Hermes Agent 记忆指南手册

TLDR：这是你关于 Hermes Agent 记忆系统所有内容的权威指南。为什么写这个？因为每周我都会看到新的帖子或文章描述某种新的 Hermes 记忆工具，这些让我怀疑自己的记忆设置是否最佳。所以我深入研究了所有内容，并为你梳理清楚。

过去几个月，我的 Hermes agent 一直在 hermesatlas.com 上绘制 Hermes 生态系统地图。它覆盖的关键领域之一就是记忆，甚至还有一个专门的版块。

hermesatlas.com

hermesatlas.com

老实说，可用的记忆相关工具非常多，相关的文章也非常多。我每周都会在 X 上看到关于某种新记忆设置的文章。很难跟上，更难知道你是否做错了，因为它们都声称某些记忆系统比其他的更好。

但很多这些文章跳过了架构（记忆在 Hermes 中如何工作），或者混淆了记忆栈的不同部分。这篇文章是我所学的关于 Hermes agent 记忆的一切的结晶，也是一份指南，帮助你导航并找到最适合你设置的方案。

记忆可以说是 agent 设置中最重要的元素

没有记忆，agent 只是一个无状态函数，和一个空白的 ChatGPT 窗口没什么区别。每个提示看起来都像第一个提示。这适用于一次性问题，但当你需要知道昨天发生了什么、记住你的偏好、从先前任务中积累技能、或与另一个 agent 协调时，它就会崩溃。

一个不记得你上周二建立的约定的编码会话，会在本周二重新发明它们。一个不记得你偏好的个人助理 agent，不得不反复问你同样的问题。没有记忆，一个 agent 实际上根本不是 agent。

记忆是将聊天机器人变成能够积累的东西的关键。这就是为什么每个严肃的 agent 框架——OpenClaw、Claude Code、Codex，还有我们心爱的 Hermes——都内置了记忆原语，也是为什么围绕专用记忆基础设施或 agent 出现了一个真正的产品类别（Mem0 融资 2400 万美元，Letta 融资 1000 万美元，还有 Zep、Cipher、Supermemory、Hindsight 等）。

Hermes Agent 的做法很有趣，因为 Nous Research 将记忆视为 一流的插件基础设施，而不是一个功能。有一个始终运行的基础层，一个可插拔的提供商系统，让你从 8 种架构中选择（或编写你自己的），以及一个在其之上的健康的社区插件层。

这个 3 层栈正是我将在本文中深入探讨的内容。

Hermes Agent 记忆架构一览

以下是每个层对你作为 Hermes 用户的意义。

第 1 层 - 开箱即用。 无论你做不做任何事，你都能得到这个。两个小的 markdown 文件，agent 将其作为始终可见的笔记本使用，外加一个本地数据库，存档你曾经有过的每个会话。无需设置，无需配置。对于许多用例来说，这通常就是你所需要的。

第 2 层 - 可选的插件插槽。 当你超越了原生层（你想要跨会话的语义记忆，或者一个能建模你偏好的系统，或者大规模 token 高效的检索），你可以从 8 个官方提供者中选择一个。每个提供者都对记忆应该做什么做出了不同的架构选择，你一次只能运行一个。切换提供者是一个干净的开始——新提供者不会继承旧提供者的数据，但第 1 层原生文件无论哪种方式都在其下继续运行。

第 3 层 - 社区在官方 8 个之外构建的内容。 有两种类型。一些社区项目是 MemoryProvider 插件，与第 2 层的选择正面竞争（Mnemosyne 是佼佼者——完全本地，亚毫秒级，具有真正的分层认知架构）。其他的则与官方提供者并排坐在不同的插槽中（GBrain 是这里的佼佼者——它将世界事实如人物、公司和项目存储在 markdown 库中，而你的第 2 层提供者处理操作性记忆）。第 3 层通常意味着更多的设置和比官方 8 个更少的打磨，但当你需要这八个提供者不提供的能力时，这就是你要去的地方。

这些层是堆叠而不是相互替换。切换第 2 层提供者不会清除第 1 层。每个提供者都有自己的存储，但原生会话数据库和两个 markdown 文件在其下持续运行。第 3 层插件是两者之上的附加层。

第 1 层：原生 - 开箱即用

原生层是每个 Hermes 安装附带的三样东西：两个小的 markdown 文件和一个数据库。它们扮演着不同的角色，在我们进入插件提供者之前，理解这一点很重要。

注意：如果你已经了解开箱即用的设置，或者想跳到你可以安装在顶部的可选内容，请前往第 2 层。

两个 markdown 文件

当你安装 Hermes 时，它会在你的 home 目录下 ~/.hermes/ 中创建两个文本文件：

MEMORY.md - agent 的通用知识笔记本。项目上下文、技术决策、值得跨会话记住的事情。上限约 2,200 个字符，大约一段半。 USER.md - agent 具体了解你的内容。你的偏好、你的工作风格、你的角色。上限约 1,375 个字符，大约一个段落。

