Hermes Agent自进化机制:用Markdown技能实现越用越懂你

Hermes Agent用Markdown技能文件实现可读、可复用、可迭代的自改进。
Hermes Agent 的自改进机制不依赖模型微调,而是把经验沉淀为 Markdown 技能文件,必要时附带脚本。演示中,用户通过多轮沟通让 Agent 生成股票简报,随后可用显式指令或由 Agent 自动识别模式将流程固化为技能;下次换成另一家公司时直接复用,若结果不满意还能反向修正技能本身。文章将这套机制拆为用户画像(记忆)与任务能力(技能)两个层面,指出纯文本方案的优点是门槛低、可读、可编辑、可版本管理,代价是技能质量高度依赖用户反馈的清晰度。自动沉淀的触发边界与技能冲突处理尚未展开,实际效果仍待验证。
Hermes Agent 的核心亮点不在于单次对话有多聪明,而在于它会随着使用逐渐“长出”针对你的技能。这套自改进机制的载体出人意料地简单——Markdown 文件。
一、技能即文件:自改进的底层设计
据 YouTube 频道对 Hermes Agent 的拆解,Agent 的“学习”并非重新训练模型,而是通过名为 skills 的机制沉淀经验。每个技能本质上就是一个 Markdown 文件,理论上还可以附带上一些脚本。
这种设计把抽象的能力固化成可读、可编辑的文本资产。技能不是黑盒向量,用户可以打开文件查看 Agent 到底记住了什么流程。相比动辄需要微调参数的自改进方案,Markdown 技能的门槛几乎为零。

模型微调(Fine-tuning) 是指在已有预训练模型基础上,用特定领域或任务的数据继续训练,使模型参数向该目标偏移。它通常需要构建高质量数据集、配置训练管线并消耗可观算力,产出的是一个难以逐条检视的权重文件。Hermes Agent 的 Markdown 技能走的是另一条路:不改动模型参数,而是把“遇到什么情况该怎么做”写成可读指令,在推理时注入上下文。两者差别在于,微调把知识压进参数、难以局部修改和审计,而文本技能可以逐条打开、编辑、回滚,甚至纳入 Git 版本管理。代价是文本技能受限于上下文窗口和模型遵循指令的能力,复杂流程可能出现遗漏;微调则在特定任务上更稳定但更新成本高。理解这一对比,才能看清 Hermes 所谓“自改进”并非训练模型,而是维护一份外置的、人可读的操作手册。
二、一次完整交互如何变成一项技能
演示场景很具体:用户从自己的笔记本电脑连接 Hermes Agent,要求它为某只股票生成一份简报。需求不止于摘要——要包含 10-K 报告、各项关键统计数据,还有大量辅助信息。
用户与 Agent 来回沟通,逐步说明清楚自己到底要什么,比如希望加入可视化结果。需求澄清的过程本身就是对 Agent 的“教学”。

这里的关键洞察是:技能的来源是高价值、多轮次的真实任务,而非一次性提问。来回沟通中暴露的偏好和约束,正是技能文件要记录的内容。
三、手动与自动两条沉淀路径
任务完成后,用户有两种方式让 Agent 固化经验:
- 显式指令:直接告诉 Agent“记住我们刚才做的”,把它存为技能。
- 自动沉淀:无需用户开口,Agent 自行判断“当这个人要求某只股票的简报时,我要按这套流程执行”,并写入技能。

自动化的意义在于把记忆负担从用户转移到 Agent。用户不必记得“该教它什么”,Agent 在交互中自行识别可复用的模式。
Agent 记忆(Memory) 与技能(Skills) 常被混为一谈,但在这套设计里分工明确。记忆通常指对话中提取的关于用户的稳定事实与偏好,比如“关注股息率”“偏好图表而非表格”,它以简短条目形式长期保存,影响 Agent 对每次请求的理解和默认选择。技能则是针对某类任务的可执行流程,包含步骤、数据源、输出格式等,回答的是“这类活该怎么干”。前者塑造“你是谁、你要什么”,后者塑造“这件事怎么做”。二者可以相互引用:技能在执行时读取记忆中的偏好来调整输出;记忆也可能因某次任务而新增条目。区分二者有助于判断问题出在哪一层——结果不合口味往往该改记忆,流程不对则要改技能文件。
四、技能复用与自我修正
技能一旦落盘,下一次请求就变得轻量。用户换成另一家公司 ABC 要求简报,Agent 直接调用已沉淀的技能给出结果,无需重走一遍需求澄清。

更值得关注的是反馈闭环:如果用户对这次结果不满意,Agent 可以调整技能本身,让下一次表现更好。这意味着技能文件是活的——不是一次性快照,而是随反馈迭代的资产。
少样本提示(Few-shot Prompting) 与检索式技能调用有相似之处:都是在大模型推理前把示例或指令放入上下文,让模型照此执行,而不更新权重。Hermes 的技能复用可以理解为一种持久化的少样本上下文——技能文件本身就是一份结构化的“操作示例加规则”,下次请求时被检索并注入。与临时拼接的 few-shot 示例相比,技能的优势在于可长期保存、可迭代、可被多个任务共享,并且能附带脚本完成确定性步骤。局限也同样来自上下文:技能越多,检索与注入的准确性越关键,技能之间若指令冲突,模型可能摇摆。这解释了为什么自动沉淀的触发边界和技能冲突处理会成为实际使用中的关键问题。
五、个性化记忆的累积效应
源视频的总结很直接:用得越多,Agent 记住的关于你的信息就越多,也会为特定任务积累更多技能。
这套机制把“自改进”拆成两个层面:
| 层面 | 内容 | 载体 |
|---|---|---|
| 用户画像 | 关于你的偏好与习惯 | 记忆 |
| 任务能力 | 特定任务的执行流程 | 技能(Markdown + 可选脚本) |
对开发者而言,这种基于纯文本的自改进路径颇具启发:能力沉淀不一定需要复杂的模型管线,可读、可版本管理的文件同样能承担记忆与技能的角色。代价是技能的质量取决于用户反馈的清晰度——你不说哪里不满意,Agent 就无从修正。
源材料对自动沉淀的触发边界、技能冲突如何处理等问题未展开,实际效果仍需更多使用场景验证。
相关推荐

Claude Code不止写代码:七大Artifact实战解析
Claude Code 不只是编程工具:本文解析其七种 Artifact(文档、表格、设计、白板、幻灯片、数据等)的实际用法,以及如何一句话把 Artifact 升级为 Vercel + Convex + GitHub 部署的完整 Web 应用。

Rust GUI 开发的下一个百例:Linebender 的实战建议
Linebender 团队分享 Rust GUI 开发的实战建议,涵盖架构设计、状态管理、渲染性能与生态工具链,为下一个百例 Rust GUI 应用提供参考。

电子宠物拓麻歌子:从爆红到退潮的启示
回顾拓麻歌子电子宠物的爆红与退潮,分析其如何利用情感设计让用户上瘾,以及对当下AI陪伴产品的启示。