目录

1.概述：Hermes 是什么？

2.Harness 九大组件全景

3. 核心架构

3.1 统一执行引擎 AIAgent

3.2 Provider 抽象层

3.3 工具注册与暴露分离

3.4 技能系统与渐进式加载

4. 四层记忆系统

Layer 1: Prompt Memory（MEMORY.md + USER.md）

Layer 2: Session Retrieval（SQLite + FTS5）

Layer 3: Skills（程序性记忆 / 操作手册）

Layer 4: Honcho（辩证用户建模，可选）

5. 自进化学习循环

学习循环四机制

机制 1：自主记忆策展（Memory Curation）

机制 2：自动技能生成（Skill Generation）

机制 3：技能自我修补（Skill Patching）

机制 4：跨会话搜索与 LLM 摘要

Nudge Engine（后台反思引擎）

闭环逻辑

6. 上下文压缩

7. 会话持久化（SQLite + FTS5）

Schema 架构

核心设计决策

FTS5 搜索能力（Agent 自带搜历史工具）

8. Gateway 多平台网关

9. 权限与安全模型

10. 与Claude Code Harness对比

上下文压缩对比

Claude Code

Hermes

记忆系统对比

Claude Code

Hermes

架构哲学的根本分歧

11. 11个Harness设计模式

总结

Hermes 的核心创新

---

---

1.概述：Hermes 是什么？

        Hermes Agent （社区俗称“爱马仕”）是 NousResearch 开发的开源（MIT License）AI Agent 框架。

核心理念：一个Agent 的能力应该随使用时间叠加增长——它不是每次会话都从零开始的聊天机器人，而是一个会从经验中学习、积累技能、建立用户模型的持久智能体。

与claude code 的关系：

• Claude Code 是 Anthropic 的专有编程 Agent（闭源，专注代码）
• Hermes Agent 是通用 Agent 框架（开源，多平台多模型）
• 两者都实现了 Harness 架构模式，但哲学不同

