这几天（4月初级到四月中旬），Nous Research开源的Hermes Agent突然火起来了，github的star数在疯涨，热度高到有超越open claw的势头了。 为什么他这么火呢？主要是因为他解决了open claw中的这样一个痛点： 在使用 OpenClaw 完成一个任务后，无论过程中走了多少弯路、犯了多少错误，这些宝贵的经验都不会沉淀下来，都是用后即焚的。即使下次再遇到相同的任务，他还会从头再来一遍，把踩过的坑再踩一遍。即使你让它记录Memory，他也只是会记录一些简要的重点事项和用户习惯，并不会记录太多执行细节。 Hermes则引入了一种Skill自进化机制，来解决这个问题。 说的简单点，就是引入了一种动态的Skill沉淀的能力。在Hermes Agent中，每次完成复杂任务后，Hermes不会简单地丢弃对话历史，而是会启动一个“复盘”流程。它会回过头来审视整个执行轨迹，提取其中的关键步骤，特别是那些“踩过的坑”、有效的纠错手段以及人工验证过的最佳实践。 随后，系统将这套经验总结、抽象为一个结构化的Skill技能文件包。这就带来了一个根本性的转变：Skill 从“静态调用”变成了“动态生成”。 总结一下：Skill 自进化是指 AI Agent 能够在执行任务的过程中自动创建新的技能，并在后续使用中持续改进这些技能的能力。 在Hermes中，Skill生成的触发时机包括：
## agent/prompt_builder.py 第 164-171 行
SKILLS_GUIDANCE = (
"After completing a complex task (5+ tool calls), fixing a tricky error, "
"or discovering a non-trivial workflow, save the approach as a "
"skill with skill_manage so you can reuse it next time.\n"
"When using a skill and finding it outdated, incomplete, or wrong, "
"patch it immediately with skill_manage(action='patch') — don't wait to be asked. "
"Skills that aren't maintained become liabilities."
)
| 触发条件 | 说明 |
|---|---|
| 复杂任务成功完成后 | 任务使用了 5+ 个工具调用 |
| 克服错误后 | 在解决错误后形成可复用的方法 |
| 用户纠正的方法奏效后 | 用户指导的方法被验证有效 |
| 发现非平凡的工作流 | 发现了复杂的工作流程 |
| 用户明确要求记住某个流程 | 用户主动要求保存为 Skill |
触发原则： - 在困难/迭代任务后，Agent 会主动提议保存为 Skill - 简单的一次性任务跳过 - 创建/删除前需要用户确认 入口函数：skill_manage()
def skill_manage(
action: str, # "create", "edit", "patch", "delete", "write_file", "remove_file"
name: str, # Skill 名称
content: str = None, # SKILL.md 完整内容（create/edit 时需要）
category: str = None, # 可选分类（如 "devops", "mlops"）
...
) -> str:
Skill 创建的核心步骤（_create_skill 函数）
def _create_skill(name: str, content: str, category: str = None) -> Dict[str, Any]:
Skill的创建有多种触发机制：
自动触发机制
自动触发完全依赖 LLM 的自主决策。通过在系统提示中植入指导文本，让 LLM 自己判断何时应该创建或更新 Skill。 在 Hermes Agent 中，系统会在每次对话开始时给 AI 发送一段"指导语"，告诉它什么情况下应该创建 Skill。AI 在工作的过程中，会自主决定什么时候调用创建工具。 首先，系统提示词注入：
## agent/prompt_builder.py 第 164-171 行
SKILLS_GUIDANCE = (
"After completing a complex task (5+ tool calls), fixing a tricky error, "
"or discovering a non-trivial workflow, save the approach as a "
"skill with skill_manage so you can reuse it next time.\n"
"When using a skill and finding it outdated, incomplete, or wrong, "
"patch it immediately with skill_manage(action='patch') — don't wait to be asked. "
"Skills that aren't maintained become liabilities."
