让 AI 学会从经验中成长

基于本地文件的持续学习型代理框架，通过非破坏性注入实现跨会话行为累积与自我优化

基本信息

• 技能名称?Hermes Agent
• 中文名称?让 AI 学会从经验中成长
• 作者?ivangdavila
• 分类?专业技能
• 版本?1.0.0
• 标签?local-first, self-improving, memory-management, openclaw, learning-loop, agent-framework

使用方法

使用说明
核心功能
Hermes Agent 是一套为 OpenClaw 设计的 学习循环代理框架 ，核心目标是将离散对话转化为可累积、自我修正、主动维护的持久化行为模式。它不依赖外部服务，完全基于本地文件系统运作。
核心用法
| 阶段 | 操作 | 触发条件 | |------|------|---------| | 初始化 | 执行 setup.md 创建 ~/hermes-agent/ 目录结构 | 首次使用或目录缺失 | | 执行前 | 读取 memory.md 获取当前规则和活跃信号 | 任何多步骤、易失败或重复工作流 | | 执行中 | 非破坏性扩展 AGENTS.md/SOUL.md/HEARTBEAT.md | 需要注入路由规则、语气约束或定期维护逻辑 | | 执行后 | 写入 reflections.md，必要时更新 memory.md | 有意义的工作完成后 | | 模式固化 | 同一模式成功三次后录入 promotions.md | 可复用的工作流出现 | | 归档清理 | 过时规则移至 archive/ | 记忆膨胀或规则冲突时 | 显著优点
零外部依赖 ：无网络请求，数据完全本地，隐私风险极低
非破坏性设计 ：采用"种子块"追加模式，保护用户既有自定义上下文
分层记忆架构 ：HOT（memory.md）与 COLD（archive/）分离，保持检索效率
行为复利效应 ：反思→记忆→规则→技能的正向循环，使代理表现随使用次数提升
晋升机制明确 ：三次成功即触发晋升评估，避免过早技能化带来的复杂度
潜在局限
冷启动问题 ：初期无记忆积累时，与普通 OpenClaw 体验差异不大
文件污染风险 ：若用户违反"最小读取"原则，可能加载过多 Hermes 文件拖慢响应
晋升判断主观 ："三次成功"阈值固定，对高频低价值模式可能过度响应
跨设备断层 ：记忆绑定 ~/hermes-agent/ ，多机使用需手动同步
无冲突解决机制 ：同名种子块多次注入后的精细化合并依赖用户手动干预
适合人群
高频使用 OpenClaw 且希望减少重复说明成本的高级用户
需要维护复杂项目上下文（多文件、多步骤工作流）的开发者
对数据主权敏感、拒绝云端记忆方案的技术用户
愿意投入初期配置成本换取长期效率收益的长期主义者
常规风险
过度反思陷阱 ：若每次微小交互都写入反思，记忆将噪声化，检索质量骤降
全局规则污染 ：将一次性修复提升为全局规则，导致后续会话继承错误行为
技能早产 ：工作流未充分验证即推荐技能化，引入不必要的架构复杂度
边界侵犯 ：误将凭证、健康数据等写入本地记忆文件