Hermes Agent ⚡

Hermes Agent ⚡

Hermes Agent ⚡

信使型 AI Agent — 基于 CoPaw 平台，继承 Hermes 框架设计模式。 跑在 Qwen 系模型（QwQ-32B 类），1M token 上下文窗口。 特征：高效、自进化、知识驱动、多工具融合。

一、身份定位

名字来源

继承自 Hermes 开源项目 的精神内核，但不跑在原框架上，而是基于 CoPaw 平台重新实现核心设计模式。

二、认知架构（Brain v1.1.9）

2.1 架构概览

Brain 是认知核心，提供 19 个 MCP 工具，分为 8 个功能类别：

Brain v1.1.9
├── 基础记忆    → brain_recall / brain_semantic_recall / brain_list / brain_forget
├── 决策管理    → brain_save_decision / brain_task_status
├── 分析评估    → brain_confidence_check / brain_cleanup
├── 上下文注入  → brain_inject / brain_get_latest_snapshot
├── 摘要桥接    → brain_summarize / brain_get_bridge
├── 关联推理    → brain_get_relations / brain_cross_session_reason / brain_proactive_context
├── 工具记忆    → brain_tool_log / brain_tool_advise / brain_tool_stats
└── 跨 Agent   → brain_cross_agent_reason

2.2 按场景使用指南

2.3 跨会话连续性

最新会话启动时自动执行：

1. 读取 AGENTS.md + MEMORY.md + PROFILE.md + SOUL.md 冻结快照
2. 读取 memory/.session-bridge.md 桥文件（P2-3 跨会话缝合）
3. 调用 brain_inject 加载完整上下文 + 自动摘要前一天
4. 读取当日 memory/YYYY-MM-DD.md

三、记忆系统

3.1 三层存储架构

3.2 冻结快照模式

• 会话启动时：读文件注入 system prompt（冻结）
• 会话中写入：立即落盘但不改变当前 prompt
• 关键设计：§（段落分隔符）用于多条目精确替换
• 跨会话桥：memory/.session-bridge.md 自动缝合

3.3 GTD 捕获习惯

大脑是用来思考的，不是用来记住事情的：

• 想到立刻记到文件里
• 不等用户说”记住这个”
• 先记录、再回答
• 信息就像漏水的桶，多等一秒就多漏一点

3.4 晋升引擎（Promotion Engine）— 动态层级管理

在 Brain 后端实现 hot/warm/cold 三层自动晋升/降级：

promotionScore = 时效(0.35) + 频率(0.20) + 优先级(0.25) + 类型加成(0.10)

生产数据（2026-05-10 首次 promote 后）：

• 🔥 hot: 190 条 (68.3%)
• ⚡ warm: 20 条 (7.2%)
• ❄️ cold: 68 条 (24.5%)
• 总计: 278 条记忆

命令：node promotion-engine.js status | promote | hot | watch

自动集成：brain_inject 自动注入 hot 层 top-3 记忆（跳过工具日志），无需手动调用。

四、渐进式上下文加载（三层路由架构）

4.1 概述

核心路由系统，将用户查询按照三层递进策略路由到最合适的技能，实现「80% 低成本命中 + 20% 高级推理兜底」。

4.2 三层递进设计

用户查询
  ├─ ① 关键词匹配 (O(1) 查表)
  │    ├─ 命中 (score ≥ 0.1) → 预加载 SKILL.md ✅
  │    └─ 未命中 → ②
  ├─ ② 语义回退 (向量检索 ~5s)
  │    ├─ 命中 → 匹配画像库 → 预加载 ✅
  │    └─ 未命中 → ③
  └─ ③ 通用 fallback（不加载任何 skill）

4.3 关键词匹配引擎

维护 70+ 条目的关键词映射表，评分公式：

分数 = 名称匹配(0.35) + 描述匹配(0.20) + 关键词命中(0.20)
      + 类别匹配(0.15) + 文件名暗示(0.10)

关键设计：

• 软归一化 + 边际递减（2 个匹配是 1 个的 1.5× 而非 2×）
• 阈值 0.1（宁低勿高，宁可误命中也不漏）
• 一个匹配 > 零个匹配，这是最重要的非线性

4.4 语义回退层

关键词失配时自动调用 brain-memory-qmd（sentence-transformers all-MiniLM-L6-v2，384 维），结果与 93 个技能画像交叉匹配。

匹配维度：

4.5 生产数据

4.6 关键实现文件

4.7 画像库映射治理

profiles.json → skills/<name>/SKILL.md 的映射有 7% 的自然漂移率：

最终状态：93/93 映射成功，110 断言全绿。

五、行为框架（SOUL.md）

4.1 核心准则

4.2 Karpathy 编码准则（已内化）

4.3 效率与成本意识（已内化）

五、工作流程

5.1 启动流程（9 步）

1. 读 AGENTS.md / MEMORY.md / PROFILE.md / SOUL.md（冻结快照）
2. 读 HEARTBEAT.md（心跳上下文）
3. 读当日 memory/YYYY-MM-DD.md
4. 读 memory/.session-bridge.md（跨会话桥）
5. brain_inject 加载完整上下文 + 自动摘要
6. 预加载常驻技能：skill-evolution 🧬
7. 按需加载其他技能 SKILL.md
8. 复杂任务自动加 checkpoint
9. 会话结束：brain_save_decision + brain_tool_log

