Learn Hermes Agent -- 自进化 Agent Harness 工程

June 8, 2026 · View on GitHub

Agency 来自模型。自进化来自 Harness。

一个 agent 能感知、推理、行动，这是模型训练出来的。但一个 agent 能从每次对话中学习、自动沉淀知识、长期自我改进——这是 harness 赋予的。

learn-claude-code 教了你如何造载具——让 agent 能动手的环境。本仓库教你造会自己进化的载具——让 agent 在运行中自动积累知识、创建技能、整理技能库、最终越用越聪明。

从零复刻 Hermes Agent 的自学习系统：让 Agent 记住你、学习你、越用越聪明。

30 秒 Demo

建议先跑自进化闭环章节，直接观察效果：

python s12_comprehensive/comprehensive.py

试这条输入：

Stop using camelCase in Python files — I always use snake_case.

继续交互几轮，运行 /insights 和 /curator。你会看到纠正被沉淀为记忆/技能。

想体验完整 Hermes 特性（gateway、cron、profiles、teams、MCP）：

python s18_full_hermes/full_hermes.py   # 完整集成 + 架构图 + 指标面板

什么是自进化 Agent

普通 agent 每次对话从零开始。关了重开，什么都不记得。用户纠正过的错误下次照样犯。发现的好方案下次照样找不到。

自进化 agent 不同：

每次对话 → 背景审查 → 提取记忆/技能 → 持久化
                                            ↓
下次对话 → 加载记忆 → 匹配技能 → Agent 更聪明了
                     ↓
               定期整理（Curator）→ 技能库不膨胀

核心思想：对话不只是完成任务，更是学习机会。学到的每一个教训、每一条偏好、每一种模式，都自动转化为可复用的知识资产。

Hermes 自进化体系：六层架构

Hermes 是 Claude Code 的自进化子系统。它的架构分为六个层次：

第 1 层：实时学习    — Background Review（背景审查）
第 2 层：技能管理    — Skill Lifecycle（生命周期）
第 3 层：长期维护    — Curator System（技能库整理）
第 4 层：记忆系统    — Memory System（持久化知识）
第 5 层：上下文管理  — Context Management（压缩与注入）
第 6 层：数据分析    — Insights Engine（使用分析）

每一层解决一个问题，每一层在前一层的基础上叠加。

24 个递进课程

每个课程添加一个自进化机制。每个机制有一句格言。

s01 "一个循环 + 一个记忆文件 = 最简单的学习 agent" — 在 agent loop 上加 MEMORY.md，记住用户偏好

s02 "每次对话结束，问自己'学到了什么'" — 背景记忆审查，自动从对话中提取记忆

s03 "好方案不只用一次，沉淀为技能" — 背景技能审查，从纠正和发现中自动创建技能

s04 "记忆不该只有一个文件" — 双层架构、可插拔提供者、FTS5 全文搜索

s05 "技能有生老病死" — active → stale → archived 生命周期，pin 豁免，Umbrella 结构

s06 "什么该学、什么不该学——有规则" — 信号优先级、禁止捕获列表、安全护栏

s07 "30 天不用就标记，90 天归档，规则说了算" — 纯规则自动状态转换，零 LLM 成本

s08 "技能太多会乱，定期合并整理" — LLM 审查合并，前缀聚类，伞形构建

s09 "上下文满了就压，但重要的事要留在外面" — 对话压缩、轨迹压缩、记忆预取

s10 "你不知道自己用了多少 token？那怎么优化" — Token/成本追踪、工具模式分析

s11 "出错了不是终点，是学习的起点" — 错误检测、模型降级、自愈策略

s12 "六层归位，一个会自己进化的 agent" — 全部机制回到一个完整自进化 agent

s13 "定好时间，agent 自己醒来干活" — JSON 文件落盘 + gateway ticker 每 60s 调度

s14 "一个 gateway，连接所有平台" — 多平台消息路由 + delivery 分发 + session 管理

s15 "一套 Hermes，多个人设" — 独立 profile 隔离模型、技能、平台，支持继承

s16 "一个搞不定，delegate 出去" — LLM 自主调用 delegate_task spawn 子 agent，leaf/orchestrator 角色系统

