Hermes Agent如何靠混合检索打通学习闭环
05-28 13:43
精选参考来源
新浪微博 2025-11-30
知乎 2026-05-17
来源
精选参考来源
1. AI智能体之所以强大，核心在于它们的“记忆系统”。没有记忆，智能体只能盲目行动，无法学习和适应。记忆让它们能够跨时推理、优化决策，真正实现智能。短期记忆（工作记忆）负责暂时存储任务相关信息，帮助智能体追踪当前用户问题、对话上下文和任务中间步骤，从而做出连贯且有针对性的回应。长期记忆则保存跨任务的知识与经验，积累事实和规律，使智能体随着时间变得更高效、更准确。情景记忆像人类的经历记录，存储状态、行为、结果和奖励，助力强化学习中识别哪些行为带来成功或失败。语义记忆包含结构化的世界知识——概念、规则、语言和领域信息，支持智能体推理和理解新信息。检索机制根据上下文、关键词或相似度精准调用所需记忆，避免信息混乱和过时。记忆还支持多步规划，智能体能记住子目标、进展和障碍，提升长远策略，而非仅解决眼前问题。多任务环境中，智能体为每个任务维护独立记忆，防止任务混淆，提升切换效率，并跟踪用户偏好。强化学习中的经验回放机制，通过反复利用历史经验，稳定训练过程，避免重复错误。记忆系统是动态演进的，智能体通过反馈、奖励和新交互不断更新，持续优化表现。记忆不仅是AI智能体的“知识库”，更是其“成长引擎”。理解短期、长期、情景和语义记忆的区别与协作，是构建高效智能体的关键。未来，记忆与检索机制的进步，将推动AI从“会思考”向“会记忆、会学习、会进化”迈进。原文：x.com/e_opore/status/1994331859661000712
新浪微博 2025-11-30 00:00:00
2. HermesAgent 超越 OpenClaw 成为全球 Token 消耗第一，这意味着什么？
知乎 2026-05-17 00:00:00
3. 快速蹿红的 HermesAgent，它具备哪些成为下一个 OpenClaw 的潜质？
知乎 2026-04-22 00:00:00
4. 【AI记忆系统突破99%准确率：用Agent完全替代向量数据库】快速阅读： Supermemory团队用多智能体协作系统在长期记忆基准测试LongMemEval上达到99%准确率，核心突破是用3个并行搜索Agent替代传统向量检索，让AI通过“理解”而非“数学相似度”来回忆信息。这套方案不需要向量数据库，甚至可以嵌入机器人。---向量数据库可能不是AI记忆的最优解。Supermemory在LongMemEval基准测试（11.5万token对话历史）上达到99%准确率，用的方法反而更简单：完全抛弃向量检索，改用多个Agent协作。传统RAG的问题出在检索环节。语义相似度匹配根本分不清“旧事实”和“新更正”，当检索结果里混杂太多噪音，大模型就会迷失。他们的解法是ASMR（Agentic Search and Memory Retrieval）：信息摄取阶段，3个并行Observer Agent同时读取对话记录，按照个人信息、偏好、事件、时间数据等六个维度提取知识点，直接存储结构化内容而非生成embedding。检索阶段才是关键。面对提问时不查询数据库，而是派出3个专门的搜索Agent——一个找直接事实，一个挖隐含语境，一个重建时间线。这些Agent是在“主动阅读和推理”，不是在做向量余弦计算。回答阶段用了两种策略测试。第一种是8个高度专业化的prompt变体并行运行（精确计数专家、时间专家、上下文深挖专家等），只要任何一条推理路径答对就算成功，准确率98.6%。第二种是12个Agent独立作答后，由一个聚合器LLM综合投票裁决，准确率97.2%。有观点认为这套系统证明了“认知理解”比“数学相似性”更适合处理记忆任务。数学只能捕捉表层模式，而Agent可以处理时间序列中的矛盾、更新和细微差别。更有意思的是，这个架构完全在内存中运行，不依赖外部向量数据库，理论上可以部署到任何设备，包括机器人。他们11天后会开源全部代码。当数十亿个高度个性化的AI Agent开始学习和记住我们的一切时，记忆系统的天花板在哪里？也许不在算力，而在我们愿意给Agent多少“主动思考”的权限。ref: x.com/DhravyaShah/status/2035517012647272689#AI创造营##人工智能#
新浪微博 2026-03-23 00:00:00