---

2.Harness 九大组件全景

        Arize 这类做 Agent 观测、评测的行业公司，总结出一套能稳定商用、不出乱子的 AI 智能体必备 9 件配套能力，Hermes 全部做齐了，一件没缺。

#	组件	Hermes 如何实现
1	外层迭代循环：AI 自动思考 - 调用工具的主流程	固定一套流水线，无限循环：         标准 model-call → tool-dispatch → result-append → repeat，通过 Provider 抽象层归一化不同 API
2	上下文管理与压缩：防止对话太长 AI 失忆、超限	问题：聊久了所有历史、工具返回内容全堆在上下文，会超模型窗口、AI 记不住重点、计费变贵。 Hermes 五步精简逻辑：         五阶段压缩管线：工具输出裁剪 → 头部保护 → 尾部预算 → LLM 摘要 → flush_memories() 工具返回的长内容先砍废话 关键开头信息绝不删掉（比如任务要求、身份设定） 预留固定窗口给最新对话 太久远的历史让大模型浓缩成简短摘要 冗余历史直接清空释放空间 简单说：自动给聊天记录 “瘦身”，长对话也不崩。
3	技能与工具管理：按需给 AI 开放工具，不全部暴露	注册与暴露分离；70+ 工具，28 个工具集；按场景决定模型可见的工具子集         手里一共 70 多个工具，打包成 28 套工具组（文件操作、网络、数据库等）。 不是一次性把所有工具全塞给 AI，干什么活只给对应工具。         例：只让 AI 写文档时，就屏蔽代码执行、系统命令工具，减少 AI 乱调用出错。 工具注册和对外展示分开，新增工具不用改核心流程。
4	子代理管理：AI 派小助手单独处理复杂子任务	delegate_task，独立 task_id + 终端上下文，结构化摘要返回；危险命令默认拒绝；递归深度封顶 复杂任务拆分交给小代理去单独干活： 每个小任务独立编号、独立聊天空间，互不干扰 小代理干完只返回精简总结，不把一堆冗余信息塞主对话 有安全限制：高危命令直接拦截，还限制嵌套层级，防止无限递归卡死
5	内置技能包：现成标准化工具库，开箱即用	166 个技能（87 内置直接能用 + 79 可选按需开启），遵循 agentskills.io 开放标准
6	会话持久化与恢复：关掉程序下次打开继续聊	SQLite + FTS5 全文搜索 + WAL 日志；跨平台会话衔接         本地SQLite数据库存所有对话，支持全文检索历史聊天记录；日志防丢失；Windows/Mac/Linux 多端打开，能读取上次没做完的任务，无缝接续
7	System Prompt 组装：分层管理 AI 人设、规则	三层提示词架构：stable（身份/SOUL.md）→ context（AGENTS.md）→ volatile（时间戳/元数据） Stable 固定层：AI 永久人设、核心行为准则（不会变） Context 场景层：当前任务规则、可用工具说明 Volatile 临时层：实时变动数据（当前时间、本次任务元信息） 好处：改场景规则不用动基础人设，结构清晰好维护。
8	生命周期钩子：全程可插自定义逻辑（插件机制）	两面：进程内插件钩子 + 文件系统驱动的 Gateway 钩子 分两种自定义入口，你能在 Agent 任意阶段插入自己代码： 进程内钩子：程序运行中，AI 开始 / 结束调用工具、启动任务时触发插件 文件网关钩子：监控本地文件变动，文件更新自动触发 Agent 逻辑 举例：工具执行完自动同步结果到本地表格、任务结束自动发通知。
9	权限与安全层：防泄密、防 AI 执行危险操作	智能审批（学习安全命令）、PII 脱敏、密钥脱敏、危险命令检测 一套安全防护全套功能： 智能审批：AI 会学习区分安全 / 危险指令，高危操作主动询问确认 隐私脱敏：手机号、身份证等 PII 隐私自动隐藏 密钥脱敏：数据库、API 密钥不会明文出现在对话里泄露 高危命令检测：删盘、格式化、高危系统命令直接拦截

核心流程

---

3. 核心架构

3.1 统一执行引擎 AIAgent

        所有入口共享同一个核心类 AIAgent（run_agent.py），无论消息来自 CLI、Telegram、Discord 还是 API：

CLI (cli.py)  │  Gateway (gateway/run.py)  │  ACP (acp_adapter/)  │  API Server  │  Batch Runner
       │                     │                        │                  │               │
       └─────────────────────┴────────────────────────┴──────────────────┴───────────────┘
                                          │
                                   AIAgent Core
                    ┌─────────────────┼─────────────────┐
              Prompt Builder     Provider Resolution    Tool Dispatch
              Compression        (3 API modes)          Registry (70+ tools)

设计原则：

• Prompt 稳定性：System prompt 在会话期间永不改变（保护 Anthropic prefix caching）
• 平台无关核心：一个 AIAgent 类服务所有入口
• 松耦合：可选子系统使用注册模式 + check_fn 门控，无硬依赖
• Profile 隔离：每个 profile 有独立的 HERMES_HOME、配置、记忆、会话

执行循环：

Message Arrives → Generate Task ID
  → Load System Prompt (冻结快照: MEMORY.md/USER.md + skill 索引)
  → Compression Pre-check (上下文是否接近阈值?)
  → LLM API Call
  → If tool call → Execute tool → Append result → Loop
  → If final text → Store session in SQLite → Deliver response

        总结：一套共用的 AI 核心执行引擎 AIAgent，不管是命令行、机器人、接口还是批量任务，全都走它统一处理，内置提示词、模型适配、工具调度三大模块，按固定标准化流程处理消息，兼顾缓存优化、多配置隔离、模块解耦。

3.2 Provider 抽象层

Hermes 支持 18+ LLM 提供商，通过三种 API 模式归一化：

API 模式	适用提供商
chat_completions	OpenAI, DeepSeek, 兼容端点
anthropic_messages	Anthropic (原生)
codex_responses	GitHub Copilot, Codex

Provider 路由：

model_routing:
  default: anthropic/claude-sonnet-4-6
  high_precision: anthropic/claude-opus-4-8
  low_latency: deepseek/deepseek-v4-pro
  fallback_providers:
    - openai/gpt-5.1
    - google/gemini-3-pro

