深度拆解 Hermes Agent 的记忆系统：它如何修正 OpenClaw 的误区 作者：Manthan Gupta 原文： I Read Hermes Agent's Memory System, and It Fixes What OpenClaw Got Wrong 如果你读过我之前关于 ChatGPT、Claude 以及 Clawdbot 记忆系统的文章，你就会知道我一直在钻研同一个问题：这些 AI 智能体（AI Agent）到底是怎么记事的？ Hermes Agent 对我来说格外有趣，因为这次我不需要只靠观察它的行为来搞“逆向工程”。
Hermes 是开源的，它的代码库和文档都是公开的。所以，我没有通过提示词（Prompt）去盲测这个黑盒，而是直接翻看了它的代码路径——从它如何构建提示词状态、持久化会话，到如何清理记忆和查询历史对话。
简而言之：Hermes 拥有的不是一套记忆系统，而是四套。存储在 MEMORY.md 和 USER.md 中、经过高度浓缩的 提示词记忆 。
通过 session_search 调用的 SQLite 历史会话存档 （可搜索）。像 程序记忆 （Procedural Memory）一样运作的 智能体技能管理 。
可选的 Honcho 层，用于更深层的 用户建模 （User Modeling）。把这些设计联系在一起的核心逻辑非常简单： 保持提示词稳定以便利用缓存（Caching），其他一切繁杂信息都交给工具。
让我们深入聊聊。 Hermes 的上下文结构 在理解记忆之前，我们先看看 Hermes 到底给模型发送了什么。
系统提示词（System Prompt）大致是按以下顺序组装的： [0] 默认智能体身份 [1] 工具使用行为指南 [2] Honcho 集成模块（可选） [3] 可选系统消息 [4] 固化的 MEMORY.md 快照 [5] 固化的 USER.md 快照 [6] 技能索引 [7] 上下文文件（AGENTS.md, SOUL.md 等规则文件） [8] 日期/时间 + 平台信息 [9] 对话历史 [10] 当前用户消息 这非常关键，因为 Hermes 正在针对大模型供应商的 提示词缓存（Prompt Caching） 机制进行优化。代码显示，提示词构建器的目标非常明确： 让稳定的前缀部分尽可能长时间地保持不变。
这一个决定就解释了 Hermes 大部分的记忆架构。如果某条信息每一轮对话都要用到，Hermes 会尽量把它缩得很小并注入进去；如果信息量很大、属于历史旧账或者偶尔才有用，Hermes 就会把它踢出提示词，改用“按需检索”的方式。
第一层：固化的提示词记忆 其内置的记忆系统小得令人惊讶。 Hermes 将持久记忆存储在 ~/.hermes/memories/ 下的两个文件中： 文件 用途 限制 MEMORY.md 智能体笔记：环境、规范、工具怪癖、教训 2,200 字符 USER.md 用户画像：偏好、沟通风格、身份信息 1,375 字符 这容量真不大。
加起来大约只有 1,300 个 Token（模型理解文本的最小单位） 。而这正是刻意为之。
在会话开始时，Hermes 加载这两个文件，把它们渲染进提示词区块，然后 在整个会话期间固化这个快照 。会话中途写入的记忆会立即存入硬盘，但不会改变已经生成的系统提示词。
这些改动只有在开启新会话，或者触发了“压缩（Compression）”导致的提示词重建时才会生效。渲染后的格式如下： ══════════════════════════════════════════════ MEMORY (你的个人笔记) [67% — 1,474/2,200 字符] ══════════════════════════════════════════════ 用户的项目是一个位于 ~/code/myapi 的 Rust Web 服务，使用 Axum + SQLx § 这台机器运行 Ubuntu 22.04，安装了 Docker 和 Podman § 用户喜欢简洁的回复，讨厌冗长的解释 这里有几个我非常欣赏的细节设计： 使用字符限制而非 Token 限制 ：这让记忆逻辑与模型无关。
Hermes 不需要调用特定模型的计算工具就能判断记忆是否存满。简单的分隔符文件格式 ：条目之间用 § 分隔。
没有复杂的向量数据库（Vector DB），没有自定义二进制存储，就是纯文本。刻意保持极小的系统提示词空间 ：这是整个设计的重中之重。
