大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



---

本文从工程视角解析开源智能体 Hermes Agent 的核心机制：通过类反向传播的 KEPA 系统对"提示与技能"进行自我更新，构建可持续进化的个人 AI Agent。文章将拆解其记忆体系、自动技能生成能力，并给出基于 OpenAI 兼容接口（以薛定猫 xuedingmao.com 为例）的 Python 实战示例，帮助你在自己的业务中落地"自学习智能体"。

---

多数开发者当前的使用路径是：

LLM（ChatGPT / Claude / Gemini） + 一点 prompt engineering + 若干工具调用。

问题在于：

• 模型不会"记住"之前任务中的具体踩坑与修复过程
• 每个项目都要重新写一套 prompt / workflow
• 工具调用逻辑难以复用为"技能"

Hermes Agent 试图解决的正是这一类"LLM 不会主动进化"的痛点：

1. 开源智能体框架，可本地运行，支持多模型与多终端（本地模型、手机端、WhatsApp、Telegram、Slack 等）。
2. 自我改进机制：每调用约 15 次工具就自动"回放"执行过程，分析失败原因并更新自身配置。
3. 无需微调模型：不修改模型参数，而是动态优化提示（prompts）、工具调用策略和技能（skills）。
4. 自动技能生成：任务解决后会被固化为可复用的技能，未来在类似场景中自动调用。

本质上，它更接近一个"持续学习的 AI 操作系统"，而非单一聊天工具。

---

2.1 KEPA：对"提示"做反向传播

视频中提到的 KEPA，可以理解为一种"针对提示与 Agent 配置的反向传播机制"：

• 传统深度学习：
  • 前向：输入 → 模型 → 输出
  • 反向：根据损失函数，更新模型权重
• Hermes 的做法：
  • 前向：用户意图 → Hermes（LLM + 工具）→ 执行序列（工具调用链、代码生成等）
  • 反向：周期性回顾近期执行：
    • 检测失败点（工具调用失败、结果不符合预期、用户纠错等）
    • 生成"改进提示 / 改进 skill 定义"
    • 更新记忆库、技能库和内部工作流描述

关键差异：

不是更新"模型权重"，而是更新"如何使用模型"的策略------包括提示模板、调用工具的顺序和条件、技能拆解方式等。

这实际上是把 prompt engineering 和 workflow design 变成了一个自动化、闭环优化的过程。

2.2 记忆系统：从对话历史中抽象"可复用知识"

Hermes 的记忆系统主要有两类：

1. 短期执行记忆（Execution Memory）
   • 记录最近一次或若干次任务的执行轨迹：调用了哪些工具、参数如何、结果怎样。
   • 被 KEPA 用来回放和分析失败原因。
2. 长期语义记忆（Long-term Semantic Memory）
   • 从对话中抽取结构化知识：
     • 用户偏好的技术栈（如大量使用 shadcn UI、TailwindCSS 等）
     • 常用工作流（例如：先爬文档 → 同步到 Obsidian → 生成前端 UI）
   • 存入向量库 / 知识库，在后续任务中按相似度检索并提供上下文。

视频中的 Obsidian 示例非常典型：

• 用户让 Hermes 将 shadcn UI 文档同步为 Obsidian 知识图谱；
• Hermes 在之后生成前端时，会主动检索这份知识库，引用最新组件文档；
• 这部分"使用 Obsidian + shadcn 的前端构建流程"被固化为记忆和技能。

2.3 技能系统：自动生成可复用的"Agent 函数"

与传统工具调用不同，Hermes 会把"成功的任务执行过程"抽象为可复用技能（Skills）：

• 技能包含：
  • 输入 / 输出描述（类似函数签名）
  • 调用的工具链（例如：浏览器 → 代码生成 → 测试 → 修复）
  • 所需的上下文 / 知识库引用方式