三层弹性架构：

层级	机制	作用域
Credential Pools	同一 Provider 多 API Key 轮转	同 Provider 内
Primary Model Fallback	fallback_providers 列表自动切换	跨 Provider，每轮
Auxiliary Task Fallback	辅助任务独立 Provider 解析（视觉、压缩、标题生成等）	按任务维度

        总结：Hermes 统一兼容 18 + 大模型厂商，分三类接口做格式归一，还通过密钥轮询、跨模型兜底、任务专属模型三套机制实现高可用弹性调度。

3.3 工具注册与暴露分离

Hermes 的工具系统最关键的架构决策：注册 ≠ 暴露。

tools/registry.py          ← 零依赖，被所有工具文件导入
       ↑
tools/*.py                 ← 每个文件在 import 时自注册: registry.register()
       ↑
model_tools.py             ← 导入 registry + 触发工具发现
       ↑
run_agent.py, cli.py       ← Agent 核心和 CLI

核心机制：

# 每个工具文件自注册
registry.register(
    name="example_tool",
    toolset="example",
    schema={"name": "example_tool", "description": "...", "parameters": {...}},
    handler=lambda args, **kw: example_tool(...),
    check_fn=check_requirements,      # 门控函数：环境是否满足？
    requires_env=["EXAMPLE_API_KEY"],  # 所需环境变量
)

关键设计：

• 70+ 注册工具，但模型每次只看到相关的子集
• check_fn 决定工具是否可用（API Key 是否配置？依赖是否安装？）
• 按场景（CLI / 某聊天平台 / 某 Profile）暴露不同工具组合
• 新增一个工具只需改 3 个文件：工具实现 → model_tools.py 导入 → toolsets.py 注册

        总结：所有工具统一注册入库，但不会全部一次性给 AI 使用，依靠门控函数、场景分组按需开放，新增工具接入流程简单。

3.4 技能系统与渐进式加载

Hermes 的技能系统实现了三级渐进式披露（Progressive Disclosure）：

Tier 0: 分类名                        (~50 tokens)
  └─ Tier 1: 技能名 + 一行描述         (~20 tokens/skill)
       └─ Tier 2: 完整 SKILL.md 内容   (~500–5,000 tokens, 按需加载)
            └─ Tier 3: 附件文件         (references/, templates/, scripts/)

Tier1:

        作用：让模型知道 “我有哪些技能、大概能干什么”，用于意图匹配选工具，仅此而已

Tier2:

        只有模型判定要使用某技能时，才调用skill_view(name)拉取完整技能规则、入参、流程

Tier3:

        仅执行阶段才加载配套 API 文档、模板、案例，绝大多数对话完全不会走到这一层，几乎不增加基线开销

        这意味着 200 个技能的上下文开销 ≈ 40 个技能。

        技能遵循 agentskills.io 开放标准（Markdown + YAML frontmatter），跨 Agent 可移植——在 Hermes 中创建的技能可以被 Claude Code、Cursor、Copilot 等使用。

---

4. 四层记忆系统

Hermes 最核心的设计——将记忆按时间尺度和用途分为四个独立层：

Layer 1: Prompt Memory（MEMORY.md + USER.md）

属性	详情
存储	~/.hermes/memories/ 下的扁平 Markdown 文件
加载方式	每次会话第一条消息前注入 system prompt
容量限制	MEMORY: 2,200 字符 / USER: 1,375 字符 / 总计: 3,575 字符
管理方式	Agent 使用 memory 工具（add / replace / delete）
生效时机	修改在下次会话生效（本会话内冻结，保护 prompt caching）

强制字符限制的哲学：只让真正高价值的信息存活。

Layer 2: Session Retrieval（SQLite + FTS5）

属性	详情
存储	SQLite + FTS5 全文索引
加载方式	按需搜索——Agent 自行判断何时需要历史上下文
处理方式	检索匹配对话 → LLM 生成聚焦摘要（绝不把整个旧对话倒入上下文窗口）

