什么值得买App

我的兴趣消费指南

什么值得买
连续签到专享现金活动

拆解 Hermes Agent 记忆系统:5层架构如何让 AI 真正「记住」你

AI Agent 在长期交互中面临的核心挑战之一是上下文的断续,即跨会话的记忆保持。NousResearch 开源的 Hermes Agent 框架通过一套 5 层记忆架构解决了这一问题,该架构通过分层存储策略,从 2200 字符的工作笔记到跨 Session 的向量检索,实现了对用户偏好、行为模式及任务状态的持久化管理。本文基于源码文件 `tools/memory_tool.py`、`run_agent.py` 及 `plugins/memory/honcho/`,深度解析其设计思路与核心工程实现。
01记忆架构总览
Hermes Agent 的记忆系统被划分为持久化层与临时层,共 5 个层级。这种设计旨在平衡记忆的检索效率、存储成本以及上下文注入的稳定性。在系统提示词的 9 层组装逻辑中,Layer 4 至 Layer 6 专门负责记忆相关内容的加载。
层级类型存储介质核心功能数据容量
Layer 1持久化文件系统 (MEMORY.md)Agent 工作笔记约 2200 字符
Layer 2持久化文件系统 (USER.md)用户画像 (偏好/习惯/反馈)约 1375 字符
Layer 3持久化向量 DB (Honcho Plugin)跨会话语义记忆动态扩展
Layer 4持久化SQLite + FTS5全量对话历史 (审计日志)无限制
Layer 5临时内存上下文活动任务状态摘要滑动窗口

Hermes Agent 5 层记忆架构定义

02核心分层详解
在持久化存储层,MEMORY.md 和 USER.md 承载了 Agent 的核心静态记忆。这两类文件通过“冻结快照”的方式注入到系统提示词中,确保了记忆的稳定性。如果每次工具写入都直接修改系统提示词,会导致 Prefix Cache 失效,进而引发每轮对话重新计算全部 Token,造成成本暴增。实测显示,采用快照机制可节省 45% 至 57% 的 Token 成本。
  • MEMORY.md:存储 Agent 的工作笔记、方法总结及非平凡的试错过程。
  • USER.md:存储用户画像,包括个人偏好、行为习惯及反馈评价。
  • Honcho 向量库:提供跨 Session 的语义检索能力,支持实时查询。
03核心技术实现
记忆系统的自动化写入机制是其高效运行的关键。系统通过 `_scan_memory_content()` 扫描机制,自动识别并分类关键信息:关注用户偏好、行为期望、个人特征时写入 USER.md;关注非平凡方法、反复试错及思路改变时写入 Skills 文件。此外,在文件写入策略上,系统采用了原子操作以保证并发安全。

文件写入策略对比

常规写入方式 open("w")

非原子操作,存在并发风险

  • 先截断文件再写入内容
  • 在截断到写完的时间窗口内,并发读者可能看到空文件
  • 数据一致性与安全性较低
Hermes 写入方式 os.replace

原子操作,确保并发安全

  • 先将内容写入临时文件
  • 使用 os.replace 进行原子性替换
  • 并发读者要么看到完整的旧文件,要么看到完整的新文件
04总结
Hermes Agent 的记忆系统通过 5 层架构设计,实现了从短期会话状态到长期知识积累的全链路覆盖。其通过冻结快照机制优化 Token 成本,利用原子写入保证数据一致性,并结合向量检索增强语义理解能力。这种工程化的取舍为 AI Agent 的落地应用提供了重要的参考价值。

评论

评论区空态插画

当前文章无评论,是时候发表评论了