例子：

• "manim 技能"：把复杂技术概念转成动画视频；
• "obsidian 知识图谱技能"：从指定文档源同步知识到 Obsidian，并维护链接关系；
• "前端仪表盘生成技能"：基于 shadcn 文档+历史 UI 偏好构建金融仪表盘前端。

这意味着：

你不再需要手工设计所有 Agent Workflow，

Hermes 会在你使用的过程中，把频繁出现的工作流封装为技能，并在相似场景中重用。

---

虽然 Hermes Agent 本身是一个独立的开源项目，但在日常开发中，我们可以借鉴它的思想，用通用 LLM API 实现一个"简化版自进化 Agent"。

下面示例使用 薛定猫 AI（xuedingmao.com） 作为 OpenAI 兼容接口，模型使用 claude-sonnet-4-6，实现：

• 基础对话 + 工具调用
• 简单的"经验回顾 + 提示优化"
• 把成功解决方案固化为本地技能（存 JSON）

3.1 环境准备

 
      
    
        
 
         
pip install openai
 
        
 
3.2 Python 代码示例（可直接运行）
 
      
    
        
 
         
import os 
 
         
import json from typing import List, Dict, Any from openai import OpenAI
 
         
========== 配置区 ==========
 
         
在环境变量中设置你的薛定猫 API Key
 
         
export XUEDINGMAO_API_KEY="your_api_key"
 
         
XDM_API_KEY = os.getenv("XUEDINGMAO_API_KEY") if not XDM_API_KEY:
 
         
raise RuntimeError("请先在环境变量中设置 XUEDINGMAO_API_KEY") 
 
         
薛定猫使用 OpenAI 兼容接口，只需要替换 base_url 即可
 
         
client = OpenAI(
 
         
api_key=XDM_API_KEY, base_url="https://xuedingmao.com/v1" 
 
         
)
 
         
MODEL_NAME = "claude-sonnet-4-6"
 
         
SKILL_STORE_PATH = "skills.json" MEMORY_STORE_PATH = "memory.json"
 
         
========== 工具函数：本地"记忆"和"技能"存储 ==========
 
         
def load_json(path: str, default: Any):
 
         
if not os.path.exists(path): return default with open(path, "r", encoding="utf-8") as f: return json.load(f) 
 
         
def save_json(path: str, data: Any):
 
         
with open(path, "w", encoding="utf-8") as f: json.dump(data, f, ensure_ascii=False, indent=2) 
 
         
def load_skills() -> Dict[str, Dict]:
 
         
return load_json(SKILL_STORE_PATH, {}) 
 
         
def save_skills(skills: Dict[str, Dict]):
 
         
save_json(SKILL_STORE_PATH, skills) 
 
         
def load_memory() -> List[Dict]:
 
         
return load_json(MEMORY_STORE_PATH, []) 
 
         
def save_memory(mem: List[Dict]):
 
         
save_json(MEMORY_STORE_PATH, mem) 
 
         
========== 核心：调用 LLM + 上下文（记忆 & 技能） ==========
 
         
def build_system_prompt(skills: Dict[str, Dict]) -> str:
 
         
""" 根据当前技能库构造系统提示，相当于 Hermes 中的"技能注入"。 """ if not skills: return ( "你是一个会自我改进的 AI 助手。" "当你成功解决一个问题时，会尝试用自然语言总结可复用步骤，" "以便未来在类似任务中复用。" ) skill_descs = [] for name, meta in skills.items(): skill_descs.append( f"- 技能名：{name} 
 
         
"
 
         
 f" 适用场景： 
 
         
"
 
         
 f" 使用说明：" ) return ( "你是一个会自我改进的 AI 助手，拥有以下已学习技能： 
 
         
"
 
         
 + " 
 
         
".join(skill_descs)
 
         
 + " 
 
         
当发现当前任务与某个技能的适用场景相似时，"
 
         
 "请优先按照技能总结的步骤来规划解决方案，并在必要时进行调整。" ) 
 
         
def call_llm(messages: List[Dict[str, str]]) -> str:
 