关键区分：Memory 文件始终加载（持久事实）；Session 存档按需搜索（特定历史上下文）。

Layer 3: Skills（程序性记忆 / 操作手册）

属性	详情
存储	~/.hermes/skills/ 下结构化 Markdown + YAML
加载方式	渐进式披露（见 3.4 节）
格式	agentskills.io 开放标准
用途	"怎么做"——SOP、工作流、陷阱、验证步骤

Layer 4: Honcho（辩证用户建模，可选）

属性	详情
存储	Plastic Labs 的 Honcho 外部服务
机制	被动观察——跨会话构建用户画像，无需显式写入
模型	12 层身份模型，同时建模用户和 Agent 与用户的关系
是否必需	否——大多数任务型部署不需要

四层总结

Layer 1: Prompt Memory    ← "你是谁，我喜欢什么"（始终加载，高信号）
Layer 2: Session Archive  ← "上次发生了什么"（按需搜索，低延迟）
Layer 3: Skills           ← "某任务怎么做"（渐进加载，操作手册）
Layer 4: Honcho           ← "你的行为模式"（被动建模，长期画像）

---

5. 自进化学习循环

这是 Hermes 区别于其他 Agent 框架的核心差异点。

        普通 Agent：干完活就完事，不会总结经验，下次遇到同类问题还要重新摸索。

        Hermes 自带自动进化闭环，不用你手动改配置、写工具，后台悄悄复盘优化，四步循环循环往复。

学习循环四机制

┌──────────────────────────────────────────────────┐
│                 Self-Improving Loop               │
│                                                   │
│  ┌─────────┐  ┌──────────┐  ┌─────────┐  ┌──────┐│
│  │ Memory  │  │  Skill   │  │ Skill   │  │Cross ││
│  │Curation │→│Generation│→│Patching │→│Session││
│  │         │  │          │  │         │  │Search ││
│  └─────────┘  └──────────┘  └─────────┘  └──────┘│
│       ↑                              ↓            │
│       └──────── Nudge Engine ────────┘            │
└──────────────────────────────────────────────────┘

机制 1：自主记忆策展（Memory Curation）

        在会话中每隔固定间隔，Agent 收到内部系统提示，回顾最近活动并判断是否有值得永久保存的内容。无需用户干预。

        每聊 10 轮，后台悄悄复盘聊天，自动挑出长期有用信息存入永久记忆（L1 MEMORY.md），没用的垃圾自动丢掉，不用你手动记录偏好、关键规则。

例：你多次强调报表要导出 Excel，它自动把这条要求永久存起来，以后不用反复提醒。

机制 2：自动技能生成（Skill Generation）

任务完成后，Agent 判断是否将此次工作流编码为可复用技能。触发条件：

• 5+ 工具调用
• 任务中恢复了错误
• 用户给出了纠正指导
• 发现了非平凡的工作流

        只要单次任务满足：连续调用 5 次以上工具 / 踩坑修复过报错 / 你纠正过它的操作 / 流程复杂有复用价值，就自动把整套操作写成标准化技能存入技能库。

例：你让它批量下载表格、清洗数据、汇总图表重复操作 3 次，它自动生成一套「批量数据报表」工具，下次一键调用。

机制 3：技能自我修补（Skill Patching）

        技能不会冻结——未来使用时如果发现缺失步骤、过时命令或新陷阱，Agent 会用  skill_manage(action='patch') 原地修补。这是精准的 find-and-replace，而非全量重写，既保持正确性又最小化 token 开销。

