为什么 Agent 需要记忆
你有没有遇到过这种情况：用 ChatGPT 聊了半小时，关掉窗口，下次打开又是一个「全新的自己」。你前面说过的偏好、交代的背景、讨论的结论——全没了。
对于一个聊天机器人，这可以接受。但对于一个要帮你干活的 Agent，这就不行了。
想象你的 Agent 每次都要重新了解「你的服务器 IP 是什么」「你的项目用什么框架」「你上次让它部署到一半的任务进展到哪了」——效率会极其低下。
Hermes Agent 设计了四层记忆体系来解决这个问题。每一层处理不同类型的信息、有不同的存储时长和检索方式。
总览：四层各管什么
先看全局图：
| 层级 | 名称 | 存储内容 | 持久性 | 大小限制 |
|---|---|---|---|---|
| L1 | 持久 Prompt 记忆 | 核心偏好和身份信息 | 永久 | 3575 字符 |
| L2 | 会话存档 | 历史对话的压缩摘要 | 永久 | 无硬限制 |
| L3 | 技能文件 | 任务执行方案 | 永久 | 无硬限制 |
| L4 | Honcho 用户建模 | 行为模式和偏好画像 | 永久 | 动态调整 |
四层从上到下，信息粒度从粗到细，自动化程度从低到高。下面逐层拆解。
L1：持久 Prompt 记忆
这是什么
这是最直接、最高优先级的记忆层。它的内容会被直接注入到每次对话的 system prompt 中。换句话说，Agent 每次「醒来」，第一件事就是读这层记忆。
存了什么
典型内容包括：
- 你的身份信息（「我是后端开发者，主要用 Go 和 Python」）
- 回复偏好（「用中文回复，代码注释用英文」）
- 常用环境信息（「生产服务器在 192.168.1.100」）
- 工作习惯（「我偏好 Docker 部署，不要直接装在宿主机上」）
3575 字符限制
这个限制看起来不大，但这是故意的。
system prompt 的长度直接影响每次调用的 token 消耗。如果你往持久记忆里塞了一篇文章，每次对话都要带上它，成本会很高，而且会挤压留给任务本身的上下文空间。
3575 字符大约够你写 1500-1800 字的中文或 500 词的英文。这逼着你只保留最重要的信息，把次要的东西交给其他层。
怎么管理
两种方式：
自然语言方式：
1 | 你: 请记住，我的项目都托管在 GitLab 上，不是 GitHub |
Agent 会自动把这条信息追加到持久记忆文件中。
手动编辑：
直接打开 ~/.hermes/memory/prompt.md 文件编辑。有时候手动整理比让 Agent 一条条添加更高效。
我个人的习惯是先让 Agent 添加，积累一段时间后手动整理一次——删掉过时的、合并重复的、精简冗长的。
L2：会话存档
这是什么
每次完整对话结束后，Hermes Agent 会用 LLM 对对话内容做摘要压缩，然后存入本地的 SQLite 数据库。
为什么不存原始对话
原始对话太长了。你和 Agent 聊了半小时，可能产生几万 token 的对话记录。全部存下来没意义，也没法高效检索。
LLM 摘要能把一段长对话压缩成几百字的核心要点。比如一段关于「配置 Nginx SSL」的对话，摘要可能是：
用户在 Ubuntu 22.04 上为 example.com 配置了 Nginx SSL。使用 Let’s Encrypt 证书，certbot 自动续签。配置了 HTTP 到 HTTPS 的自动跳转。过程中遇到端口 443 被占用的问题，通过停止旧的 Apache 进程解决。
几十轮对话被压缩成这么一小段，但关键信息（做了什么、遇到什么问题、怎么解决的）全保留了。
FTS5 全文搜索
存储用的是 SQLite，搜索引擎是 FTS5（Full-Text Search 5）。这东西在本地跑，速度非常快。
当新任务来了，Agent 会用当前任务的关键词去搜索会话存档。比如你说「上次配的那个 SSL 证书好像过期了」，Agent 会搜索包含「SSL」「证书」的历史会话，找到上面那条摘要，瞬间知道你说的是 example.com 上用 certbot 配的那个。
这种检索不需要你精确描述，模糊匹配就够用。
容量和清理
会话存档没有硬性的大小限制，理论上可以无限积累。但时间久了，搜索结果中可能会有很多过时的信息干扰判断。
建议定期清理特别旧的、不再相关的存档。Hermes Agent 提供了清理命令：
1 | hermes memory archive --clean --before "2026-01-01" |
这会删除指定日期之前的所有会话存档。
L3：技能文件
这一层前面已经有一篇专门的文章详细讲过了，这里简单归纳它在记忆体系中的角色。
技能文件是一种特殊的记忆——它记的不是「发生了什么」，而是「怎么做事」。如果说会话存档是你的日记，技能文件就是你的操作手册。
在记忆检索时，技能匹配的优先级高于会话存档。道理很简单：一个经过验证的执行方案，比历史对话里的片段信息更有用。
L4：Honcho 用户建模
这是什么
前三层记忆处理的是「显式信息」——你说了什么、做了什么、怎么做的。第四层处理的是「隐式信息」——你的行为模式、偏好倾向、习惯变化。
这一层通过 Honcho{rel=”nofollow”} 实现。Honcho 是一个专门为 AI 应用设计的用户建模系统，能从交互历史中提取用户画像。