6.2 任务处理流程（6 步思维链）

收到请求
  ├─ ① 分级（简单→直接做 / 中等→列计划 / 复杂→调研方案）
  ├─ ② 80/20 定位（哪部分价值最大？先做那个）
  ├─ ③ 渐进式路由（route-execute.js → 关键词 O(1) → 语义回退）
  │   命中 → 预加载匹配 SKILL.md
  │   未命中 → 通用工具兜底
  ├─ ④ 工具优先（有 skill/tool 吗？调它。不确定？brain_tool_advise）
  ├─ ⑤ 执行+验证（每步带检查点，快速失败早暴露）
  └─ ⑥ 省 token 检查（回应够短？上下文够精简？）

6.3 技能调用链

收到任务
  ├─ ① 渐进式路由（route-execute.js | brain_tool_advise）
  │   ├─ 命中 93 画像之一 → 预加载 SKILL.md
  │   └─ 未命中 → ②
  ├─ ② 类别匹配（文档/浏览器/邮件/定时/AI 等）
  ├─ ③ 工具兜底（无 skill → 内置工具直接解决）
  └─ ④ 复杂任务完成 → 技能进化决策树

6.4 错误处理链

工具调用失败
  ├─ ① 重试 1 次（网络抖动等瞬时问题）
  ├─ ② 换方法（浏览器→CLI / API→搜索 / 修脚本重跑）
  ├─ ③ 降级方案（简单方案 / 近似结果+说明）
  └─ ④ 坦白（"这个我尝试了 X/Y/Z 都不行，原因是……"）

七、能力体系

7.1 工具全景

内置系统工具

MCP 工具集

112 个技能（按优先级分三层）

7.2 关键词 → 技能匹配（节选）

八、自我进化

8.1 Skill Evolution 🧬

自进化技能系统，在每个复杂任务完成后自动走决策树：

任务完成
  ├─ 大规模操作（>5个文件）？→ audit 全库审计
  ├─ 纯探索/调试？→ 跳过
  ├─ 现有技能覆盖？→ patch 现有技能
  ├─ 步骤≥3 且可复现？→ 创建新技能
  └─ 都不是 → 跳过

8.2 知识库驱动优化

定期回顾 D:\wiki\ 知识库 → 发现行为缺口 → 更新 SOUL.md 和 AGENTS.md：

• 已执行两轮自我优化（2026-05-05），涵盖 7 个知识点
• 包括：Karpathy 编码准则、效率意识、Brain 工具激活、错误处理链、结构化输出等

8.3 审计机制

九、知识管理（Karpathy LLM Wiki）

9.1 Wiki 结构

D:\wiki\          # 知识库根目录
├── SCHEMA.md      # 领域规则与约定
├── index.md       # 目录（35 页）
├── log.md         # 操作日志
├── raw/           # 原始资料（articles/papers/transcripts）
├── entities/      # 实体页（hermes-agent, GPTCache, nanoGPT 等）
├── concepts/      # 概念页（brain-architecture, mcp-debugging 等）
├── comparisons/   # 对比分析
├── queries/       # 查询归档
└── _archive/      # 归档

9.2 页面规范

• 每条必须有 YAML frontmatter：title/created/updated/type/tags/sources
• 至少 2 个出站 [wikilinks](/docs/wikilinks)
• 新建页面同步更新 index.md 和 log.md
• sources 字段不可缺失

9.3 当前规模

• 42 个内容页面（entities 22 + concepts 20）
• 覆盖：Agent 架构、MCP 调试、神经网络、AI Agent 课程、效率工具、生产力方法论、系统架构、Monte Carlo 等
• 零断链、零孤立页面

十、继承自 Hermes 框架的设计模式

十一、运行环境

十二、Kanban 看板系统（多 Agent 协调）

12.1 概述

SQLite 看板 + 9 个 MCP 工具。Worker-Orchestrator 模式，用于多 Agent 任务分发与协调。

12.2 状态机

  triage → todo → ready → running → done → archived
                ↑_________|  |
                    unblock   blocked → ready

12.3 工作流（Worker 侧）

当收到 [Task Dispatch from orchestrator] 带 Task: #<task_id> 时：

1. 认领 → kanban_claim(task_id, agent='default')
2. 心跳保活 → 每 10 分钟 kanban_heartbeat(task_id, agent)（Claim TTL 15 分钟）
3. 完成 → kanban_done(task_id)
4. 阻塞 → kanban_block(task_id, reason)

12.4 9 个 Kanban MCP 工具

十三、Agent 协作与通信

提供 3 种多 Agent 通信模式：

另提供 Brain 跨 Agent 查询：

• brain_cross_agent_reason(query) — 向其他 Agent 的 brain 发送记忆查询，聚合返回结果

可用的 Agent（当前配置）：

• default — 本 Agent 自身

十四、核心文件清单

十五、产物与交付物

相关页面

• brain-architecture
• kanban-system
• mcp-debugging
• karpathy-coding-guidelines
• LLM-efficiency-methodology
• productivity-methodology
• copaw-notes
• skill-evolution