)
- 完成一项复杂任务（涉及5次以上工具调用）
- 修复一个棘手的错误
- 发现一种复杂且有效的工作流程后
- 使用某项技能时，若发现它已过时、不完整或存在错误，立即修正 系统提示组装：
## run_agent.py 第 3374-3383 行
def _build_system_prompt(self, system_message: str = None) -> str:
# ...
# Tool-aware behavioral guidance: only inject when the tools are loaded
tool_guidance = []
if "memory" in self.valid_tool_names:
tool_guidance.append(MEMORY_GUIDANCE)
if "session_search" in self.valid_tool_names:
tool_guidance.append(SESSION_SEARCH_GUIDANCE)
if "skill_manage" in self.valid_tool_names: # ← 检查 skill_manage 是否可用
tool_guidance.append(SKILLS_GUIDANCE) # ← 注入 Skill 指导
if tool_guidance:
prompt_parts.append(" ".join(tool_guidance))
关键点： - 只有在 skill_manage 工具可用时才注入指导 - 指导文本成为系统提示的一部分 - LLM 每次响应都会"看到"这个指导 工具Schema强化：
## tools/skill_manager_tool.py 第 683-701 行
SKILL_MANAGE_SCHEMA = {
"name": "skill_manage",
"description": (
"Manage skills (create, update, delete). Skills are your procedural "
"memory — reusable approaches for recurring task types.\n\n"
# ===== 被动触发条件定义 =====
"Create when: complex task succeeded (5+ calls), errors overcome, "
"user-corrected approach worked, non-trivial workflow discovered, "
"or user asks you to remember a procedure.\n"
"Update when: instructions stale/wrong, OS-specific failures, "
"missing steps or pitfalls found during use. "
"If you used a skill and hit issues not covered by it, patch it immediately.\n\n"
"After difficult/iterative tasks, offer to save as a skill. "
"Skip for simple one-offs. Confirm with user before creating/deleting."
),
...
}
自动触发工作流程：
用户输入
│
▼
┌─────────────────────────────────────┐
│ 系统提示包含 SKILLS_GUIDANCE │
│ "After completing a complex task │
│ (5+ tool calls)..." │
└─────────────────────────────────────┘
│
▼
LLM 处理任务
│
├─── 工具调用 1 ────┐
├─── 工具调用 2 ────┤
├─── 工具调用 3 ────┤ LLM 自主计数
├─── 工具调用 4 ────┤ 和判断
├─── 工具调用 5 ────┘
│
▼
LLM 判断："这是一个复杂任务，应该保存为 Skill"
│
▼
主动调用 skill_manage(action="create")
│
▼
创建 Skill 文件
后台审查机制
除了自动触发外，还有一种后台审查机制的触发，即系统跟踪工具调用次数，达到阈值后自动启动后台审查，无需 LLM 主动决策。 在 Hermes Agent 中，系统会默默计数——每次 AI 使用工具（比如查资料、运行命令、读取文件）都会 +1。当累计达到 10 次后，系统会在后台自动启动一个"审查员"（另一个 AI 实例），让它回顾刚才的对话历史，判断是否需要创建或更新 Skill。这个审查是在后台悄悄进行的，不会打扰用户，如果发现值得保存的内容，会发送一个通知。 计数器初始化：
## run_agent.py 第 1219 行 (AIAgent.__init__)
self._iters_since_skill = 0 # 自上次 skill 操作以来的迭代计数器
配置加载：
## run_agent.py 第 1340-1346 行
## Skills config: nudge interval for skill creation reminders
self._skill_nudge_interval = 10 # 默认每 10 次工具调用触发一次
try:
skills_config = _agent_cfg.get("skills", {})
self._skill_nudge_interval = int(skills_config.get("creation_nudge_interval", 10))
except Exception:
迭代计数（核心）：
## run_agent.py 第 8642-8646 行
## 在每次工具调用迭代后执行
## Track tool-calling iterations for skill nudge.
## Counter resets whenever skill_manage is actually used.
if (self._skill_nudge_interval > 0 # 功能已启用
and "skill_manage" in self.valid_tool_names): # 工具可用
self._iters_since_skill += 1 # ← 计数器 +1
计数器重置条件：
## run_agent.py 第 7416-7417 行
## 当实际调用 skill_manage 时重置计数器
elif function_name == "skill_manage":
