Hermes 用了三个月，你还在重新介绍自己吗

很多人用了 Hermes 一段时间，仍然觉得它没有更懂自己。问题未必在模型，而在经验没有被留下。读完这篇，至少能判断一件事：该把哪些东西写进项目、Skill 和记忆，别再让每次对话都冷启动。

我认识的人里，真正把 Hermes 用满三个月的，一只手就够数。更多人是装好、接上模型、问了几句，觉得还行，便把它丢在后台。隔几天想起来，又打开问一句；再隔几天，还是从头说自己在做什么项目、目录在哪里、偏好什么口吻、上一次卡在什么地方。这当然也能用，只是这样用三个月，Hermes 和人的关系没有发生什么变化。它每一次回答，都像第一天安装时那样冷启动。

入口没有留好，三个月也只是重复冷启动

这大概算一种沉默的浪费。因为 Hermes 值钱的地方，未必在某一次回答多么聪明；模型今天强一点，明天还会有更强的。真正能留在本地的，是它在日常使用中把有效交互沉淀下来，把人反复教过它的经验变成可复用的能力。用一位熟人的说法，花了三个月跟它对话，到头来它对使用者的了解还不如一个刚认识两周的同事，这当然不能全怪 Hermes。

入口本来就没有留好。

显式沉淀：把反复教它的话写进系统

我后来才把这件事想明白。Hermes 的积累大体有两类，一类是显式的，一类是隐式的。显式的那类最好理解，项目怎么跑，写进 AGENTS.md；希望它用什么口吻，写进 SOUL.md；某种任务每周都要做，例如汇总飞书会议纪要、把 X 上的消息转成选题简报、文章写完以后查一遍 AI 痕迹，那就做成 Skill。不用每次都在对话框里念一遍「先 cd 到 backend，跑 pnpm install，再……」。这种话说到第三遍，已经该写进文件；说到第二十遍，只能说明人比机器更健忘。

显式沉淀和隐式积累，是 Hermes 越用越顺手的两条路。

我自己的 wenyuan 配置里，现在挂着 195 个 Skill。写文章、管飞书、做视频、查论文、处理图片、跑发布流水线，都有对应的操作手册和禁忌。它们不是某一天坐下来大兴土木写成的，也不是为了显得工具箱漂亮才堆在那里。三个月里，每踩一次坑，每发现一个流程会反复出现，每被纠正一次「下次不要这样做」，我就把那一小段经验塞进 Skill 或项目文件。它的好处很朴素，下一次不用重新教。

隐式积累：旧对话不该在结束时蒸发

隐式的那类更容易被低估。Hermes 的长期记忆、USER.md、MEMORY.md、sessionsearch、/save 这些东西，听起来像一堆零散功能，实际承担的是另一件事。一个人用过什么命令，改过什么文件，讨论过什么方案，纠正过它哪一种错误回答，甚至随口说过自己讨厌哪种标题和结尾，这些信息不该在会话结束时全都蒸发。尤其是 sessionsearch，它不像普通聊天记录那样躺在历史列表里等人翻，它可以在需要的时候把旧对话里那段真正有用的东西捞出来。

这一路没有 Skill 那么精确，也没有 AGENTS.md 那么可控；但它会在长时间里改变第一轮对话的质量。三个月以后，在同一个项目里只说半句话，它就知道上次做到哪里，大概不想要什么，哪些命令在机器上已经跑通过，哪些 provider 因为没 key 或权限失败过。它给出的第一版建议会变短，也会变准。少说几句废话，有时就是质变。

真正省下来的不是时间，是脑子

我自己经历过那种「每次都重新开始」的阶段。同一个内容生产项目，我反复告诉 Hermes，项目路径在固定的内容生产目录，文章有 brief、draft、final、配图、发布物几个阶段，某些检测步骤暂停，不要去打开旧页面，公众号和 X 的图片比例不要乱用。这样的话说一遍无妨，说二十遍就很可笑了。后来我把它写进 AGENTS.md 和项目上下文文件，每次在那个目录里启动，背景自动进来，第一条消息不用再铺垫半页纸。

