Agent框架 更新于 2026-04-14

Hermes Agent 的灵魂功能：自动技能生成系统详解

#Hermes Agent #自学习 #技能系统 #Skill文件 #效率优化

目录

  1. 用一个类比开场
  2. 技能文件长什么样
  3. 触发条件：什么时候生成技能
    1. 条件一：工具调用次数 >= 5
    2. 条件二：出现自我纠错
    3. 条件三：多步骤环境配置
    4. 条件四：用户正面反馈
  4. 技能匹配：怎么找到合适的技能
  5. 效率提升：数字说话
  6. 技能文件管理
    1. 查看已有技能
    2. 手动编辑技能
    3. 分享技能
    4. 删除技能
  7. 技能生成的内部流程
    1. 第一步：执行轨迹收集
    2. 第二步：触发评估
    3. 第三步：轨迹分析
    4. 第四步：技能文件生成
    5. 第五步：去重检查
    6. 第六步：存储
  8. 技能质量的影响因素
  9. 技能系统与记忆系统的关系
  10. 实际使用建议
  11. 延伸阅读：OpenClaw 社区资源

用一个类比开场

想象你新入职一家公司，第一天什么都不熟悉，完成一个部署任务要查各种文档、问同事、反复试错，可能折腾大半天。但你是个有心人——做完之后，你写了一篇详细的操作笔记存在自己的知识库里。

三个月后，新来一个同事问你怎么做同样的部署。你翻出笔记，十分钟就搞定了。

Hermes Agent 的技能系统干的就是这件事，只不过是自动的。它每次成功完成一个有难度的任务后，会自动把执行过程提炼成一份可复用的「技能文件」。下次遇到类似需求，直接按技能文件走。

这个机制让 Hermes Agent 成了为数不多具备真正「越用越好用」特性的 Agent 框架。

技能文件长什么样

先看个真实例子。假设你让 Hermes Agent 帮你在 Ubuntu 上部署一个 PostgreSQL 数据库，它成功完成后，可能会在 ~/.hermes/skills/ 目录下生成这样一个文件：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
---
title: Ubuntu 部署 PostgreSQL
description: 在 Ubuntu 系统上安装和配置 PostgreSQL 数据库
trigger: 当用户需要在 Ubuntu 上安装 PostgreSQL 或配置数据库时
tools_required:
  - shell_exec
  - file_write
  - file_read
estimated_calls: 8
created: 2026-04-10T14:23:00Z
success_rate: 1.0
---

## 前置检查

1. 确认系统为 Ubuntu/Debian 系列
2. 确认用户有 sudo 权限
3. 检查是否已安装 PostgreSQL

## 安装步骤

1. 更新包索引: `sudo apt update`
2. 安装 PostgreSQL 和扩展: `sudo apt install -y postgresql postgresql-contrib`
3. 启动服务: `sudo systemctl start postgresql`
4. 设置开机自启: `sudo systemctl enable postgresql`

## 配置步骤

1. 切换到 postgres 用户: `sudo -u postgres psql`
2. 创建新用户（按需求调整用户名和密码）
3. 创建数据库并授权
4. 修改 pg_hba.conf 允许远程连接（如需要）
5. 修改 postgresql.conf 的 listen_addresses（如需要）
6. 重启服务使配置生效

## 验证

1. 测试本地连接
2. 测试远程连接（如配置了远程访问）

## 常见问题

- 端口 5432 被占用：检查是否有旧版 PostgreSQL 运行
- 认证失败：检查 pg_hba.conf 的认证方式

注意几个关键字段：

  • trigger：告诉 Agent 什么情况下应该调用这个技能
  • tools_required：需要用到的工具列表
  • estimated_calls：预估工具调用次数
  • success_rate：历史成功率