5. memsearch：OpenClaw同源的记忆系统Zilliz 最近开源了 memsearch，从 OpenClaw 的记忆系统里提取出来的，核心思路很干净：Markdown 文件就是记忆的唯一真相。设计理念：Markdown is the source of truthAgent 的记忆就是本地文件，按天存，人能读、能改、Git 可以管理版本。索引坏了？删掉重建，原始记忆一行不丢。这是对"数据库黑盒"方案的直接反叛。三步记忆范式- Recall：用混合检索（向量语义 + BM25 关键词）从历史记忆里找相关上下文- Think：把检索结果注入 LLM，做有记忆支撑的推理- Remember：把这次对话写回 Markdown，自动重新索引几个工程细节值得关注- SHA-256 内容哈希去重：内容没变就不重复 embed，大幅降低 API 成本- 文件监听自动索引： 开启后，文件一保存立刻更新向量库，删文件时对应 chunk 也同步清除- 多 embedding 引擎：支持 Gemini、Voyage AI、Ollama（本地）、sentence-transformers（离线），换引擎只改配置，历史记忆不影响和 Mem0 / Zep 的本质区别Mem0、Zep 把记忆存在数据库里，人看不到、改不了、换供应商就麻烦。memsearch 的记忆就是普通文本文件： 看改动， 查历史，跨机器 同步，零供应商锁定。主要短板：暂不支持时序关系图谱和多 Agent 共享记忆，适合单 Agent 长期记忆场景，不适合复杂多 Agent 协作系统。🔑 三个关键点① Markdown 文件即记忆，人类可读可编辑，彻底解决 AI 记忆的"黑盒"问题② 混合检索（向量 + BM25）比单纯语义检索精度更高，"Redis 缓存"能精确匹配到相关决策③ SHA-256 去重 + 文件监听自动索引，工程上几乎是零维护成本GitHub：github.com/zilliztech/memsearch#how i ai##程序员#
新浪微博 2026-03-03 00:00:00
6. WWW 2026｜让MoE路由拥有「记忆」：RMS-MoE用检索记忆协同实现更高效专家调度
微信公众号 2026-05-09 00:00:00
7. 字节火山开源的上下文数据库OpenViking, 专为 AI Agent 设计。该项目通过文件系统范式，统一管理智能体所需的记忆、资源与技能，解决了传统 RAG 架构中信息碎片化和检索低效的问题。1. 文件系统管理范式 → 解决碎片化问题：基于文件系统范式，将记忆、资源、技能进行统一上下文管理；2. 分层上下文按需加载 → 降低 Token 消耗：L0/L1/L2 三层结构，按需加载，大幅节省成本；3. 目录递归检索 → 提升检索效果：支持原生文件系统检索方式，融合目录定位与语义搜索，实现递归式精准上下文获取；4. 可视化检索轨迹 → 上下文可观测：支持可视化目录检索轨迹，让用户能够清晰观测问题根源并指导检索逻辑优化；5. 会话自动管理 → 上下文自迭代：自动压缩对话中的内容、资源引用、工具调用等信息，提取长期记忆，让 Agent 越用越聪明。项目：github.com/volcengine/OpenViking#HOW I AI# #过个有ai年#
新浪微博 2026-02-18 00:00:00
8. NousResearch/hermes-agent
今日头条 2026-05-21 00:00:00
9. Hermes Agent 研究（四）
知乎 2026-04-18 00:00:00
10. Hermes Agent
微信公众号 2026-04-09 00:00:00
11. AI+Agent赋能金融投研应用系列之五-自进化AI智能体Hermes+Agent
微信公众号 2026-04-27 00:00:00
12. Hermes Agent 学习指南
知乎 2026-05-20 00:00:00
13. Hermes Agent 深度解读
百度 2026-05-10 00:00:00
14. OpenClaw最强开源对手Hermes Agent
知乎 2026-04-09 00:00:00
15. AI 第三代智能体HermesAgent架构详解
今日头条 2026-04-11 00:00:00
16. HermesAgent源码解读
微信公众号 2026-04-11 00:00:00