s17 "能力不够？接上 MCP" — 多传输 + 工具池统一 + JSON-RPC

s18 "全部机制，一个完整 Hermes" — 18 章特性完整集成

s19 "先划边界，再给自由" — 四层权限管线：DENY → ASK → SANDBOX → ALLOW

s20 "挂在循环上，不写进循环里" — 8 个 hook 扩展点，不改循环代码即可扩展

s21 "各干各的目录，互不干扰" — git worktree 并行隔离，零拷贝共享 .git

s22 "没计划的 agent 走哪算哪" — 先列计划再执行，任务依赖 DAG + 状态追踪

s23 "不是 worker 自己扫板，是 Dispatcher 中心分配" — Kanban Dispatcher + claim TTL + 失败保护

s24 "prompt 是拼出来的，不是写死的" — 分段定义 + 条件注入 + 运行时组装

核心模式

def agent_loop(messages):
    while True:
        # 1. 每轮前：注入相关记忆和技能
        inject_memories(messages)
        inject_skills(messages)

        response = client.messages.create(
            model=MODEL, system=build_system(),
            messages=messages, tools=TOOLS,
        )
        messages.append({"role": "assistant", "content": response.content})

        if response.stop_reason != "tool_use":
            # 2. 每轮后：背景审查，提取学习
            spawn_background_review(messages)
            return

        # 3. 执行工具
        results = execute_tools(response.content)
        messages.append({"role": "user", "content": results})

循环不变。自进化机制挂在循环的前后。模型负责决策，harness 负责学习。

全部章节

章节	主题	关键概念
s01	Agent Loop + Memory	`agent_loop` / `MEMORY.md` / 记忆持久化
s02	背景记忆审查	`BackgroundReview` / nudge / 对话快照
s03	背景技能审查	信号检测 / 技能自动创建 / 优先级规则
s04	记忆系统深度	FTS5 / 可插拔提供者 / 生命周期钩子
s05	技能生命周期	active/stale/archived / pin / Umbrella 结构
s06	技能自动创建	信号优先级 / 禁止捕获 / 操作优先级
s07	Curator 自动转换	纯规则状态机 / 空闲触发 / 配置管理
s08	Curator LLM 合并	前缀聚类 / 伞形合并 / 降级 / 报告生成
s09	上下文管理	对话压缩 / 轨迹压缩 / 记忆预取 / 注入格式
s10	Insights 引擎	Token 统计 / 成本分析 / 工具模式 / 趋势
s11	错误恢复	重试策略 / fallback 模型 / 自愈流程
s12	完整自进化 Agent	六层架构完整集成
s13	Cron Scheduler	定时任务 + gateway ticker + 持久化
s14	Gateway	多平台消息路由 + delivery 分发
s15	Multi-Profile	配置隔离 + 继承链 + 独立 gateway
s16	Agent Teams	delegate_task 工具 + leaf/orchestrator 角色
s17	MCP Plugin	多传输 + 工具池组装 + JSON-RPC
s18	Full Hermes	全部特性集成
s19	Permission System	四层审批管线
s20	Hook System	8 个扩展点
s21	Worktree Isolation	git worktree 并行隔离
s22	Planning System	TodoWrite + 依赖 DAG
s23	Kanban Dispatcher	中心调度 + claim TTL + 失败保护
s24	System Prompt	分段 + 条件拼接

Hermes 源码地图

如果你想从教学代码读回生产源码，看这份导航：

Hermes 源码地图 — 24 章教程与 Hermes Agent 核心文件的对应关系
FAQ — 项目定位、学习顺序、API Key、教学版简化原因

最短路径：先跑 s12_comprehensive/comprehensive.py 看完整效果，再按源码地图读 run_agent.py、agent/background_review.py、agent/curator.py、agent/memory_manager.py。

