最近Hermes agent被讨论得沸沸扬扬的今天我们来深度拆解下它是怎么做Skills 闭环系统的。相比市面上大多数 Agent 框架它最大的特点在于能从历史交互中提取经验、存储知识、做智能检索然后不断更新skills形成一个学习循环Learning Loop。毋庸置疑这个思路对复杂任务来说带来的突破是革命性的。它让agent变得可以自主进化、不断学习把历史记忆真正变成了工具能力从而在类似场景中复用。但说实话现在的这套系统最核心的检索系统做的实在是太粗糙了还停留在关键词检索阶段连找到相关历史经验都费劲更别说打通从memory到skills的鸿沟做到真正的进化了。接下来本文将用 Hermes Agent Milvus 2.6 飞书的方式搭一套能理解语义、跨会话记住操作方式、自主迭代skill的个人知识库 Agent来解决这个问题。一、Hermes Agent架构与核心机制要理解Hermes 的记忆设计到底厉害在哪里我们需要现对其架构进行一个拆解。总共分四层L1 上下文记忆当前会话窗口内的实时信息会话结束后清空L2跨会话持久化的事实性知识如项目技术栈、团队约定、已知结论L3 原生检索基于 SQLite FTS5 的关键词全文检索用于在本地文件中定位信息L4 Skills以 Markdown 文档形式存储的操作流程记录的是完成某类任务的具体步骤L4 是四层里和其他agent最本质的区别但原因不是其他框架没有类似概念。LangChain、AutoGPT 都有 Tool 和 Skill 的设计。区别在于来源它们的skills需要开发者在部署前手动定义用什么工具、按什么顺序、传什么参数全部写在代码里用户无法在使用过程中增加新skills。Hermes 的 Skills 是从实际执行中自动提炼的。你用它完成一次检索任务跨会话触发相同类型的工作流后Learning Loop 自动评估这个流程是否值得固化若值得就写入 Skill 文档返回 Memory updated · Skill ‘xxx’ created. 从此这个流程成为可复用的操作记忆无需任何代码改动。其他框架的技能是开发者预先设计的Hermes 的技能是 Agent 在使用中自己积累的。但深度调研之后我发现一件事情要想让Hermes 学会高质量的“干中学”其实仅靠 Hermes 的原生检索不够用。接下来我们来拆解其原生检索系统的问题以及我们如何使用 Milvus 对其改造的方式。二、为什么加 MilvusHermes 原生检索有边界Hermes 跨会话触发相同类型的历史工作流需要使用检索系统先精准找到历史上的相似操作。但是在检索系统的搭建上它自带的 L3 检索是基于 SQLite FTS5关键词倒排全文搜索只擅长精确匹配字面内容在语义检索场景有明显短板。典型案例知识库里记录的是 asyncio 事件循环、异步任务调度、非阻塞 I/O检索 Python 并发处理时FTS5 可能一条都找不到因为字面没有交集。也是因此当知识库规模超过数百份文档后就需要我们引入向量语义检索来补齐 Hermes 的检索短板。这也是引入 Milvus 的直接原因。2.1 选 Milvus 2.6 的两个实际理由理由一Hybrid Search混合检索Milvus 2.6 支持在同一次查询中同时执行向量检索语义和 BM25 全文检索关键词用 RRFReciprocal Rank Fusion算法合并两路结果。比如我们问 asyncio 的原理是什么向量检索能命中语义相关内容问 find_similar_task 这个函数在哪BM25也能精确匹配代码中的函数名。问涉及某个函数的某种类型任务时Hybrid Search也能一次检索调用就能给出正确结果无需手写路由逻辑。理由二分层存储实际部署内存可控Milvus 2.6 引入三层存储Hot 内存 / Warm SSD / Cold 对象存储按访问频率自动冷热分级。500 份文档向量化后的知识库无需全量常驻内存按需加载可将内存控制在 2GB 以内$5/月的 VPS 完全可以运行。选型原因明确后下面介绍系统整体架构与落地步骤。三、系统架构在这个新的体系里Hermes思考需要做什么SkillMilvus回答检索什么知识内容。四、安装部署4.1 安装并初始化 Hermescurl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash安装完成后运行 hermes进入交互式初始化向导完成LLM Provider 配置支持 OpenAI、Anthropic、OpenRouter含免费模型渠道配置本文使用飞书机器人4.2 部署 Milvus 2.6 Standalone个人部署使用 Standalone 模式单节点足够curl -sfL https://raw.githubusercontent.com/milvus-io/milvus/master/scripts/standalone_embed.sh \ -o standalone_embed.sh bash standalone_embed.sh start 验证服务状态 docker ps | grep milvus4.3 创建知识库 CollectionSchema 设计决定检索能力上限。以下结构同时支持稠密向量检索和 BM25 全文检索from pymilvus import MilvusClient, DataType, Function, FunctionType client MilvusClient( urihttp://192.168.x.x:19530, ) schema client.create_schema(auto_idTrue, enable_dynamic_fieldTrue) schema.add_field(id, DataType.INT64, is_primaryTrue) # 原始文本BM25 全文检索用 schema.add_field( text, DataType.VARCHAR, max_length8192, enable_analyzerTrue, enable_matchTrue ) # 稠密向量语义检索 schema.add_field(dense_vector, DataType.FLOAT_VECTOR, dim1536) # 稀疏向量BM25 自动生成Milvus 2.6 特性 schema.add_field(sparse_vector, DataType.SPARSE_FLOAT_VECTOR) schema.add_field(source, DataType.VARCHAR, max_length512) schema.add_field(chunk_index, DataType.INT32) # 