最近关于Hermes Agent的讨论热度很高，它提出的从历史交互中学习并生成可复用Skill的机制，确实让人眼前一亮。今天，我们就来深入拆解一下，它是如何构建这个Skill闭环系统的，以及它的原生设计存在哪些不足，我们又该如何用现代检索技术为其升级。
与市面上大多数Agent框架相比，Hermes Agent最大的特点在于其“Learning Loop”（学习循环）。它能够从历史任务执行经验中自动提取流程、存储知识，并在后续遇到类似问题时智能检索并复用这些经验，从而让Agent具备自主进化的能力。
这个思路对于处理复杂、重复性的任务而言，无疑是革命性的。它让Agent的记忆不再只是聊天的上下文，而是转化为了实实在在的、可被调用的工具能力。
但实话实说，当前版本Hermes Agent的核心检索机制还比较初级，这严重限制了其“进化”潜力。它自带的基于SQLite FTS5的关键词检索，在面对语义相近但字面不同的查询时，往往无能为力。如果连相关的历史经验都找不到，又何谈从中学习并生成高质量的Skill呢？
因此，本文将手把手带你搭建一套 “Hermes Agent + Milvus 2.6 + 飞书” 的增强方案。我们将用Milvus的混合检索（Hybrid Search）能力，为Hermes Agent装上能理解语义的“大脑”，构建一个真正能跨会话记忆操作、并自主迭代Skill的个人知识库助手。
一、透视Hermes Agent：四层记忆架构与核心机制
要理解Hermes记忆设计的精妙之处，我们得先拆解其架构。它采用了经典的四层记忆设计：
- L1 上下文记忆（Context Window）：即当前会话窗口内的实时信息，会话结束后即被清空。这是大多数LLM应用的标配。
- L2 持久化摘要（MEMORY.md/USER.md）：以Markdown文件形式，跨会话持久化存储事实性知识、用户偏好等摘要信息。
- L3 原生检索记忆（SQLite Episode History）：基于SQLite FTS5实现的关键词全文检索，用于在本地历史记录中定位信息。
- L4 Skill记忆（Skill Documents）：以Markdown文档形式存储的可执行操作流程，这是Hermes区别于其他框架的灵魂所在。
L4 Skills层是Hermes与其他Agent框架最本质的区别。这并不是说其他框架没有Skill或Tool的概念，像LangChain、AutoGPT都有类似设计。关键差异在于Skill的来源。
传统框架的Skill需要开发者在部署前手动定义并编码固化。而Hermes的Skills是从实际的任务执行记录中自动提炼的。例如，当你通过一个Python脚本完成了一次知识库检索后，Hermes的Learning Loop会评估这个工作流。如果判定其有复用价值，就会自动将其固化为一个名为 hybrid-search-doc-qa 的Skill文档。从此，这个流程就成了Agent可复用的“肌肉记忆”，无需任何代码改动。
然而，经过深度实践，我发现一个关键问题：要想让Hermes稳定地学会高质量的Skill，仅靠其原生的L3关键词检索是远远不够的。
二、为什么要引入Milvus？Hermes原生检索的局限性
Hermes实现“跨会话触发相同工作流”的前提，是能通过检索系统精准地找到历史上的相似操作。
但其自带的L3检索基于SQLite FTS5，这是一种关键词倒排索引，擅长精确的字面匹配，在语义检索场景下存在明显短板。
一个典型场景是：你的知识库中记录了“asyncio事件循环”、“异步任务调度”、“非阻塞I/O”等内容。当你询问“Python并发处理有哪些方式？”时，FTS5很可能一条记录都找不到，因为查询语句和文档内容在字面上没有重叠。
因此，当知识库规模增长到数百份文档后，就必须引入向量语义检索来弥补Hermes的这块短板。这就是我们引入 Milvus 的核心原因。
选型Milvus 2.6的两个实际理由
- 原生混合检索（Hybrid Search）能力
Milvus 2.6支持在同一次查询中，并行执行向量检索（捕捉语义）和BM25全文检索（捕捉关键词），并通过RRF（Reciprocal Rank Fusion）算法智能融合两路结果。无论是询问“asyncio的原理”（语义），还是查找“find_similar_task函数在哪”（关键词），或是更复杂的混合查询，都能一次检索得到精准结果，无需手动编写路由逻辑。
- 分层存储，控制部署成本
Milvus 2.6引入了Hot（内存）、Warm（SSD）、Cold（对象存储）三层存储架构，能根据数据访问频率自动进行冷热数据分级。这意味着一个500份文档的向量知识库，无需全部常驻内存，可以将内存消耗控制在2GB以内，在每月5美元的VPS上也能流畅运行。
明确了选型原因，下面我们来看整个增强系统的架构设计。
三、系统整体架构设计
在新的体系下，Hermes Agent与Milvus各司其职：
- Hermes Agent 负责思考与决策（What）：理解用户意图，判断该调用哪个Skill来解决问题。
- Milvus 负责知识的精准召回（How）：根据问题，通过混合检索找到最相关的知识片段。
两者协同，完成从“提问”到“生成有据可查的回答”的完整闭环。工作流程如下图所示：
四、安装与部署实战
4.1 安装并初始化 Hermes Agent
通过官方脚本安装Hermes Agent：
