Hermes 的跨会话学习
Hermes 跨会话学习的 4 层架构：Working Memory（当前会话）→ Curated Memory（MEMORY.md/USER.md 提炼事实）→ Session Search（SQLite + FTS5 全文检索）→ Skills/Playbooks（程序化经验沉淀）。包含完整工作流程图、用蓝辉轻改 GEO 项目 3 次会话举例，以及「记什么 / 怎么找回来 / 怎么注入当前任务」三个核心设计问题。
Hermes cross-session learning 4-layer architecture: Working Memory (current session) → Curated Memory (MEMORY.md/USER.md distilled facts) → Session Search (SQLite + FTS5 full-text retrieval) → Skills/Playbooks (procedural experience accumulation). Includes full workflow diagram, three-session example with 蓝辉轻改 GEO project, and three core design questions — what to remember / how to retrieve / how to inject into current task.
Hermes 的跨会话学习
Hermes 的跨会话学习，本质上不是"模型自己变聪明了"，而是通过一套 记忆系统 + 会话检索 + 技能沉淀 + 上下文注入 来实现。
可以理解成 4 层：
1. 当前会话记忆：Working Memory
这是正在聊天时的上下文。
例如你今天说：
蓝辉轻改官网要做 GEO 友好 内容要围绕窗膜、车衣、改色膜、电动踏板、轮毂 目标是中国大陆本地生活搜索
Hermes 在当前会话里可以直接使用这些信息。
但如果只靠这一层，换一个会话就容易忘。
2. 长期记忆：Curated Memory
Hermes 会把重要信息写入长期记忆文件或记忆模块。
比如：
User is building a GEO-friendly website for 蓝辉轻改.
Brand services include window film, PPF, color-change film, electric side steps, and wheels.
The website should emphasize local service, credibility, cases, FAQ, and AI-search-friendly content.这类记忆不是完整聊天记录，而是提炼后的重要事实。
它的作用是：
下次你再开启新会话时，Agent 不需要你从头解释品牌背景。
3. 会话搜索：Session Search
长期记忆适合存"重要结论"，但它容量有限，不能把所有对话都存进去。
所以 Hermes 还会把过往会话存进数据库，例如 SQLite，然后用 FTS5 做全文检索。也就是说，它可以在过去聊天记录里搜索相关内容。
比如新会话里你说：
帮我继续上次那个 GEO 官网 Agent 的 Profile。
Hermes 可能会去搜索：
GEO 官网 Agent Profile
蓝辉轻改
Hermes Profile
Soul Agent.md然后把找到的旧会话片段重新塞回当前上下文。
这就是"跨会话召回"。
4. 技能沉淀：Skills / Playbooks
真正高级的跨会话学习，不只是记住事实，而是把反复出现的做法沉淀成技能。
比如你多次让它做 GEO 项目，它会逐渐沉淀出：
Skill: GEO Brand Baseline Testing
Steps:
1. Extract brand facts.
2. Build keyword matrix.
3. Generate natural user prompts.
4. Run AI-search sampling.
5. Record citations and domains.
6. Analyze visibility gaps.
7. Produce content improvement plan.以后你再说：
给蓝辉轻改做 GEO 基线测试。
它不需要重新设计流程，而是调用这套 Skill。
这就像从"记得你说过什么"，升级成"学会你怎么做项目"。
它的实际工作流程
可以这样理解：
用户发起新会话
↓
Hermes 识别任务意图
↓
读取 USER.md / MEMORY.md 等长期记忆
↓
根据关键词搜索历史会话数据库
↓
召回相关旧对话、项目状态、偏好、决策
↓
把这些内容注入当前 Prompt
↓
Agent 基于旧经验继续工作
↓
会话结束后，提炼新的事实、规则、技能
↓
写回 Memory / Skill / Session DB它不是直接"训练模型参数"，而是通过 RAG 式记忆召回 来模拟学习。
用蓝辉轻改举例
第一次你说：
我们要做蓝辉轻改官网，目标是 GEO 友好。
Hermes 记录：
Project: 蓝辉轻改 GEO 官网
Goal: 面向 AI 搜索、传统搜索、本地生活转化
Services: 车膜、车衣、改色膜、电动踏板、轮毂
Tone: 专业、可信、实体门店感第二次你说：
继续做官网首页。
Hermes 就应该知道：
首页不能只是"漂亮页面"，还要包含： 品牌事实 服务项目 城市/门店信息 案例证据 FAQ 结构化数据 AI 可引用内容块 本地服务信任信号
第三次你说：
搭建一个前端 Agent。
它就会把前两次经验转成 Agent Profile / Soul / Skills / Output Contract。
这就是跨会话学习。
Hermes 跨会话学习的核心不是"记忆越多越好"
关键是三件事：
1. 记什么
不是所有聊天都要存。
应该存： 品牌事实 项目目标 用户偏好 长期规则 流程方法 重要决策 可复用模板 踩坑经验
不该存： 临时想法 一次性闲聊 已经过期的信息 没有价值的中间过程
2. 怎么找回来
只存不检索没有意义。
所以需要： 关键词搜索 向量搜索 时间检索 项目标签 用户标签 文件标签 任务标签
例如：
project: 蓝辉轻改
topic: GEO 官网
type: decision
date: recent这样 Agent 才能精准找回旧信息。
3. 怎么注入当前任务
召回的信息不能一股脑塞进 Prompt。
更好的方式是：
<memory-context>
用户正在做蓝辉轻改 × 有膜有漾项目。
当前重点是 GEO 友好官网与本地生活内容工程。
之前确定服务包括窗膜、车衣、改色膜、电动踏板、轮毂。
用户偏好用 Agent 工作流、Profile、Soul、Skills 的方式组织项目。
</memory-context>这样模型能快速理解背景，又不会被大量旧聊天干扰。
一句话总结
Hermes 的跨会话学习，本质是：
把每次会话中的重要事实、决策、流程和技能沉淀下来； 下次任务开始时，通过记忆文件、数据库检索和上下文注入重新召回； 让 Agent 看起来像"记得过去、理解项目、持续成长"。
更直白地说：
它不是在训练大模型，而是在给 Agent 建一个"项目大脑"。