        之前生成的技能不是一成不变，下次使用发现步骤漏了、命令失效、有新坑，只精准修改出错片段，不重写全部技能，省 Token、不破坏原有逻辑。

例：旧技能里某 API 地址过期，它只替换这一行地址，其余流程不动。

机制 4：跨会话搜索与 LLM 摘要

        所有对话归档在 SQLite + FTS5 中。Agent 需要历史上下文时，搜索归档并用 LLM 仅总结相关内容。

        所有历史对话存在数据库，复盘 / 执行任务时只检索相关历史，用大模型精简摘要，不会把几万条聊天全塞进上下文。

Nudge Engine（后台反思引擎）

记忆和技能的写入需要一个触发器——这就是 Nudge Engine：

        相当于内置两个定时器，到点自动开一个隐形后台小 Agent偷偷进化：

计数器	粒度	默认间隔
Memory Nudge	按用户轮次计数	每 10 轮
Skill Nudge	按工具迭代计数	每 10 次迭代

触发时分叉一个后台 Agent 实例（独立线程）：

• 输出重定向到 /dev/null（用户无感）
• 最多 8 次工具调用以控制成本
• 共享主 Agent 的 Memory 存储
• 自身 Nudge 关闭防止无限递归

后台小 Agent 特点：你看不到输出、限制工具调用次数控成本、不会无限循环、和主程序共用记忆库。

闭环逻辑

        跨会话检索拿到历史经验 → 触发记忆整理 → 产出新技能 → 使用中自动修补技能 → 再检索历史持续迭代，全程后台静默运行。

总结：

        Hermes 靠定时后台反思引擎驱动一套闭环自学流程：自动沉淀长期记忆、把复杂工作流做成工具、随时修补失效技能、调取历史对话辅助优化，全程无需人工干预，越用越适配你的使用习惯。

---

6. 上下文压缩

        对话记录相当于行李箱，模型窗口是行李箱固定容量。 行李装到一半（50%）自动走五步精简流水线，只丢没用的、保住关键内容； 万一没压好、快塞满（85%），网关还有一道兜底强制压缩，防止直接超限报错。

        Hermes 实现了五阶段压缩管线（顺序不能乱），由 ContextCompressor（agent/context_compressor.py）管理：

触发标准：上下文 Token 占到模型窗口一半（50%）

触发条件: Token 使用量达到上下文窗口的 50%
    │
    ▼
Stage 1: 工具输出裁剪（粗剪）         ← 廉价预裁剪，修整冗长工具结果
    |                   AI 查文件、联网、运行代码返回一大段原始文本，先无脑砍掉冗余换行、重复日志、无效长文本，低成本先瘦身一轮。
    │
    ▼
Stage 2: 头部保护（不动核心规则）     ← 保护关键开头上下文（身份、指令）
    |                    最开头的人设、任务要求、固定指令全程不动，绝不删减，保障 AI 基础逻辑不变。
    │
    ▼
Stage 3: 尾部 Token 预算   ← 保证最近消息完整保留（compression.protect_last_n，默认 20）
    |                    强制保留最近 20 条聊天完整原文，最新沟通不做摘要，保证当前对话不脱节。
    │
    ▼
Stage 4: LLM 摘要          ← 中间部分由辅助模型调用压缩摘要
    |                    夹在 “头部固定规则” 和 “最新聊天” 中间的老旧内容，交给小模型浓缩成简短总结，大幅省 Token。
    │
    ▼
Stage 5: flush_memories()  ← 压缩前 Agent 获得一次机会将重要信息存入 Layer 1 记忆
                         正式压缩清空旧内容前，AI 先自动把长期有用信息存进一层永久记忆，避免压缩把重要内容彻底删掉。

会话血统（Session Lineage）： 压缩触发分裂时，新会话的 parent_session_id 链接到旧会话——在 SQLite 中保留完整历史，同时保持活跃上下文精简。

        压缩会生成一段全新精简上下文，新会话会记录父会话 ID 绑定旧记录。

        活跃对话是精简版方便 AI 处理，完整原始聊天全部存在数据库可回溯，不会丢失记录。

双层安全网：（错开阈值避免频繁压缩）

压缩器	触发阈值	位置
Agent Compressor 主Agent压缩器	上下文窗口的 50%	工具循环内，精确 token 计数
Gateway Safety Net 网关兜底压缩	上下文窗口的 85%	Gateway 层，粗略字符估算。最后防线，防止窗口溢出报错