学习路径

主线：能记住 → 能学习 → 能管理知识 → 能整理 → 能分析 → 能自愈 → 完整进化

flowchart TD
    classDef stage1 fill:#E3F2FD,stroke:#1976D2,stroke-width:2px,color:#0D47A1,rx:12,ry:12,text-align:left
    classDef stage2 fill:#E8F5E9,stroke:#388E3C,stroke-width:2px,color:#1B5E20,rx:12,ry:12,text-align:left
    classDef stage3 fill:#FFF3E0,stroke:#F57C00,stroke-width:2px,color:#E65100,rx:12,ry:12,text-align:left
    classDef stage4 fill:#F3E5F5,stroke:#7B1FA2,stroke-width:2px,color:#4A148C,rx:12,ry:12,text-align:left

    subgraph Phase1 ["🌱 阶段 1：基础自进化（记忆 + 学习）"]
        direction LR
        S1["<b>1. 让 Agent 能记住</b><br/>━━━━━━━━━━━━━<br/><b>s01 Agent Loop + Memory</b><br/>└─ 循环 + MEMORY.md<br/><br/><b>s02 背景记忆审查</b><br/>└─ 自动从对话提取记忆"]:::stage1

        S2["<b>2. 让 Agent 能学习</b><br/>━━━━━━━━━━━━━<br/><b>s03 背景技能审查</b><br/>└─ 从纠正中创建技能<br/><br/><b>s04 记忆系统深度</b><br/>└─ FTS5 + 可插拔提供者"]:::stage2

        S1 ==> S2
    end

    subgraph Phase2 ["🚀 阶段 2：高级自进化（管理 + 整理 + 分析 + 自愈）"]
        direction LR
        S3["<b>3. 管理知识资产</b><br/>━━━━━━━━━━━━━<br/><b>s05 技能生命周期</b><br/>└─ 状态转换 + umbrella<br/><br/><b>s06 技能创建规则</b><br/>└─ 信号优先级 + 安全</b>"]:::stage3

        S4["<b>4. 长期维护 + 整合</b><br/>━━━━━━━━━━━━━<br/><b>s07 Curator 自动转换</b><br/>└─ 纯规则 stale/archive<br/><br/><b>s08 Curator LLM 合并</b><br/>└─ 前缀聚类 + 伞形构建<br/><br/><b>s09 上下文管理</b><br/>└─ 压缩 + 预取 + 注入<br/><br/><b>s10 Insights 引擎</b><br/>└─ token/成本/模式<br/><br/><b>s11 错误恢复</b><br/>└─ 重试 + 降级 + 自愈<br/><br/><b>s12 完整自进化 Agent</b><br/>└─ 六层全部集成"]:::stage4

        S3 ==> S4
    end

    Phase1 ==> Phase2

如何阅读

每章一个独立文件夹，包含完整叙事文档和可运行代码：

s04_memory_system/
  README.md              # 完整叙事 + 原理讲解 + 内联代码
  README.en.md           # 英文翻译（部分章节）
  memory_system.py       # 独立可运行实现
  images/                # SVG 架构图

按顺序从 s01 读到 s24。每章假定你已读过前面章节，章末有通往下一章的钩子。每个 README 末尾有 <details> 折叠区引用 Hermes 生产源码。

快速开始

git clone <learn-hermes-agent-repo>
cd learn-hermes-agent
pip install -r requirements.txt
cp .env.example .env   # 编辑 .env 选择 LLM_PROVIDER 并填入 API Key

# 使用 Anthropic（默认）
python s01_agent_loop/agent_loop.py

# 使用 DeepSeek
LLM_PROVIDER=deepseek DEEPSEEK_API_KEY=sk-... MODEL_ID=deepseek-chat python s01_agent_loop/agent_loop.py

# 使用通义千问
LLM_PROVIDER=openai_compat LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1 LLM_API_KEY=sk-... python s01_agent_loop/agent_loop.py