         
""" 调用薛定猫 OpenAI 兼容接口的对话模型。 """ resp = client.chat.completions.create( model=MODEL_NAME, messages=messages, temperature=0.2, ) return resp.choices[0].message.content 
 
         
========== 简易 KEPA：基于对话回顾生成新技能 ==========
 
         
def reflect_and_learn(conversation: List[Dict[str, str]], success: bool):
 
         
""" 对一次对话进行"反思"，如果成功，则让模型帮我们总结可复用技能。 """ if not success: # 简化处理：失败暂不学习，真实场景可生成 "反模式说明" 或修复策略 return skills = load_skills() reflection_prompt = [ { "role": "system", "content": ( "你现在是一个 Agent 教练，需要从下面这段对话中，" "抽取一个可复用的技能（如果合适）。" "技能用于：未来当用户提出类似问题时，可以重复使用这套步骤。" "输出严格使用 JSON 格式： 
 
         
"
 
         
 "{ 
 
         
"
 
         
 ' "should_create": true/false, 
 
         
‘
 
         
 ' "name": "技能名称（简短）", 
 
         
’
 
         
 ' "description": "适用场景的描述", 
 
         
‘
 
         
 ' "usage_hint": "详细步骤或使用说明（面向未来的模型）" 
 
         
’
 
         
 "}" ) }, { "role": "user", "content": json.dumps(conversation, ensure_ascii=False, indent=2) } ] result = call_llm(reflection_prompt) try: data = json.loads(result) except json.JSONDecodeError: # 如果模型输出不合法，直接忽略 return if not data.get("should_create"): return name = data.get("name") or "unnamed_skill" # 若重名，加个简单后缀 if name in skills: idx = 2 while f"{name}_{idx}" in skills: idx += 1 name = f"{name}_{idx}" skills[name] = save_skills(skills) print(f"[Agent] 新技能已学习：{name}") 
 
         
========== 一个简单的交互循环示例 ==========
 
         
def interactive_agent():
 
         
""" 一个最小可用的可进化 Agent Demo： - 持续与用户对话 - 用户输入 'exit' 退出 - 用户输入 'ok' 代表当前问题解决，触发一次"反思学习" """ print("自进化 Agent Demo（基于 xuedingmao.com + claude-sonnet-4-6）") print("输入自然语言提问，输入 'ok' 表示当前问题已解决，'exit' 退出。 
 
         
")
 
         
conversation_history: List[Dict[str, str]] = [] turn_counter = 0 while True: user_input = input("你：").strip() if user_input.lower() == "exit": break if user_input.lower() == "ok": # 认为最近这段对话"成功"，触发一次学习 if conversation_history: reflect_and_learn(conversation_history, success=True) # 清空当前轮对话，模拟 Hermes 中"分段回顾" conversation_history = [] continue # 加载当前技能，构造系统提示 skills = load_skills() system_prompt = build_system_prompt(skills) messages = [ {"role": "system", "content": system_prompt}, *conversation_history, # 保留本轮对话的上下文 {"role": "user", "content": user_input} ] assistant_reply = call_llm(messages) print(f"Agent：{assistant_reply} 
 
         
")
 
         
 # 写入当前轮对话历史 conversation_history.append({"role": "user", "content": user_input}) conversation_history.append({"role": "assistant", "content": assistant_reply}) # 简单模拟：每 15 条消息可以触发一次自动学习（类似 Hermes） turn_counter += 1 if turn_counter % 15 == 0: reflect_and_learn(conversation_history, success=True) conversation_history = [] 
 
         
if name == "main":
 
         
interactive_agent()
 
        
 
使用方式：
 

1. 在薛定猫（xuedingmao.com）获取 API Key，并设置环境变量 XUEDINGMAO_API_KEY。
2. 运行脚本，和 Agent 进行多轮对话；
3. 当你觉得某个问题"解决得不错"时输入 ok，脚本会触发反思学习，把这段对话总结为技能存入 skills.json；
4. 后续对话，Agent 会自动在 system prompt 中注入这些技能，从而在类似任务中复用解决思路。

