大家好，我是玄姐。

PS：

Harness 工程干货直播，欢迎点击预约，直播见。

进入 2026 年，AI 领域的工程化迭代进入了真正的“技术爆炸”期。作为继 OpenClaw 与 Claude Code 之后备受瞩目的开源 Agent 项目，由 Nous Research 推出的 Hermes Agent 在 GitHub 上迅速积累了极高的技术热度。

不同于绑定在 IDE 中的编程 Copilot 或封装单一 API 的对话外壳，Hermes 定位于部署在服务端的自主智能体，其核心差异化优势在于“持久运行”（Persistent）与“自进化”（Self-Evolving）。本文将剥离其表层的应用功能，深入其源码底层，全面剖析 Hermes 如何通过双轮驱动的“自进化”机制打破模型能力上限，并从 Prompt、Context 以及 Harness 三个核心工程维度，解析其构建生产级 Agent 系统的架构设计哲学。

一、 核心突破：内外双轮驱动的“自进化”架构

传统 Agent（如 OpenClaw）的上下文管理往往只服务于“当前会话”的稳定性，任务执行完毕后，试错经验随之丢失，智能上限被死死锚定在基座模型与静态 Skill 上。Hermes 的架构突破在于，它构建了一条从“任务执行”到“经验沉淀”，再到“权重内化”的完整数据闭环，实现了真正的 Self-Evolving。

1. 外驱演进：动态 Skill 生成与经验沉淀

Hermes 将 Skill 从“静态调用组件”升级为“动态进化资产”。在每次复杂任务结束后，系统并不会简单丢弃执行轨迹（Trajectory），而是通过一种“前台即时响应、后台异步进化”的架构来进行复盘。

• 触发机制：系统内置 _iters_since_skill 计数器，当 Agent 连续执行多轮对话（默认 10 轮）且未更新技能时，会自动触发经验整理机制。

• 后台审查 Agent（Background Reviewer）：主 Agent 完成响应后，系统会异步 Fork 出一个轻量级审查 Agent，从三个维度对交互轨迹进行深度解构：

• • 记忆审查：提取关键事实与长期偏好，写入系统记忆库。

  • 技能审查：评估解决路径的通用性，将高价值试错经验抽象为结构化的可复用 Skill。

  • 综合审查：反思错误模式并生成优化策略。

2. 内驱演进：基于 GRPO 的强化学习（RL）闭环

外挂式的 Skill 沉淀解决了“即时纠错”问题，但无法突破基座模型的原生推理天花板。为此，Hermes 引入了深度进化的第二条路径：基于 RL 的模型权重训练闭环，使通用模型在特定领域（Domain-Specific）实现超越。

该闭环由高质量数据合成、轨迹压缩与强化学习训练三个核心微服务构成：

• 轨迹合成与质检（Trajectory Pipeline）：利用旗舰模型（如 Claude Opus 4.6）作为 Teacher Model，在并行线程中（batch_runner.py）针对特定 Prompt 或 Benchmark（如 SWE）生成标准 ShareGPT 格式的数据。系统内置严格的零推理过滤机制，丢弃缺乏显式思维链（ / ）的低优样本。

• 智能轨迹压缩：针对冗长的执行轨迹，Hermes 采用“头尾保护，中间摘要”的压缩算法，将动辄数十万 Token 的轨迹压缩至标准的训练窗口（如 15250 Tokens），在保留任务上下文的同时剥离冗余试错数据。

• GRPO 强化学习：Hermes 采用了无 Reward Model 依赖的 GRPO（Group Relative Policy Optimization）算法。通过多维度的组合奖励函数，直接在特定场景中对模型进行定向增强。

Hermes 多维组合奖励函数设计参考表：

奖励维度	建议权重	评估目标	机制特点
正确性 (Correctness)	2.0 (最高)	最终输出结果的绝对正确性	支持调用终端工具进行真实环境的代码编译或执行验证
格式规范 (Formatting)	0.5 - 1.0	是否遵循 <reasoning>...<answer> 的输出协议	强约束模型的思维链输出规范
渐进格式 (Progressive)	0 - 0.5	标签闭合完整度与部分格式符合度	提供平滑的梯度奖励，避免零分惩罚导致训练失常