整个文件是标准 Markdown，人类可读可编辑。这是个非常重要的设计选择——你可以手动修改优化这些技能，不需要通过什么特殊的 API 或 UI。

触发条件：什么时候生成技能

不是每次对话都会生成技能。Hermes Agent 有一套判断逻辑，只在「值得记录」的时候才生成：

条件一：工具调用次数 >= 5

如果一次任务调用了 5 个以上工具，说明这个任务有一定复杂度，值得沉淀。简单的问答或者一两条命令就搞定的事情，没必要生成技能。

条件二：出现自我纠错

这是一个很聪明的判断标准。如果 Agent 在执行过程中遇到了错误，并且自己找到了替代方案解决了问题——这种经验最有价值。

举个例子：Agent 试图用 apt install nodejs 安装 Node.js，发现版本太旧，然后主动改用 NodeSource 的仓库安装了新版本。这个「从失败到成功」的路径会被完整记录在技能文件中，下次直接走正确路线。

条件三：多步骤环境配置

涉及环境搭建、系统配置、服务部署这类任务，通常步骤多且容易出错，适合技能化。

条件四：用户正面反馈

如果你在任务完成后说「完美」「没问题」之类的正面评价，会增加技能生成的概率。反之，如果你说「不对，这不是我要的」，Agent 会跳过技能生成。

这四个条件不是「必须全部满足」，满足任何一个就可能触发。但满足越多，触发概率越高。

技能匹配：怎么找到合适的技能

有了技能库，下一个问题是：新任务来了，怎么匹配到最相关的技能？

Hermes Agent 的匹配流程：

  1. 关键词提取：从用户输入中提取关键意图。比如「帮我装个 MySQL」→ 提取出「安装」「MySQL」
  2. 语义搜索：在技能库中做语义匹配，不是简单的关键词匹配。「部署 MariaDB」也能匹配到「安装 MySQL」的技能，因为它们语义相近
  3. 相关性排序：按匹配度排序，取最相关的 1-3 个技能
  4. 注入上下文：把匹配到的技能文件内容注入到当前对话的 prompt 中

匹配成功后，Agent 不是盲目照搬技能文件的步骤。它会把技能作为「参考方案」，结合当前具体情况做调整。比如技能文件写的是 Ubuntu 的命令，但当前系统是 CentOS，Agent 会自动把 apt 换成 yum。

效率提升：数字说话

技能系统的效果到底有多大？从 cocoloop 社区收集到的使用数据来看：

首次执行 vs 技能匹配后执行：

任务类型 首次工具调用 技能后调用 减少比例
Nginx 反向代理配置 18 次 7 次 61%
Python 虚拟环境+部署 12 次 5 次 58%
Docker Compose 搭建 22 次 9 次 59%
SSL 证书配置 15 次 6 次 60%
数据库备份脚本 10 次 4 次 60%

平均下来，工具调用次数减少约 60%。这直接意味着：

  • 速度更快：少了一半以上的推理轮次
  • 成本更低：每轮推理都消耗 token，轮次少了 token 消耗也少
  • 错误更少：走已验证的路径，避开已知的坑

如果你想了解怎么进一步优化执行效率，可以研究一下 ReAct 循环的架构设计。

技能文件管理

查看已有技能

1
hermes skills list

这会列出所有已生成的技能文件，包括标题、创建时间和使用次数。

手动编辑技能

直接用编辑器打开 ~/.hermes/skills/ 下的文件就行。常见的优化场景：

  • 精简步骤：去掉不必要的检查步骤
  • 添加边界条件：比如加上「如果系统是 ARM 架构则用不同的安装包」
  • 更新命令：某个软件的安装方式变了，更新技能文件中的命令

分享技能

技能文件是纯文本 Markdown，分享极其方便。你可以：

  • 直接把文件拷给别人，放到他们的 ~/.hermes/skills/ 目录
  • 在 GitHub 上维护一个技能仓库
  • 在 cocoloop 社区分享你的技能集合

社区里已经有人开始做「技能市场」了——把各种场景的高质量技能打包分享。对于新用户来说，导入一批经过验证的技能文件，相当于直接继承了别人的使用经验。

删除技能

如果某个技能过时了或者有问题：

1
hermes skills remove "Ubuntu 部署 PostgreSQL"