你可以用任何文本编辑器打开这两个文件。它们是纯 markdown。如果你愿意，甚至可以手动编辑它们，agent 会在下一个会话中读取你的编辑。

它们之所以这么小，是因为它们不是 agent 的文件柜——它们是 agent 的便签。在每个会话开始时，Hermes 将这两个文件的全部内容粘贴到发送给模型的提示中。所以这些文件中的所有内容始终“在 agent 面前”。无需检索，它直接看到它们。

agent 自己决定什么进入这些文件。当会话中出现重要的事情时——你说“我更喜欢要点而不是段落”，或者 agent 发现你使用 Vercel 部署——agent 调用一个名为 memory 的工具，具有三个操作之一：add、replace 或 remove。没有读取操作，因为这些文件已经粘贴到提示中；agent 通过查看自己的上下文来读取它们。

当文件填满时会发生什么？

这是大多数第三方文章犯错的地方。他们声称 Hermes 在达到容量上限的 80% 时会自动合并文件。我深入研究了 agent/memory_manager.py 的代码来验证，实际行为更有趣：

没有自动合并——80% 规则是一个提示指令，而不是代码。系统提示头向 agent 显示一个实时填充仪表——类似于“MEMORY: 1,847/2,200 chars (84%)”——以及指令“当记忆超过 80% 容量时，在添加新条目之前合并条目。”agent 读取这个，然后 agent 决定是否采取行动。如果文件已经达到上限，而 agent 仍试图添加任何内容，记忆工具会返回一个列出当前条目的错误，并强制 agent 首先通过 replace 或 remove 释放空间。

这是一个深思熟虑的设计选择。Nous 信任模型管理自己的笔记本。好处是完全的 agent 控制，但缺点也是完全的 agent 控制。一个提示不当的 agent 可能无限期地停留在上限，拒绝每一个新的添加调用，并悄悄地丢失本应替换更旧条目的信息，但我相信这很快就会解决，因为有一些关于此的 PR。

在继续之前，还有一个相关的混淆点需要澄清：v0.12 引入了一个叫做“自主策展人”的东西，许多文章将其描述为自动记忆管理。**它不是。**策展人仅操作 agent 在 ~/.hermes/skills/ 的技能库——根据使用情况将技能从活跃移动到过时再到存档。它从不触及 MEMORY.md 或 USER.md。

数据库（以及它与 markdown 文件的关系）

两个 markdown 文件是 agent 始终可见的笔记。数据库是 agent 曾经发生的一切的完整存档。

Hermes 将每个会话存储在 ~/.hermes/hermes_state.db 的 SQLite 数据库文件中。每条用户消息、每条 agent 响应、每次工具调用、每个推理步骤，以及经济数据如 token 计数和每次会话的美元成本——所有这些都存储在这里。默认保留期为 90 天；更早的会话每 24 小时自动修剪，除非你更改设置。

这个数据库不会自动注入到提示中。它将是巨大的——想象一下将整个聊天历史粘贴到每个新对话中。相反，agent 在需要查找特定内容时会按需搜索它。

搜索使用 SQLite 内置的全文搜索（FTS5），Hermes 维护两个并行索引：一个用于常规的词级搜索（“我们讨论过内容策略吗？”），一个用于处理子串和代码 token 的 trigram 搜索（“找到所有我提到 github 的会话”）。

所以心智模型是：

两个 markdown 文件 = agent 始终在头脑中的内容。小而精炼，每次提示中都存在。 会话数据库 = 如果 agent 知道要找什么，就可以查找的内容。巨大、原始、按需可搜索。

它们是互补的，而不是冗余的。当某些东西在所有未来会话中都重要时，agent 应该将其写入 MEMORY.md 以便始终存在。当某些东西可能再次相关但不需要时刻记住时，它存在于会话数据库中，只有在 agent 搜索时才被拉出来。

数据库设计的一个很好的副作用：因为 Hermes 捕获了每个推理步骤和每次工具调用以及完整的经济数据，所以数据库也是一个完整的训练轨迹，如果你想导出它的话。这超出了本文的范围，但符合我的论点，即 agent 的护城河在哪里。

第 2 层：可插拔的“MemoryProvider”系统

这一层让你从“小笔记本加可搜索存档”升级到一个真正的记忆系统——一个能从你的对话中自动提取事实、构建你的个人资料、支持跨会话语义回忆、或处理大型知识图谱的系统。

设置非常简单——你运行 hermes memory setup，从菜单中选择一个提供者，然后 agent 除了原生文件之外，还有一个更丰富的记忆层可以利用。注意：一些提供者需要 API 密钥和付费计划。