支持的语言模型

通过统一的 llm.py 模块，支持多种 LLM provider。设置 LLM_PROVIDER 环境变量即可切换：

Provider	模型示例	环境变量
Anthropic	claude-sonnet-4-6, claude-opus-4-8	`ANTHROPIC_API_KEY`
DeepSeek	deepseek-chat, deepseek-reasoner	`DEEPSEEK_API_KEY`
OpenAI	gpt-4o, gpt-4o-mini	`OPENAI_API_KEY`
通义千问 / Qwen	qwen-plus, qwen-max	`LLM_API_KEY` + `LLM_BASE_URL`
智谱 / GLM	glm-4-flash, glm-4-plus	`LLM_API_KEY` + `LLM_BASE_URL`
月之暗面 / Moonshot	moonshot-v1-8k	`LLM_API_KEY` + `LLM_BASE_URL`
Ollama (本地)	llama3, qwen2.5, etc.	`LLM_BASE_URL`

# 使用 DeepSeek
LLM_PROVIDER=deepseek DEEPSEEK_API_KEY=sk-... MODEL_ID=deepseek-chat python s01_agent_loop/agent_loop.py

# 使用通义千问
LLM_PROVIDER=openai_compat LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1 LLM_API_KEY=sk-... MODEL_ID=qwen-plus python s01_agent_loop/agent_loop.py

所有 provider 通过 LLM_PROVIDER=openai_compat + 自设 LLM_BASE_URL 即可接入任意 OpenAI 兼容接口。

与 learn-claude-code 的关系

learn-claude-code 教 harness 基础——循环、工具、权限、子 agent、任务系统等让 agent 能"动手"的机制。本仓库假定你已理解这些基础，专注于自进化层——让 agent 越用越聪明的机制。

learn-claude-code                   learn-hermes-agent
(agent harness 基础:                 (自进化 harness:
 循环、工具、权限、子 agent、          背景审查、技能生命周期、
 任务系统、worktree 隔离)             Curator、记忆系统、Insights)

两仓库互补。合在一起，覆盖了从"能动手"到"会进化"的完整 harness 工程。

项目结构

learn-hermes-agent/
  llm.py                        # 统一 LLM 适配 (Anthropic/DeepSeek/OpenAI/...)
  requirements.txt              # Python 依赖
  .github/workflows/test.yml    # CI (168 tests)
├── 自进化核心 (s01-s12)
│   s01_agent_loop/             # Agent Loop + 基础记忆
│   s02_background_memory_review/# 背景记忆审查 (Nudge)
│   s03_background_skill_review/ # 背景技能审查 (信号检测)
│   s04_memory_system/          # FTS5 + 可插拔记忆提供者
│   s05_skill_lifecycle/        # active/stale/archived 状态机
│   s06_skill_creation/         # 信号优先级 + 禁止捕获
│   s07_curator_state/          # Curator P1: 纯规则自动转换
│   s08_curator_llm/            # Curator P2: LLM 审查合并
│   s09_context_management/     # 对话压缩 + 记忆预取
│   s10_insights/               # Token/成本/工具分析
│   s11_error_recovery/         # 重试 + 降级 + 自愈
│   s12_comprehensive/          # 六层自进化集成
├── 高级特性 (s13-s18)
│   s13_cron_scheduler/         # 定时任务 + gateway ticker
│   s14_gateway/                # 多平台消息网关
│   s15_profiles/               # 多 profile 隔离 + 继承
│   s16_agent_teams/            # delegate_task + leaf/orchestrator
│   s17_mcp_plugin/             # MCP 外部工具接入
│   s18_full_hermes/            # 完整 Hermes 集成
├── Harness 基础 (s19-s24)
│   s19_permission/             # 四层审批管线
│   s20_hooks/                  # 8 个 Hook 扩展点
│   s21_worktree/               # git worktree 并行隔离
│   s22_planning/               # TodoWrite + 依赖 DAG
│   s23_autonomous/             # Kanban Dispatcher + claim TTL
│   s24_system_prompt/          # 分段拼接 + 条件注入
├── assets/                     # 社交预览图
├── scripts/                    # 工具脚本
├── tests/                      # 168 个自动化测试
└── web/                        # Next.js 教学平台

许可证

MIT

Agency 来自模型。自进化来自 Harness。每次对话都是学习机会，学到的知识自动沉淀为可复用的技能和记忆。

Build the harness that learns. The model will do the rest.