        两个阈值故意错开——如果都设在 50%，会导致每次轮次都过早压缩。不会每次对话都反复压缩、浪费算力。

总结：

        对话内容过半就启动五阶分层精简，死守开头规则、保留最新聊天、中间老内容做摘要，压缩前自动沉淀关键信息；同时设置 50%/85% 两级错开压缩阈值，既保证上下文短小好用，又不会丢失全部历史记录。

---

7. 会话持久化（SQLite + FTS5）

        所有聊天记录、会话数据全部存在本地单个文件 state.db，不用额外装数据库服务；开启 WAL 读写分离，多人 / 多端同时访问不卡顿。

数据库位置：~/.hermes/state.db

Schema 架构

state.db (WAL mode, schema version 11)
├── sessions              — 会话总表，每一轮独立对话一条记录。元数据、token 计数、计费、血统（父子会话关联、来自哪个平台-命令行/电报/Discord等）
├── messages              — 完整消息历史，每一句用户提问、AI回复、工具调用原始完整内容，永久留存原始数据，不会因为上下文压缩被删掉。
├── messages_fts          — 全文检索索引表，FTS5 虚拟表 (content + tool_name + tool_calls)。自动同步所有消息内容，专门用来快速搜关键词，不用全库遍历翻记录。
├── messages_fts_trigram  — 中文 / 短句增强索引，FTS5 trigram 分词器 (CJK / 子串搜索)。适配中文、零散片段搜索，搜半句话、词语碎片也能匹配到结果。
├── state_meta            — key/value 元数据。全局配置键值对
└── schema_version        — 迁移追踪，跟踪数据库结构升级，更新 Hermes 时自动迁移数据不丢失。

核心设计决策

特性	实现
并发	WAL 模式——多读一写（可以同时很多地方读聊天记录（查询、检索、前端展示）；写入对话时单独排队，不会出现 “一边读一边写卡死”。）
全文搜索	FTS5 + 自动同步触发器（INSERT/UPDATE/DELETE）
会话血统	parent_session_id 链（压缩触发的分裂）----上下文压缩后会生成新会话，新记录会标注上一代会话 ID，形成完整链路。 前台 AI 只用精简后的新上下文，但后台数据库能顺着链条查到全部历史对话。
来源标记	source 字段：cli, telegram, discord, slack...  搜索时可以只查某一个平台的聊天记录。
写竞争处理	1s SQLite 超时 + 应用层重试（20-150ms 随机抖动，最多 15 次）+ BEGIN IMMEDIATE          多线程同时保存消息容易锁库，Hermes 三层防护： 数据库锁等待 1 秒超时 写入失败随机等 20~150 毫秒重试，最多重试 15 次 写入时强制独占事务，避免同时争抢
WAL Checkpoint 定时归档	每 50 次成功写入触发一次（PASSIVE 模式） 每成功写入 50 条消息，自动同步缓存到数据库文件，防止断电丢最近记录。

FTS5 搜索能力（Agent 自带搜历史工具）

• 完整 FTS5 查询语法：关键词（隐式 AND）、引号短语、OR/NOT 布尔、前缀匹配（deploy*）
• 按来源平台、角色、日期范围过滤
• 返回带 >>>match<<< 标记的摘录、±1 条消息上下文、会话元数据
• session_search 工具让 Agent 自动执行跨会话召回

• 支持标准搜索语法：精准短语引号、或 / 非逻辑、前缀模糊匹配；
• 可筛选：只查某平台、指定时间段、仅工具调用记录；
• 搜索结果高亮匹配文字，顺带带出前后相邻消息，附带会话基础信息；
• Agent 内置 session_search 技能，AI 自己能主动检索几年前的历史对话，调取过往经验辅助当前任务。

        总结：用单文件 SQLite 搭配中文友好全文检索存全部对话，靠 WAL、重试机制解决多端并发读写；压缩拆分的会话通过父子 ID 完整串联历史，AI 可自主跨会话关键词检索旧记录，所有原始消息永久留存不丢失。