重要的注意点是你一次只能运行一个提供者。Hermes 将其视为一个单一的有意选择，而不是一堆附加组件。

这保持了你的工具界面干净——每个提供者暴露自己的一套 agent 工具，而如果有三个相互竞争的“搜索记忆”工具摆在 agent 面前，它会感到困惑——并且使配置易于推理。无论你是否激活了提供者，第 1 层原生文件都在其下继续运行。

选择正确的提供者很重要，因为它们做出了非常不同的架构选择。有些激进地提取事实。有些构建的是你如何思考的模型，而不是你说了什么。有些痴迷于 token 效率。有些优先考虑图谱。完整的决策树在本文后面；下面的技术机制是为那些想知道提供者实际插入什么的读者准备的。

让我们深入探讨。

8 个官方提供者

Honcho (Plastic Labs) - AI 原生的辩证用户建模

该阵容中唯一一个试图建模你如何思考的提供者，而不仅仅是你说了什么。 Honcho 不是存储“Kevin 使用 4 空格缩进”这样扁平的事实，而是在你的对话之后运行多步推理过程，以构建你的推理模式、偏好和目标的个人资料。

该资料会随着时间推移而演变，因此 agent 甚至在你从未讨论过的话题上也能更好地预测你想要什么。它还允许多个“AI 身份”共享对您的相同视图——如果你运行不同的专业 agent 用于编码、写作和策略，并且希望它们都了解你的风格，这将非常有用。在 Hermes Discord 中被引用最多的最爱（@offendingcommit：“我试过所有……我疯狂地喜欢 Honcho。”）。

Mem0 - 最快的 30 秒设置，最广泛的生态系统

“给我记忆，别问问题”的选择。你注册 Mem0 云，粘贴一个 API 密钥，就完成了——提供者从对话中提取事实，去重，并在后台自动提供语义搜索。

它也是 AWS Strands Agents SDK 的独家记忆提供者，这使其在阵容中拥有最广泛的生态系统覆盖。2026 年 4 月，Mem0 推出了一个声称在基准测试上超越 Hindsight 的“v3”算法（LongMemEval 上 94.8，LoCoMo 上 91.6）。

Hindsight (Vectorize.io) - 基准测试之王

首个在 LongMemEval 上公开超过 90 分的记忆系统（91.4，2025 年 12 月）。Hindsight 将记忆视为四个独立的网络——关于世界的事情、发生过的事情、观点和原始观察——并从每个对话中只提取少数高价值事实（2 到 5 个，不是每句话一个）。

当你问它某事时，它会并行运行四种不同的检索策略——关键词搜索、向量相似性、跨相关实体的图遍历以及最近性扫描——然后融合结果。这就是它在已发布的阵容中获得最佳召回准确性的方式。

它也是唯一一个带有反思工具的提供者，让 agent 可以对自己的记忆进行推理。如果你在共享记忆库上运行多个 agent，并且需要一个协调器来综合它们都知道什么，这一点特别有价值。

Holographic - 零依赖，完全本地，离线隔离

**阵容中唯一不需要互联网、不需要 API 密钥、也不需要 LLM 来运行的提供者。**一切都在本地的 SQLite 文件中。它使用一种 1991 年的技术，称为全息简化表示，对事实进行组合推理——你可以通过代数方式将概念绑定在一起，稍后探测相关概念。检索是亚毫秒级的，因为它是纯本地 SQL。

OpenViking - 分层文件系统上下文数据库

你的记忆以文件形式存在于磁盘上的目录树中。你可以 cat 它们、grep 它们、手动编辑它们。每条存储的知识都有三个加载层级：一句话摘要、段落级概览和完整内容。

当 agent 回忆某事时，它从便宜的（仅摘要）开始，只有摘要看起来相关时才加载更深层级。如果你在大规模时对成本敏感，或者你想要可以像普通文件一样读取和编辑的记忆，这种结构很重要。

RetainDB - 最便宜的付费层级，最低摩擦

每月 20 美元 100,000 次查询，免费层级 10,000 次操作用于测试。阵容中唯一每个价格点都只在云端（即使企业版也不支持自托管）的提供者。卖点是便利性：你不需要操作任何基础设施，RetainDB 处理一切，还有一个“记忆路由器”模式，可以拦截你的 LLM 调用并透明地添加记忆，只需一行配置。

如果你想要团队成员或 agent 之间的共享记忆，并且不想操作数据库，选择这个选项。

ByteRover - 记忆即 git 仓库

你的记忆是 .brv/context-tree/ 目录中的纯 markdown 文件——可 grep、可版本控制，无需运行数据库。ByteRover 在其上覆盖了一个 5 层检索系统，其中四层不需要 LLM 调用，所以大多数查找在 100 毫秒内完成，零 token 花费。

关键卖点：你可以像代码一样分支、合并和回滚记忆，使用 CLI 命令。它还使用一个特殊的钩子在 Hermes 压缩上下文之前提取高价值洞察，这是对于“agent 重启后丢失记忆”故障模式（在问题 #17251 中注意到）的最干净修复。