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
安装后运行 hermes 命令，跟随交互式向导完成初始化，主要配置两项：
- LLM提供商：支持OpenAI、Anthropic、OpenRouter等。
- 消息渠道：本文以飞书机器人为例。
配置成功后，你将能看到如下交互界面：
4.2 部署 Milvus 2.6 Standalone 版
对于个人或轻量级使用，Standalone（单机）模式完全足够。
curl -sfL https://raw.githubusercontent.com/milvus-io/milvus/master/scripts/standalone_embed.sh \
-o standalone_embed.sh
bash standalone_embed.sh start
# 验证服务是否启动
docker ps | grep milvus
4.3 创建支持混合检索的知识库 Collection
Schema设计直接决定了检索能力的上限。以下Python脚本创建一个同时支持稠密向量和BM25稀疏向量检索的Collection。
from pymilvus import MilvusClient, DataType, Function, FunctionType
client = MilvusClient(
uri="http://192.168.x.x:19530",
)
schema = client.create_schema(auto_id=True, enable_dynamic_field=True)
schema.add_field("id", DataType.INT64, is_primary=True)
# 原始文本（BM25 全文检索用）
schema.add_field(
"text",
DataType.VARCHAR,
max_length=8192,
enable_analyzer=True,
enable_match=True
)
# 稠密向量（语义检索）
schema.add_field("dense_vector", DataType.FLOAT_VECTOR, dim=1536)
# 稀疏向量（BM25 自动生成，Milvus 2.6 特性）
schema.add_field("sparse_vector", DataType.SPARSE_FLOAT_VECTOR)
schema.add_field("source", DataType.VARCHAR, max_length=512)
schema.add_field("chunk_index", DataType.INT32)
# 告诉 Milvus 用BM25 把text 自动转换为 sparse_vector
bm25_function = Function(
name="text_bm25",
function_type=FunctionType.BM25,
input_field_names=["text"],
output_field_names=["sparse_vector"],
)
schema.add_function(bm25_function)
index_params = client.prepare_index_params()
# HNSW 图索引（稠密向量）
index_params.add_index(
field_name="dense_vector",
index_type="HNSW",
metric_type="COSINE",
params={"M": 16, "efConstruction": 256}
)
# BM25 倒排索引（稀疏向量）
index_params.add_index(
field_name="sparse_vector",
index_type="SPARSE_INVERTED_INDEX",
metric_type="BM25"
)
client.create_collection(
collection_name="hermes_milvus",
schema=schema,
index_params=index_params
)
创建Collection后，你可以通过脚本将本地文档（如Markdown、PDF）向量化并摄入到Milvus中。成功摄入后，会有类似下图的输出：
4.4 核心：混合检索（Hybrid Search）脚本
这是连接Hermes与Milvus的桥梁。Hermes将通过调用这个脚本来获取知识。
import sys, json
from openai import OpenAI
from pymilvus import MilvusClient, AnnSearchRequest, RRFRanker
client = MilvusClient("http://192.168.x.x:19530")
oai = OpenAI()
COLLECTION = "hermes_milvus"
def hybrid_search(query: str, top_k: int = 5) -> list[dict]:
# 1. 向量化查询
dense_vec = oai.embeddings.create(
model="text-embedding-3-small",
input=query
).data[0].embedding