self._iters_since_skill = 0 # ← 重置计数器
触发判断：
## run_agent.py 第 11338-11344 行
## 在响应用户完成后执行
## Check skill trigger NOW — based on how many tool iterations THIS turn used.
_should_review_skills = False
if (self._skill_nudge_interval > 0 # 1. 功能已启用
and self._iters_since_skill >= self._skill_nudge_interval # 2. 达到阈值
and "skill_manage" in self.valid_tool_names): # 3. 工具可用
_should_review_skills = True
self._iters_since_skill = 0 # ← 重置计数器
启动后台审查：
## run_agent.py 第 11356-11366 行
## Background memory/skill review — runs AFTER the response is delivered
## so it never competes with the user's task for model attention.
if final_response and not interrupted and (_should_review_memory or _should_review_skills):
try:
self._spawn_background_review(
messages_snapshot=list(messages),
review_memory=_should_review_memory,
review_skills=_should_review_skills, # ← 触发 Skill 审查
)
except Exception:
pass # Background review is best-effort
后台审查执行：
## run_agent.py 第 2371-2469 行
def _spawn_background_review(
self,
messages_snapshot: List[Dict],
review_memory: bool = False,
review_skills: bool = False,
) -> None:
"""Spawn a background thread to review the conversation for memory/skill saves."""
import threading
# 选择审查提示词
if review_memory and review_skills:
prompt = self._COMBINED_REVIEW_PROMPT
elif review_memory:
prompt = self._MEMORY_REVIEW_PROMPT
else:
prompt = self._SKILL_REVIEW_PROMPT # ← Skill 专用提示词
def _run_review():
review_agent = None
try:
with contextlib.redirect_stdout(_devnull), \
contextlib.redirect_stderr(_devnull):
# ===== 创建 Fork 的 Review Agent =====
review_agent = AIAgent(
model=self.model,
max_iterations=8, # 限制迭代次数
quiet_mode=True, # 静默模式
platform=self.platform,
provider=self.provider,
)
# 禁用嵌套触发（避免无限循环）
review_agent._memory_nudge_interval = 0
review_agent._skill_nudge_interval = 0
# 执行审查
review_agent.run_conversation(
user_message=prompt,
conversation_history=messages_snapshot,
)
# ===== 扫描审查结果 =====
actions = []
for msg in getattr(review_agent, "_session_messages", []):
if msg.get("role") != "tool":
continue
data = json.loads(msg.get("content", "{}"))
if not data.get("success"):
continue
message = data.get("message", "")
if "created" in message.lower() or "updated" in message.lower():
actions.append(message)
# ===== 通知用户 =====
if actions:
summary = " · ".join(dict.fromkeys(actions))
self._safe_print(f" 💾 {summary}") # 终端显示
if self.background_review_callback:
self.background_review_callback(f"💾 {summary}")
finally:
if review_agent:
review_agent.close()
# 启动后台线程
threading.Thread(target=_run_review, daemon=True, name="bg-review").start()
Skill 审查专用提示词：
## run_agent.py 第 2347-2355 行
_SKILL_REVIEW_PROMPT = (
"Review the conversation above and consider saving or updating a skill if appropriate.\n\n"
"Focus on: was a non-trivial approach used to complete a task that required trial "
"and error, or changing course due to experiential findings along the way, or did "
"the user expect or desire a different method or outcome?\n\n"
"If a relevant skill already exists, update it with what you learned. "
"Otherwise, create a new skill if the approach is reusable.\n"
"If nothing is worth saving, just say 'Nothing to save.' and stop."
)
后台审查触发工作流程：
用户输入
│
▼
工具调用循环
│
├─── 每次迭代后 ───► _iters_since_skill += 1
│
▼
响应用户完成
│
▼
检查触发条件
│
├─── _iters_since_skill >= 10? ─── 否 ─── 继续等待
│
└─── 是 ───► _should_review_skills = True
│
▼
调用 _spawn_background_review()
│
▼
创建 Fork Review Agent
│
▼
执行 _SKILL_REVIEW_PROMPT
│
▼
LLM 审查对话历史
│
┌─────────────┴─────────────┐
▼ ▼
Nothing to save. 调用 skill_manage
│ │
▼ ▼
结束 创建/更新 Skill
│
▼
显示 💾 通知