17. Hermes Agent 依靠自主进化机制，重构新一代 AI Agent 运行逻辑
今日头条 2026-04-26 00:00:00
18. 深度拆解 Hermes Agent
微信公众号 2026-04-21 00:00:00
19. AI 概念日志 · 第 011 讲｜混合检索：BM25 老古董的逆袭
微信公众号 2026-05-07 00:00:00
20. 图解 RAG（六）快速入门｜检索策略：混合检索与父文档检索
微信公众号 2026-04-19 00:00:00
21. Hermes Agent历史对话的语义搜索是怎么做到的？
今日头条 2026-05-15 00:00:00
22. BM25 + Vectors：为什么真实 RAG 系统通常两者都需要
知乎 2026-05-01 00:00:00
23. 「长脑子」的 AI Agent：Hermes Agent 如何让 AI 越用越聪明
知乎 2026-04-24 00:00:00
24. RAG：混合检索
微信公众号 2026-05-15 00:00:00
25. Hermes Agent：自学习、插件化、跨平台的 AI 助手框架
微信公众号 2026-03-31 00:00:00
26. 在 RAG 和 Agentic 搜索下做结果融合的一些思路
知乎 2025-12-28 00:00:00
27. 混合检索：关键词 + 向量的最佳组合
知乎 2026-03-24 00:00:00
28. Hermes Agent 全面实战指南：安装、核心功能与OpenClaw深度对比
微信公众号 2026-04-13 00:00:00
29. 深度：Hermes Engineering如何用agent记忆升级skill？为什么说它只是半成品
知乎 2026-04-20 00:00:00
30. 参考Hermes设计多层Memory：让AI Agent真正"长记性"
今日头条 2026-04-30 00:00:00
31. OpenClaw 的"劲敌"来了：会自动进化的 AI 助手，一行命令安装 + 飞书全教程
微信公众号 2026-04-11 00:00:00
32. 为什么说纯向量检索在 RAG 中是不够的？混合检索与 RRF 算法全解析
知乎 2026-04-26 00:00:00
33. Hermes Agent 完整指南：从原理到最佳实践
知乎 2026-05-06 00:00:00
34. Hermes有搜索Skill却凭印象答？差这一条关键规则
今日头条 2026-04-28 00:00:00
35. RAG——RAG检索(混合检索)
微信公众号 2026-03-13 00:00:00
36. 2026 HermesAgent 深度研究报告
微信公众号 2026-04-16 00:00:00
37. 混合检索融合：结合向量检索（语义匹配）与关键词检索（字面匹配），互补优势
微信公众号 2025-12-30 00:00:00
38. NousResearch Hermes Agent：自改进 AI Agent 的工程化实现
今日头条 2026-05-10 00:00:00
39. LangChainRust: Agent + RAG + BM25 高效数据检索原理
知乎 2026-04-24 00:00:00
40. Hermes Agent从入门到精通（二）核心机制篇——第一个会自己成长的AI Agent
哔哩哔哩 2026-04-10 00:00:00
41. Hermes 安装与 API 接入全流程｜会自我进化的 AI Agent，一条命令装好
微信公众号 2026-05-19 00:00:00
42. Hermes Agent 深度解析：第一个真正会自我进化的开源 AI Agent
微信公众号 2026-04-11 00:00:00
43. 一个月GitHub狂揽6.6万星的HermesAgent，究竟能干啥？
今日头条 2026-04-24 00:00:00
44. 一路狂飙到74k Star的Hermes Agent，我部署了3天：踩坑记录与真实体验
知乎 2026-04-13 00:00:00
45. GitHub五万星！会"自我进化"的AI智能体来了
小红书 2026-04-11 00:00:00
46. Hermes 视觉方案实战：YAML 配置让 DeepSeek 也学会看懂图片
微信公众号 2026-05-15 00:00:00
已收藏
去我的收藏夹