Hermes Agent 教程 2：记忆系统 — 持久记忆与用户建模

教程概述

系列索引: Hermes Agent 教程系列

本文介绍 Hermes Agent 的记忆系统。这是它区别于其他 AI 助手的第一个核心能力。与 Claude Code 或 Cursor 不同，Hermes 会在不同会话之间保留记忆。

你将学到什么

✅ 为什么 Hermes 的记忆能力和其他 Agent 不一样
✅ Honcho 的辩证式用户建模方式
✅ 记忆提示是如何工作的
✅ 如何通过 FTS5 实现跨会话回忆
✅ 如何查看与管理已存储的记忆

为什么记忆很重要

大多数 AI 助手的问题

每次和 Claude Code、Cursor 或 ChatGPT 开始一段新对话时，几乎都是从零开始。它们会忘记：

你的编码风格偏好
你上周解释过的项目上下文
你们共同做出的决策
之前调试过程中总结出的经验

flowchart LR
    A[会话 1] --> B[知识逐渐积累]
    B --> C[会话结束]
    C --> D[会话 2]
    D --> E[重新从零开始]

    style C fill:#ffcccc
    style E fill:#ffcccc

Hermes 的不同做法

Hermes Agent 实现了一个可持续积累知识的学习循环：

flowchart TD
    A[用户交互] --> B[经验被记录]
    B --> C[触发记忆提示]
    C --> D[知识被持久化]
    D --> E[会话搜索建立索引]
    E --> F[未来可被回忆]
    F --> A

    style B fill:#e1f5ff
    style D fill:#e8f5e9
    style F fill:#fff3e0

对比

功能	Hermes Agent	Claude Code	Cursor	ChatGPT
跨会话记忆	✅ Honcho	❌ 无	❌ 无	❌ 有限
用户建模	✅ 辩证式	❌ 静态	❌ 静态	❌ 档案式
会话搜索	✅ FTS5	❌ 无	❌ 无	❌ 有限
自动持久化	✅ 记忆提示	❌ 手动	❌ 手动	❌ 手动

Honcho 辩证式用户建模

什么是 Honcho？

Honcho 是 Hermes 的用户建模引擎，建立在辩证原则之上。它不是维护一个静态的用户画像，而是在持续对话中逐步形成一个不断演化的用户模型。

类比：你可以把 Honcho 想象成一位图书管理员。它不只是帮你存书，还会理解你为什么读这些书、其中呈现出什么模式，以及你的兴趣是如何逐步变化的。

辩证式建模如何工作

sequenceDiagram
    participant U as 用户
    participant H as Hermes
    participant Honcho as Honcho 引擎
    participant M as 记忆存储

    U->>H: 分享偏好
    H->>Honcho: 处理交互
    Honcho->>Honcho: 识别模式
    Honcho->>M: 存储洞察
    M->>Honcho: 取回上下文
    Honcho->>H: 更新用户模型
    H->>U: 给出更贴合的响应

    style Honcho fill:#e1f5ff

核心组成部分

用户档案 — 偏好、风格、限制条件
交互历史 — 被索引的全部对话
模式识别 — 重复出现的主题与行为
洞察综合 — Hermes 对你的持续理解

记忆提示

什么是记忆提示？

记忆提示是 Hermes 定期发给自己的内部提醒，核心问题是：“这段信息值得被持久保存吗？”

它解决的是一个常见问题：人类往往不会主动告诉 Agent，什么信息是长期重要的。

提示触发时机

提示类型	触发条件	目的
会话结束	对话关闭时	总结关键收获
检测到模式	出现 3 次以上相似请求	持久化偏好
用户显式声明	如“记住这个”	立即存储
周期性触发	每 10 轮对话	检查是否有高价值信息

记忆提示流程示例

用户: 我做 Python 测试时一直用 pytest，不用 unittest

[3 轮对话后]

Hermes（内部提示）: 检测到模式：pytest 偏好。是否持久化？
→ 是：存储偏好
→ 记忆内容："用户在 Python 测试中偏好 pytest 而不是 unittest"

[下一个会话]

用户: 给这个函数写测试

Hermes: 按照你的偏好，我会使用 pytest……（从记忆中检索得到）

跨会话回忆

FTS5 搜索

Hermes 使用 SQLite 的 FTS5（全文搜索）来索引会话历史：

flowchart LR
    A[历史会话] --> B[建立 FTS5 索引]
    B --> C[触发查询]
    C --> D[找到相关匹配]
    D --> E[LLM 进行摘要]
    E --> F[注入当前上下文]

    style B fill:#e8f5e9
    style E fill:#fff3e0

回忆如何发生

建立索引 — 每段对话都会连同元数据一起进入索引
触发查询 — 当前上下文触发搜索
召回结果 — FTS5 找到相关历史会话
摘要压缩 — LLM 将结果压缩为可用上下文
注入提示词 — 将相关记忆加入当前提示中

手动回忆

你也可以显式查询记忆：

/recall "我们之前是怎么决定 API 结构的？"
/search "上个月的调试会话"

查看与管理记忆

记忆存放位置

Hermes 会将记忆存储在：

~/.hermes/memory/
├── sessions/          # 已索引的对话历史
├── user_profile.json  # 辩证式用户模型
├── insights.json      # 综合形成的洞察
└── preferences.json   # 用户显式声明的偏好

查看记忆

使用 /memory 命令：

/memory show           # 查看当前用户档案
/memory list           # 列出已存储洞察
/memory search [query] # 搜索历史会话

管理记忆

# 通过 CLI 查看
hermes memory show

# 导出记忆
hermes memory export --format json

# 删除特定记忆
hermes memory forget "pytest 偏好"

# 完全重置（谨慎）
hermes memory reset

手动编辑记忆

你也可以直接编辑相关文件：

# 查看用户档案
cat ~/.hermes/memory/user_profile.json

# 编辑偏好
nano ~/.hermes/memory/preferences.json

最佳实践

如何让记忆更有效

显式声明偏好 — 例如“记住：我使用 TypeScript strict mode”
确认重要决策 — 例如“我们就按这个 API 结构定下来”
定期检查 — 使用 /memory show 确认内容准确
清理过时信息 — 删除已经失效的偏好

记忆卫生

做法	命令	频率
查看用户档案	`/memory show`	每周
清理过时信息	`/memory forget`	按需
导出备份	`hermes memory export`	每月

常见问题排查

记忆没有持久化

原因：记忆提示功能被关闭。

解决方案：

hermes config set memory.nudges.enabled true

回忆结果为空

原因：搜索条件过于具体。

解决方案：改用更宽泛的关键词，或者先查看 /memory list。

记忆占用空间太大

原因：会话历史积累过多。