或者直接删除对应的 Markdown 文件。

技能生成的内部流程

对技术细节感兴趣的读者，这里展开讲讲技能生成的具体过程：

第一步：执行轨迹收集

任务执行过程中，框架会记录完整的执行轨迹：每一轮的推理过程、工具调用、返回结果、耗时等。

第二步：触发评估

任务完成后，评估模块检查前面说的触发条件。如果判断「值得生成技能」，进入下一步。

第三步：轨迹分析

这一步用 LLM 做。把完整执行轨迹发给模型，让它分析：

  • 任务的核心步骤是什么？
  • 哪些步骤是通用的，哪些是特定于这次任务的？
  • 执行过程中遇到了什么问题？怎么解决的？
  • 有没有可以合并或简化的步骤？

第四步：技能文件生成

基于分析结果，生成结构化的技能文件。关键是要把具体的任务参数（比如具体的域名、IP 地址）抽象化，让技能能适用于同类但不完全相同的任务。

第五步：去重检查

检查新生成的技能是否和已有技能重复。如果有高度相似的已有技能，可能会选择更新已有技能而不是创建新的。

第六步：存储

把技能文件写入 ~/.hermes/skills/ 目录，并更新技能索引。

整个过程用户感知不到，发生在任务完成之后的后台处理中。

技能质量的影响因素

不是所有自动生成的技能都很好用。影响技能质量的主要因素：

底层模型能力：强模型生成的技能更准确、步骤更精炼。如果你用的模型推理能力一般，生成的技能可能会有冗余步骤甚至错误。

任务的规范性：标准化的任务（如「安装 XX 软件」「配置 XX 服务」）生成的技能质量高，因为步骤明确。开放式的探索任务（如「帮我优化这段代码的性能」）生成的技能就比较模糊。

执行是否顺利：一次顺利完成的任务生成的技能比反复出错的好。虽然纠错过程也会被记录，但多次错误会引入噪音。

我的建议是：定期翻看 ~/.hermes/skills/ 目录，把质量差的技能删掉或手动优化。你花十分钟调优一个高频技能，可能在之后的使用中省下几个小时。

技能系统与记忆系统的关系

技能文件是 Hermes Agent 四层记忆体系 中的第三层。它和其他三层的关系是：

  • **第一层（持久记忆）**告诉 Agent 你是谁、你喜欢什么
  • **第二层（会话存档）**记录历史对话的概要
  • **第三层（技能文件）**记录怎么做事
  • **第四层（用户建模）**建模你的行为模式

四层相互配合：持久记忆提供偏好上下文，技能文件提供执行方案，用户建模优化方案选择。

比如你的持久记忆里写了「偏好 Docker 部署」，当一个部署任务匹配到多个技能时，Agent 会优先选用包含 Docker 步骤的那个。这就是各层记忆协同工作的效果。

实际使用建议

  1. 不要急于删除技能。即使某个技能生成得不太好，给它几次被调用和优化的机会。Agent 在使用技能的过程中可能会触发技能更新。

  2. 高频任务值得手动优化技能。你每周都要做的部署任务，花十分钟把对应的技能文件调到完美，绝对回本。

  3. 团队共享技能库。如果你的团队都在用 Hermes Agent，维护一个共享的技能仓库能大幅提升整体效率。新成员入职直接导入技能库，免去重复积累。

  4. 定期清理过时技能。软件版本更新、环境变化都可能让旧技能失效。建议每个月过一遍技能库。

  5. 从社区获取技能。cocoloop 社区和 GitHub 上已经有不少高质量的技能集合分享出来了，直接拿来用或者基于它们修改，省时省力。

技能系统是 Hermes Agent 区别于其他框架最核心的东西。用好了它，你的 Agent 会从一个什么都不会的新手，逐渐长成一个经验丰富的老手。这个过程是自动的，但你的引导和优化能让它更快。

延伸阅读：OpenClaw 社区资源

本文由 CocoLoop 中文社区出品。如果你在研究 AI Agent 与主流模型的工程化落地，姊妹站 OpenClaw 中文社区 也许会有帮助：

参与讨论

对这篇文章有疑问或想法？cocoloop 社区有不少开发者在讨论 Hermes 相关话题，欢迎加入交流。

前往 cocoloop 社区 →