你需要解释项目背景
- 第五次：它已经记住你的代码风格和部署习惯
- 第十次：它主动建议"这个项目用策略模式会更优雅"
核心优势：7×24 小时运行，记忆持续积累，不会因为关机或重启而丢失。
七、总结：为什么 Hermes 能真的"记住你"？
- 分层记忆架构：热记忆（MEMORY.md / USER.md）+ 温记忆（Skills）+ 长期历史（SQLite）+ 外部插件
- 冻结快照模式：会话中记忆不变，稳定且缓存友好
- 自进化闭环：执行→反思→沉淀→复用→优化，越用越强
- 可调试 + 零成本：纯文本文件 + 本地数据库，不依赖黑盒服务
跟大模型说"记住这个"不同，Hermes 是真的记住了——而且它记住的方式，你可以看、可以改、可以调试。
铠盒智能体计算机 × Hermes Agent
Hermes Agent 专区已上线铠盒官网，预装在 Hermes 高配款（D1 / E1 / F1 / G1）中。
7×24 小时运行，记忆持续积累，让你的 AI 真正越用越聪明。
关于铠盒：铠盒（Nizwo）是智能体计算机（Agent Computer）品牌，预装 OpenClaw（龙虾）和 Hermes Agent 双系统，7×24 小时稳定运行，让 AI 智能体真正为你干活。
关于 Hermes Agent：由 Nous Research 开发的开源 AI 智能体框架，核心特性是持久化记忆系统 + 自进化技能沉淀，让 AI 真正跨会话记住你。