---

8. Gateway 多平台网关

        Gateway 就是 Hermes 的常驻后台总调度服务，开机启动后一直挂着不退出，统一对接 20 多款聊天软件，不用分开开多个程序。

Gateway 是一个守护进程（hermes gateway），保持 Agent 在所有平台上持久在线：

                          ┌─────────────┐
                          │   Gateway   │
                          │  (daemon)   │
                          └──────┬──────┘
                                 │
        ┌────────────┬───────────┼───────────┬──────────┬──────┐
        ▼            ▼           ▼           ▼          ▼      ▼
     Telegram    Discord     WhatsApp    Slack/Email  SMS   CLI/Web

支持平台（20+）：Telegram, Discord, Slack, WhatsApp, Signal, Matrix, Mattermost, Email, SMS, DingTalk, 飞书/Lark, 企业微信, 微信, QQBot, LINE, SimpleX Chat, IRC, Microsoft Teams, Google Chat, Home Assistant...

关键特性：

• 跨平台对话连续性：Telegram 上开始，CLI 上继续，记忆、上下文互通，不分平台隔离对话。
• Telegram "项目主题"：每个主题绑定特定技能 + 独立上下文
• 消息路由、投递、定时任务触发全部流经同一 Gateway

        好比一个统一客服总后台： Telegram、飞书、企业微信、Discord、网页端、命令行全是各个客户进线渠道，所有消息、定时提醒、指令全部先发给这个网关，再统一转给底层 AIAgent 核心处理。

        所有平台的消息分发、消息推送、定时任务（定时提醒、定时执行任务）都由网关统一管控，不用给每个聊天客户端单独写一套调度逻辑，一套底层 Agent 引擎对接全部渠道。

---

9. 权限与安全模型

        Hermes 的安全哲学与 Claude Code 不同——它明确声明：保护操作者免受 LLM 行为影响，但不防御恶意共驻者（co-tenant）。

安全机制	实现
智能审批	学习哪些命令是安全的，自动批准已知安全模式
PII 脱敏	输出中自动检测和脱敏个人信息
密钥脱敏	API Key、Token、数据库密码自动遮蔽
危险命令检测	rm -rf /、chmod 777 等默认阻断
/stop 中断	随时中断 Agent 执行
DM 配对授权	消息平台上的 DM 访问需要配对确认
5 层防御模式	记忆威胁扫描、上下文注入扫描、OSV 恶意软件检查、凭证剥离、结构化上下文压缩

10. 与Claude Code Harness对比

这是理解两种 Harness 哲学的关键：

维度	Claude Code	Hermes Agent
核心关注	权限系统 + 上下文管理	Agent Loop 密度 + 多平台消息
语言	TypeScript（CLI-first）	Python（多平台 Agent）
模型锁	Claude only	任意模型（200+ via Provider 适配器）
开源	否（专有）	是（MIT License, 96K+ Stars）
设计赌注	Harness 应该做减法——模型变强就移除脚手架         认为大模型能力会越来越强，现在加的复杂配套功能以后都能删掉；脚手架只是临时补丁。	Harness 应该做加法——随时间积累经验、技能、记忆         就算模型再厉害，它也记不住你几个月前的需求、不会自动沉淀工作流程，所以要永久配套记忆、技能、历史检索整套底座，长期持续积累经验。

上下文压缩对比

	Claude Code	Hermes
方式	服务端 Compaction API（单参数，完全托管）	客户端五阶段管线（精确控制）
触发	达到 Token 阈值，API 自动压缩	Agent 50% + Gateway 85% 双层触发
可控性	低——压缩块不透明	高——结构化模板，可追踪 Resolved/In Progress/Pending
哲学	简单优先	控制优先

Claude Code

• 压缩交给 Anthropic 服务端黑盒 API，你只能设一个阈值，内部怎么精简看不到、改不了
• 到 token 上限自动压缩，人无法干预细节
• 追求简单省事，牺牲自定义控制能力

Hermes

• 本地五层自定义压缩流水线，每一步逻辑完全透明可改
• 双保险：AI 运行到 50% 容量先精细压缩；网关 85% 紧急兜底，防止溢出报错
• 能查看每段内容状态（已归档 / 待压缩 / 使用中），精细化管控上下文内容