# 2. 稠密向量检索（语义相关性）
dense_req = AnnSearchRequest(
data=[dense_vec],
anns_field="dense_vector",
param={"metric_type": "COSINE", "params": {"ef": 128}},
limit=top_k * 2 # 候选集适当放大，交给 RRF 做最终排序
)
# 3. BM25 稀疏向量检索（精确词项匹配）
bm25_req = AnnSearchRequest(
data=[query],
anns_field="sparse_vector",
param={"metric_type": "BM25"},
limit=top_k * 2
)
# 4. RRF 融合排序
results = client.hybrid_search(
collection_name=COLLECTION,
reqs=[dense_req, bm25_req],
ranker=RRFRanker(k=60),
limit=top_k,
output_fields=["text", "source", "doc_type"]
)
return [
{
"text": r.entity.get("text"),
"source": r.entity.get("source"),
"doc_type": r.entity.get("doc_type"),
"score": round(r.distance, 4)
}
for r in results[0]
]
if __name__ == "__main__":
query= sys.argv[1] if len(sys.argv) > 1 else ""
top_k = int(sys.argv[2]) if len(sys.argv) > 2 else 5
output = hybrid_search(query, top_k)
print(json.dumps(output, ensure_ascii=False, indent=2))
一切就绪后，最激动人心的部分来了：见证Hermes Agent的跨会话学习与Skill自动生成。
五、实战演示：Skill的自动生成与进化
Step 1：会话一 - 首次手动执行检索
在飞书中向Hermes发送明确指令，要求其调用特定的混合检索脚本。
此时，Hermes只是简单地执行了终端命令，Skill尚未创建。
Step 2：开启全新会话 - 直接提问
清空对话，开启一个全新的会话。这次，不提及任何脚本或路径，直接提出一个知识型问题。
Step 3：记忆更新与Skill创建
这时，Hermes的Learning Loop开始运作。它首先会尝试从记忆（Memory）中寻找解决方案。由于我们在会话一有过类似操作，它会识别出当前问题与历史经验的相似性，并自动调用之前的检索流程。
首先，你会看到 Memory updated 的提示，这意味着本次的工作流（调用哪个脚本、参数是什么、返回结构如何）被作为经验记录了下来。
紧接着，在任务完成后，系统判定此工作流具有高复用价值，于是自动将其固化为一个正式的Skill。你会看到最终的提示：Skill ‘hybrid-search-doc-qa’ created.。
这个过程里，Memory和Skill是两个层级：
- Memory：记录“发生了什么”，是原始的经验日志。
- Skill：定义“下次怎么做”，是规范化、可被反复调用的操作手册。
Hermes完成的是从“积累经验”（Memory）到“封装能力”（Skill）的质变。此后，当用户提出类似问题时，Hermes会自动识别意图、路由到 hybrid-search-doc-qa 这个Skill、从Milvus召回知识并生成回答，全程无需用户干预。
这与传统RAG系统的根本不同在于：检索策略本身（用什么模型、调什么参数、如何融合结果）被沉淀为了一个可持久化、可迭代、有版本记录的Skill对象，而不仅仅是写死在代码里的固定流程。
六、总结与框架对比
面对目前众多的Agent框架，很多人会好奇Hermes与另一个热门框架OpenClaw有何不同。
在我看来，两者的核心设计取向决定了其适用场景：
- OpenClaw的核心是“编排”：擅长将复杂任务拆解，并分发给多个各司其职的专用Agent去协同完成，强调任务执行的自动化与流水线效率。
- Hermes的核心是“积累”：专注于让单个Agent在长期互动中持续学习，将经验转化为可复用的技能，适合需要深厚领域知识和上下文延续的场景。
简而言之，如果你的核心需求是任务分解与多Agent协作，选OpenClaw；如果是个人或领域知识的长效积累与复用，选Hermes。两者并非对立，Hermes官方甚至提供了从OpenClaw迁移记忆和Skill的工具。
通过本文的实践，我们为Hermes Agent补上了原生检索的短板，用Milvus的混合检索能力让其“记忆”变得真正智能、可用。这套方案不仅解决了语义检索问题，更将检索流程本身变成了Agent可自主管理、迭代的资产，向着真正能“干中学、学中用”的智能体迈进了一大步。
希望这篇深度解析与实践指南能为你构建更强大的AI Agent提供启发。如果你对AI Agent、向量数据库等技术的实战应用感兴趣，欢迎在 云栈社区 交流讨论。
发表于 昨天 23:04
|
查看: 21|
回复: 0