它能捕捉什么
偏好变化：你最开始让 Agent 用 pip 装 Python 包，后来越来越多地用 poetry。Honcho 会捕捉到这个变化，让 Agent 在之后的建议中默认用 poetry。
行为模式：你每次做部署前都会先跑一遍测试。Agent 逐渐学到这个模式，以后会主动在部署前建议跑测试。
专业水平：你和 Agent 交互的方式能反映你的技术水平。如果你总是给出很具体的技术指令，Agent 会判断你是高级用户，回复中减少基础解释。反之，如果你的提问比较基础，Agent 会给更详细的说明。
时间模式：你通常什么时候活跃、什么时候处理什么类型的任务，这些时间维度的模式也会被记录。
隐式 vs 显式的区别
举个例子帮你理解区别：
- 你告诉 Agent「我喜欢用 vim」→ 这是显式信息，存到 L1 持久记忆
- Agent 观察到你每次编辑文件都选 vim 而不是 nano → 这是隐式信息，被 L4 Honcho 捕捉
前者需要你主动告知，后者是 Agent 自己观察推断的。两者互补——你不可能把所有偏好都明确告诉 Agent，但 Honcho 能从你的行为中推断出来。
配置
Honcho 功能需要额外配置：
1 | # ~/.hermes/config.yaml |
如果你不需要这么深度的个性化，可以把 Honcho 关掉。前三层记忆已经够大部分场景使用了。
记忆检索的优先级
当一个新任务到来，Agent 检索记忆的顺序是：
- L1 持久记忆：直接在 prompt 中，无需检索，永远生效
- L3 技能文件：语义匹配，看有没有可用的执行方案
- L2 会话存档：关键词 + 语义搜索，查找相关历史
- L4 用户建模：提供偏好和行为上下文
这个优先级体现了一个设计哲学：先看「怎么做」，再看「之前发生了什么」。
实际对话中，这四层的信息会被整合成一个统一的上下文注入到 prompt 中。用户感知不到背后有四层记忆在工作——你只会觉得这个 Agent 比别的「更懂你」。
跨会话记忆的实际效果
给几个具体场景感受一下：
场景一：延续之前的工作
你昨天让 Agent 帮你搭了半个 CI/CD 流水线，还没弄完就关了终端。今天打开新会话说「继续昨天的 CI/CD 配置」。Agent 通过会话存档检索到昨天的对话摘要，知道你已经配好了 GitHub Actions 的基础工作流，还差测试步骤和部署步骤没做。直接接着来。
场景二：记住你的环境
你两个月前让 Agent 在你的服务器上装过一堆东西。现在你说「帮我在服务器上加个 Redis」，Agent 不需要你再告诉它服务器 IP、系统版本、登录方式——这些信息在会话存档里都有。
场景三：学习你的风格
你连续几次让 Agent 写配置文件时，都手动把它的缩进从 4 空格改成了 2 空格。Honcho 捕捉到这个模式后，Agent 之后生成的配置文件会默认用 2 空格缩进。
隐私与数据安全
记忆系统存了这么多信息，安全性怎么样？
全部本地存储。四层记忆中，前三层完全存在本地（~/.hermes/ 目录）。没有任何数据被上传到云端。你的对话记录、技能文件、偏好设置，全在你自己的机器上。
Honcho 的情况稍微不同。如果你启用了 Honcho 用户建模，数据会发送到 Honcho 的服务。但 Honcho 本身也支持自托管——如果你对隐私特别敏感，可以在自己的服务器上跑 Honcho 服务。
没有遥测。Hermes Agent 不收集任何使用数据。开源代码可以验证这一点。
更多安全相关的讨论可以看 Hermes Agent 安全指南。
记忆系统的局限
坦率说几个目前的局限：
LLM 摘要可能丢信息。会话存档的质量取决于摘要模型的能力。有时候摘要会遗漏你觉得重要的细节。目前没有很好的办法，只能用更强的模型来做摘要。
持久记忆的字符限制。3575 字符听着不多，但其实这是一个合理的权衡。如果你确实需要更大的持久记忆空间，可以把一些信息放到技能文件里变相扩展。
跨设备不同步。记忆数据在本地，你在 A 机器上积累的记忆不会自动同步到 B 机器。目前的解决方案是手动拷贝 ~/.hermes/ 目录，或者用 Git 来管理。
技能匹配偶尔不准。语义匹配不是 100% 准确的，有时会匹配到不太相关的技能。不过因为 Agent 不是盲目按技能走，而是把它当参考，所以误匹配的影响有限。
实际管理建议
持久记忆要精简。每隔一两个月手动整理一次
~/.hermes/memory/prompt.md，删掉过时的信息，合并重复的。会话存档适度清理。特别旧的存档可能已经没用了（你两年前在一台已退役的服务器上做的操作），可以清理掉。
技能文件是核心资产。定期审查和优化高频技能。如果你换了新的工作流或工具链，记得更新对应的技能。
Honcho 看场景启用。如果你是个人使用且交互不频繁，可以不开 Honcho。如果你在团队中频繁使用，Honcho 的个性化建模会越来越有价值。
备份
~/.hermes/目录。这里面是你所有的记忆资产，丢了就真丢了。建议纳入你的常规备份策略。cocoloop 社区有人分享了用 cron + rsync 自动备份的方案，可以参考。
记忆系统是让 Hermes Agent 从「一个工具」变成「你的助手」的关键。花点时间理解它、打理它，回报会很明显。