记忆系统对比

	Claude Code	Hermes
方式	文件驱动、模型驱动	分层、系统驱动
主存储	CLAUDE.md + MEMORY.md（max 200 行, 25KB）	SQLite + FTS5 + 8 个外部 Provider 插件
检索	文件加载到 System Prompt——模型"全看"	Prefetch-inject 循环：先搜索后预加载
跨会话	有限——完全依赖 CLAUDE.md 质量	深度——会话血统、父子压缩链、session_search 工具
哲学	"模型够聪明——给它文件就行"	"模型需要帮助在多个时间尺度上积累"

Claude Code

• 极简文件记忆，只有两个 md 文件，严格限制行数大小
• 每次对话直接把文件全文塞进提示词，模型一次性读完
• 跨会话记忆很弱，只能靠手动写文件留存信息，没法自动检索历史对话
• 逻辑：模型足够聪明，把文档丢给它自己看懂就行

Hermes

• 四层分级记忆体系 + SQLite 带全文检索数据库，完整保存全部聊天记录
• 不会一次性灌入所有历史，先检索匹配相关内容，再摘要注入上下文
• 支持会话父子链路，压缩拆分的对话完整溯源，AI 能主动调用工具搜索几个月前的跨会话历史
• 逻辑：人脑都没法记住所有往事，模型也需要专门存储、检索、摘要系统辅助调取长期信息

架构哲学的根本分歧

• Claude Code：把对模型局限性的假设编码进 Harness，模型变强后移除这些功能。（如 Opus 4.6 移除了 "Sprint" 机制）
• Hermes：建造不随模型变强而过期的东西——记忆层、技能文件、跨会话搜索、用户建模。"模型会变强，但它仍然需要知道你上周问了什么。"

---

11. 11个Harness设计模式

业界从 Claude Code 和 Hermes 两个代码库中提炼出 15 个通用 Harness 设计模式：

#	模式	核心思想
1	The Harness Paradigm	模型本身不是产品——需要编排层
2	Tool Architecture & Tool Contract	推理与执行后果之间的边界设计
3	The Query/Agent Loop	模型 tool call 与下一轮之间发生了什么
4	Permission Systems & Safety Guardrails	对破坏性操作的门控
5	Tool Orchestration & Execution	安全操作与串行操作的分区
6	Context Management at Scale	压缩前的五种策略
7	Multi-Agent Coordination	一个 Agent 不够时的协调模式
8	Memory Systems & State Persistence	三层记忆，一种缓存
9	Observability & Debugging	非确定性系统的分布式追踪
10	Production Deployment Patterns	SDK-first vs Gateway-first
11	Hook/Event-Driven Automation	Loop 之上的自动化层
12	The Skill System Pattern	能力即内容，而非代码
13	MCP Integration	将 Agent 连接到世界
14	Model Routing & Provider Abstraction	失败时优雅降级
15	Structured Output & Schema-Constrained Generation	当自由文本不够时

---

总结

Hermes 的核心创新

创新点	说明
自进化能力	Agent 从经验中学习，自动生成和改进技能——不是每次从零开始
四层记忆	按时间尺度和用途分层的记忆架构，让 Agent 既有"常识"也有"经验"
注册与暴露分离	70+ 工具注册但按需暴露，不浪费上下文窗口
渐进式技能加载	200 个技能的上下文开销等于 40 个——只在需要时才加载完整内容
Provider 无关	18+ LLM Provider，三层弹性 fallback，不被任何一家锁定
多平台统一	CLI、Telegram、Discord、Slack...同一 Agent 跨平台服务
会话即基础设施	SQLite + FTS5 + WAL + 会话血统——把会话当作一等公民的基础设施

越来越多的生产实践采用 Hermes（编排）+ Claude Code（编码） 的双栈模式：

• Hermes 作为持久编排层：管理会话、记忆、多平台接入、定时任务
• Claude Code 作为专业编码执行器：通过 MCP 桥接，处理复杂代码任务
• 两者互补——Hermes 提供"永远不会忘记"的持久性，Claude Code 提供最顶级的代码智能