这只是一个极简 Demo，但已经具备了 Hermes Agent 的三大核心特征：

• 对话分段回顾
• 从成功经验中抽取"技能"
• 通过系统提示"进化"自身行为

---

4.1 与本地模型结合：成本与性能权衡

视频中展示了 Hermes Agent 可以：

• 检测本地 GPU / CPU 能力
• 推荐合适的本地模型（如 Gemma）
• 在本地运行 Agent，免去云端 API 费用

实际工程中可采用混合策略：

• 高频、对隐私友好的任务 → 本地模型（如 Gemma / Llama 家族）
• 对推理质量要求高的场景 → 云端强模型（如 GPT-5.4 / Claude 4.6 / Gemini 3 Pro）

利用类似薛定猫这样聚合多模型、统一接口的平台，可以轻松根据场景切换后端模型，而无需改动业务代码。

4.2 记忆与技能的"污染"问题

持续学习意味着存在"自我污染"的风险：

• 用户偶然给出错误信息，被当作长期记忆；
• 某次错误示范被固化为技能，在未来持续放大负面影响。

建议：

1. 为记忆与技能库增加"可视化审阅 + 清理接口"；
2. 为技能添加元信息：创建时间、可信度、使用次数等，做"技能降权或废弃"；
3. 对关键任务的技能更新添加人工审批流程。

4.3 与外部知识库的集成设计

像视频中那样将 Obsidian 作为知识图谱后端，是非常值得借鉴的实践模式：

• Agent 通过爬文档 → 清洗 → 写入 Obsidian vault
• 利用 Obsidian 的图谱/反向链接增强知识结构化
• 在 Agent 中通过"技能"来使用这些知识（例如，生成前端时优先引用 shadcn 文档）

类似方法可以替换为：

• Notion / Confluence / 自建 Markdown 仓库
• 向量库（Milvus、Weaviate、PGVector 等）+ Agent 技能封装

关键在于把"知识库更新"本身也做成一个技能，并纳入 Agent 的自我改进回路。

---

在开发类似 Hermes 的多模型智能体时，会面临两个典型难点：

1. 不同模型厂商的 API 形态各不相同（OpenAI / Anthropic / Google / 本地推理框架）；
2. 新模型迭代非常快，频繁接入和切换成本高。

这类场景下，可以考虑使用 薛定猫 AI（xuedingmao.com） 这一类统一接口平台：

• 聚合 500+ 主流大模型：包括 GPT-5.4、Claude 4.6、Gemini 3 Pro 以及各类开源模型的推理端点；
• 新模型基本是 上线即开放 API，开发者可以第一时间在自己的 Agent 框架中做 A/B 测试；
• 提供 OpenAI 兼容接口 ，像上面代码示例一样只需替换 base_url 和 model 即可接入，极大降低多模型集成复杂度；
• 方便构建"带模型路由器的 Agent"：根据任务类型动态选用最优模型（高推理 + 低成本 + 本地 or 云端）。

在实现 Hermes 类的自进化 Agent 时，这种统一接入点可以显著减少你在"对接厂商 API"上的时间成本，把注意力放在：

• KEPA 反向传播策略设计
• 技能抽象粒度
• 记忆系统结构化方案
• 与业务系统的集成

这些才是 Agent 系统真正的工程价值所在。

---

从工程角度，这条路线的几个关键点是：

1. 把"反思与改进"做成系统能力，而不是靠人工微调 prompt；
2. 把"任务执行过程"抽象为可复用技能，并持续沉淀；
3. 强化长期记忆体系，与外部知识库深度集成；
4. 在多模型环境下做好技术选型与路由，使 Agent 既便宜又好用。

希望本文的解析和代码示例，能帮助你在自己的项目中，落地一个真正会"自己变聪明"的 AI 智能体。

---

#AI #大模型 #Python #机器学习 #技术实战