Hermes 不想把所有历史都塞进提示词，它只想要最有价值的事实。记忆是“精选状态”，而不是“日记” ：这是 Hermes 与 OpenClaw 最大的区别。
OpenClaw 的日志更像是“流水账”。而 Hermes 则反其道而行。
它的工具架构和测试逻辑强调： 保存用户偏好。保存环境事实。
保存反复出现的错误修正。保存稳定的规范。
不保存 任务进度。不保存 会话结果。
不保存 临时的待办事项（TODO）。真相是：Hermes 希望 MEMORY.md 和 USER.md 保持精简、高频且对缓存友好。
memory 工具 Hermes 通过一个拥有三种操作的 memory 工具来管理这些文件： add （添加）、 replace （替换）、 remove （移除）。一个好用的细节是： replace 和 remove 使用 子字符串匹配 。
你不需要记住条目的内部 ID，只需要传入现有条目中一段唯一的文字即可。此外，系统会拒绝完全重复的内容，并拦截危险信息。
源代码会扫描记忆条目，防止 提示词注入（Prompt Injection，即通过输入恶意指令误导 AI） 、凭证泄露或隐藏的 Unicode 字符。第二层：用于情景回溯的 session_search 如果说 MEMORY.md 是 Hermes 的“短期热记忆”，那么 session_search 就是它的“长尾回溯系统”。
所有过去的会话都存储在 SQLite 数据库中，拥有完整的索引和搜索功能。当模型需要想起以前聊过的内容时，它不去翻 MEMORY.md ，而是搜索这个会话数据库。
其工作流程是： 在过去的消息中进行全文搜索。按会话分组结果。
加载匹配度最高的会话。使用一个便宜的辅助模型对这些会话进行摘要总结。
将精炼后的回顾内容返回给主模型。这是一种非常务实的设计。
它比盲目地把长篇累牍的历史塞进每一个提示词要便宜且高效得多。第三层：压缩与记忆冲刷（Memory Flush） Hermes 另一个聪明之处在于它处理长对话“压缩”的方式。
当会话变得太长，Hermes 会压缩对话中间的部分以节省空间。但摘要是有损的，重要事实可能会丢失。
于是，Hermes 会先进行一次“记忆冲刷”。在压缩之前，它会发送一条指令告诉模型： “会话即将压缩，请保存任何值得记住的东西。
优先保存用户偏好、修正建议和重复模式，而非具体的任务细节。然后它运行一次额外的模型调用，只开启 memory 工具。
如果模型觉得有什么东西该留下来，就会在对话被“洗掉”之前把它写入 MEMORY.md 。第四层：作为程序记忆的技能（Skills） Hermes 不仅能记住事实，还能记住 技能 。
技能（Skills）存储在 ~/.hermes/skills/ 下。当 Hermes 发现了一个复杂的流程、修复了一个棘手的问题或学会了更好的方法时，它可以将其保存为“技能”。
大多数记忆系统只关注“语义回溯”（名字、偏好、事实），但智能体还需要记住 如何做事 。为了效率，Hermes 不会把所有技能都塞进提示词，而是只放一个 技能索引 ，只有在需要时才加载具体的技能内容。
第五层：用于深层建模的 Honcho 最后是可选的 Honcho 层。如果说本地记忆是 Hermes 的笔记本，Honcho 就是它尝试构建的复杂用户模型。
它能实现跨设备、跨平台的记忆连续性。最精妙的是它如何在不破坏提示词缓存的前提下实现集成： 在会话的第一轮，Honcho 的上下文会被织入系统提示词。
在之后的对话中，为了保持提示词稳定，Honcho 的回溯内容会附加在 当前用户的提问 后面，而不是修改系统提示词。这确保了缓存依然有效，同时 AI 依然能读到最新的背景信息。
Hermes 与 OpenClaw 的区别 OpenClaw ：记忆更接近“以 Markdown 为中心的存储”，日志和长效文件是主要事实来源。 Hermes ：提示词记忆被严格限制，历史记录存在 SQLite 里，只有需要时才搜索。
Hermes 更加关注缓存效率。它认为：不是所有东西都配住在“系统提示词”这个黄金地段。
总结：Hermes 做对了什么？冷热分离 ：小规模提示词记忆负责常驻信息，搜索负责偶尔用到的信息。
缓存优先 ：它意识到频繁改动提示词会导致延迟增加和成本上升。记忆的多样性 ：它承认记忆是分层的——包括个人画像、情景回溯、操作技能和深层建模。
Hermes 的核心设计原则最令我折服： 记忆应该让智能体变得更好用，而不是通过摧毁提示词的稳定性来换取博闻强识。真正的诀窍不是记住更多，而是在正确的层级、以正确的成本，记住正确的事情。