告诉 Milvus 用BM25 把text 自动转换为 sparse_vector bm25_function Function( nametext_bm25, function_typeFunctionType.BM25, input_field_names[text], output_field_names[sparse_vector], ) schema.add_function(bm25_function) index_params client.prepare_index_params() # HNSW 图索引稠密向量 index_params.add_index( field_namedense_vector, index_typeHNSW, metric_typeCOSINE, params{M: 16, efConstruction: 256} ) # BM25 倒排索引稀疏向量 index_params.add_index( field_namesparse_vector, index_typeSPARSE_INVERTED_INDEX, metric_typeBM25 ) client.create_collection( collection_namehermes_milvus, schemaschema, index_paramsindex_params )Hybrid_search脚本import sys, json from openai import OpenAI from pymilvus import MilvusClient, AnnSearchRequest, RRFRanker client MilvusClient(http://192.168.x.x:19530) oai OpenAI() COLLECTION hermes_milvus def hybrid_search(query: str, top_k: int 5) - list[dict]: # 1. 向量化查询 dense_vec oai.embeddings.create( modeltext-embedding-3-small, inputquery ).data[0].embedding # 2. 稠密向量检索语义相关性 dense_req AnnSearchRequest( data[dense_vec], anns_fielddense_vector, param{metric_type: COSINE, params: {ef: 128}}, limittop_k * 2 # 候选集适当放大交给 RRF 做最终排序 ) # 3. BM25 稀疏向量检索精确词项匹配 bm25_req AnnSearchRequest( data[query], anns_fieldsparse_vector, param{metric_type: BM25}, limittop_k * 2 ) # 4. RRF 融合排序 results client.hybrid_search( collection_nameCOLLECTION, reqs[dense_req, bm25_req], rankerRRFRanker(k60), limittop_k, output_fields[text, source, doc_type] ) return [ { text: r.entity.get(text), source: r.entity.get(source), doc_type: r.entity.get(doc_type), score: round(r.distance, 4) } for r in results[0] ] if __name__ __main__: query sys.argv[1] if len(sys.argv) 1 else top_k int(sys.argv[2]) if len(sys.argv) 2 else 5 output hybrid_search(query, top_k) print(json.dumps(output, ensure_asciiFalse, indent2))环境与知识库就绪后进入关键验证环节观察 Hermes 的跨会话学习能力是否真实生效。五、实战Skills自动生成过程Step 1 会话 1首次指定脚本执行检索打开 Hermes在飞书发送指令明确告知脚本路径和检索目标Hermes 通过 Terminal Tool 调用脚本返回带本地文档来源的回答。此时 Skill 尚未创建这只是一次普通的工具调用。Step 2 重新提问在飞书中清空对话记录开启全新会话。不提脚本名称不提路径直接提问Step 3 从 Memory 更新到 Skill 正式创建Learning Loop 触发Memory 先行写入Hermes 返回检索结果和回答并明确告知这是 Learning Loop 的第一步动作。Memory 在此刻记录的是本次工作流的执行经验包括调用了哪个脚本、传入了什么参数、返回了什么结构的结果。这一步是积累还不是固化。Skill 正式创建在跨会话触发确认复用价值后Learning Loop 自动完成第二步三个 Skill 被正式创建Skill 名称作用hybrid-search-doc-qa对 Memory 中的文档执行混合语义检索并生成回答milvus-docs-ingest-verification验证文档是否已正确摄取进知识库terminal执行终端命令如运行脚本、设置环境变量等需要注意Memory 和 Skill 是两个不同层级的概念Memory 是经验记录Skill 是可被反复执行的封装能力。Memory 存的是发生过什么Skill 存的是下次遇到同类问题按什么步骤执行。Hermes 在这一刻完成的是从积累经验到生成可复用技能的跃迁。之后当用户提问时Hermes 无需任何提示自动识别意图、路由到对应 Skill、从 Memory 中召回相关文档片段最终生成回答。用户不需要指定用哪个 Skill这一切在后台自动完成。另外有一点值得单独说清楚。绝大多数 RAG 系统解决的是知识的存和取但如何取这条链路是写死在代码里的换个问法或者换个场景就可能失效。这套方案的不同之处在于检索策略本身被存成了 Skill变成了可持久化、可修改、有历史记录的对象。在这之后 Memory updated · Skill ‘hybrid-search-doc-qa’ created. 出现其实不是系统配置完成的标志而是 Agent 第一次把某种行为模式判定为值得保留。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】