三个月后的差距，往往不是回答长度，而是冷启动成

省下来的不是十几秒。省下的是脑子。

GBrain 旁证：agent 身后需要知识基座

多数人对这种损耗不敏感，因为每一次重新解释都太小了。重复一句项目路径，不会让人立刻感到痛苦；多贴一段背景，也不至于让人觉得工作方式出了问题。可到了第三个月，项目复杂度上来，上下文变多，协作对象变多，旧决策也变多，那个一直冷启动的 Hermes，就会逼着使用者每次在开头重新装配一次自己。而已经把项目、偏好、流程、失败经验沉淀下来的人，打开它时面对的就不是一个问答框，倒更像面对一个已经在办公室里待了三个月的助手。

个人知识基座越清楚，agent 第一次回答就越接近真实需求。

这个差距，外部也有人在用另一种方式验证。YC 总裁 Garry Tan 开源的 GBrain，在 GitHub 上拿到了一万六千多星，做法很直白，把邮件、日历、会议记录、推文、个人笔记、聊天记录这些东西都存成 Markdown，再用 Postgres 和 pgvector 做混合检索，让 AI agent 回答前先读相关背景。他一星期攒了一万多个 Markdown 文件、三千多个人物档案、十三年的日历数据和两百八十多份会议记录；GBrain 在 LongMemEval 这类长期记忆评测里给出过 97.6% 的召回率。这个数字当然不等于每个人都该照抄他的系统，但它证明了一件很实际的事，agent 的能力很大一部分取决于它身后有没有可检索的个人知识基座。

Hermes 和 GBrain 不是同一个东西，我也不想把二者强行说成一套方案。GBrain 更像一个围绕个人档案建起来的检索系统；Hermes 对普通用户更有用的地方，在于它把工作目录、Skill、记忆、会话搜索这些东西放到了日常操作里。不必先设计一个宏大的个人知识库，只要在每次用完以后多做一点沉淀，把下次会重复的话写进该写的地方，系统就开始长出来。

判断一个 Hermes 用户有没有真正用起来

这件事听上去不性感。它不像换一个更贵的模型那么立竿见影，也不像装一个新插件那样让人有新鲜感。写 AGENTS.md、整理 Skill、保存会话片段、给记忆纠错，都是小动作，琐碎得很。可一个人真正的工作能力，本来也不是靠某次灵光一现支撑的，乃是靠大量琐碎判断的复用。助手也是如此。

所以我现在看一个 Hermes 用户有没有真正用起来，不看他有没有追最新模型，也不看他能不能说出十个斜杠命令。我会先看他的项目目录里有没有 AGENTS.md，看他有没有把反复做的流程做成 Skill，看他的记忆里有没有经过纠正的个人偏好，看他遇到旧问题时会不会先翻 session_search。若这些都没有，他用的就仍然是一个每次都被临时雇来的答题者，聪明归聪明，散场就散了。

这也解释了为什么有人用了 Hermes 一阵子，仍然觉得它「好像没变得更懂我」。这个感受多半是真的。模型不够强、功能不够多，都不是根本原因；问题在有效经验没有留下来。问答结束，经验也结束；下次再问，照旧从头开始。它当然不会突然变成你的搭档。

今天能改的事情很小。把每次开头都要交代的项目背景写进 AGENTS.md，把每周重复的任务抽成一个 Skill，把一段值得复用的对话用 /save 留住，隔一阵子用 session_search 翻一翻过去怎么解决同类问题。做完这些，Hermes 未必马上显得更神奇，但三个月以后，人会少说很多废话。

我宁愿把这看作一种判断标准。一个工具能不能长期留在工作流里，不看它第一天让人惊艳了几次，要看它三个月后还能不能接住旧经验。接不住，它就是一个聪明的临时工；接得住，它才算开始变成一个人的系统。