二、 Prompt Engineering：异构模型适配与生态兼容

在提示词工程层面，Hermes 的核心设计理念是兼容主义与动态补丁，致力于解决模型能力异构带来的不确定性。

• 动态工具强制指导：不同模型对工具调用的主动性存在显著差异。Hermes 架构根据底层模型类型动态下发补丁：

• • 针对 GPT 系列：强制注入“必须使用工具执行，禁止仅作口头描述”的约束指令，并严格要求操作后的验证环节。

  • 针对 Gemini 系列：注入“强制使用绝对路径”与“批量操作并行调用”的定向优化提示词。

• 极致的生态兼容：Hermes 的系统 Prompt 组装器原生兼容 OpenClaw（读取 AGENT.md/SOUL.md）以及主流 AI Coding 工具（读取 .cursorrules / .mdc）的描述文件。这种设计大幅降低了跨架构的迁移成本，使其能无缝融入现有的研发基础设施。

三、 Context Engineering：比例阈值与混合记忆架构

上下文管理是决定长程 Agent 稳定性的关键。Hermes 在 Context 与 Memory 的处理上展现了极高的工程成熟度。

1. 动态比例阈值压缩

有别于 OpenClaw 采用绝对 Token 数量作为触发边界的策略，Hermes 实现了自适应比例阈值压缩（Proportional Thresholding）。 

系统通过实时监控当前上下文占模型总窗口的比例（例如设定阈值为 50%），一旦触碰红线，立即启动异步压缩流程。这种设计解耦了对具体模型 Context Window 大小的依赖，使得一套架构可以无缝游走于 32K 轻量模型与 200K 旗舰模型之间。

2. 内外双驱的混合记忆机制

• 内部静态存储：保留基于 Markdown（如 MEMORY.md）的核心认知库，辅以 SQLite 数据库对全量对话进行结构化持久存储，为后续的数据回放与分析提供基础资产。

• 外部扩展总线：原生提供对 Mem0、Honcho 等第三方专业记忆中间件的插件化接入能力，实现了跨会话的向量级语义召回，使 Agent 的长期记忆彻底摆脱了本地文件的桎梏。

3. 上下文即时注入（Context Injection）

Hermes 引入了工程化效率极高的 @ 语法资源挂载机制（如 @file:main.py:10-20 或 @diff）。这种设计将传统的“多轮工具调用”前置转化为“单轮上下文预加载”，极大降低了系统的推理延迟与 Token 消耗。

---

四、 Harness Engineering：决定系统成熟度的操作系统层

评判一个 AI 系统的工程成熟度，核心在于其模型周围的脚手架工程（Harness Engineering）。Hermes 建立了一套严密的运行期管控与自愈体系，真正将大模型封装为了可靠的“数字员工”。

• 结构化异常自愈体系：Hermes 摒弃了粗粒度的错误重试，而是建立了一个包含 14 类标准异常（如 rate_limit, context_overflow, thinking_signature）的分类器。系统为每类异常绑定了独立的恢复策略（Recovery Strategy），实现了细粒度的降级与纠错，保障了长周期任务的鲁棒性。

• 全生命周期 Hook 拦截：提供 on_agent_start、on_tool_call、on_pre_compress 等完备的生命周期钩子，允许架构师在不侵入主干代码的前提下，植入企业级的安全审计、权限管控与行为埋点逻辑。

• 深层沙箱隔离机制：在并发执行复杂任务时，Hermes 对子 Agent（Sub-Agent）实施了严格的边界控制。不仅限制了并发数（最大 3 个）与调用深度（最大 2 层），更从物理层面屏蔽了子 Agent 访问核心工具集（如禁止 delegate_task 以防递归死锁，禁止使用 execute_code 以防权限逃逸）的能力，确保了系统调度的绝对安全与线性可控。

五、结语

从自主执行任务，到建立动态沉淀机制，再到形成自我优化的算法闭环，Hermes Agent 提供了一份高质量的架构答卷。它向我们证明了：在 AI 原生研发流程（AI-DLC）中，单纯追求“模型侧”的参数规模已不再是唯一解。通过精妙的 Harness 工程与完善的内外循环自进化机制，AI 架构师完全可以将通用大模型锤炼为垂直领域内的顶尖专家。

PS：

Harness 工程干货直播，欢迎点击预约，直播见。

好了，这就是我今天想分享的内容。如果你对构建企业级 AI 原生应用新架构设计和落地实践感兴趣，别忘了点赞、关注噢~

—1—

加我微信

扫码加我👇有很多不方便公开发公众号的我会直接分享在朋友圈，欢迎你扫码加我个人微信来看👇

加星标★，不错过每一次更新！

⬇戳”阅读原文“，立即预约！