AI Agent 长期记忆与自我治理实践手册：本地事实库、定时抽取、技能库精简、AI 可读化（Hermes Agent v0.21.7 实测）

Posted on Word count in article: 7.6k Reading time ≈ 28 mins.
一份可复现的 AI Agent 长期记忆与自我治理实践手册：两页预算制热记忆、holographic 本地事实库、每周/每月定时抽取（非思考模型省 4 倍）、中文召回实测 10/11、技能库 63→35 精简（索引 -47%）、提示词预算测量、AI 可读化改造（robots.txt/llms.txt/sitemap/JSON-LD），以及 14 类真实踩坑与修复。含机器可读摘要与可复制命令。

本文档面向人类与 AI 双读者：采用「摘要 → 事实表 → 机器可读 JSON → 分主题实践 → 实测数据 → 踩坑总表 → FAQ → 术语表 → 验收清单」结构，每个小节自包含、可独立切块引用。所有数字均为 2026-10-13 本机实测结果，非估算。

TL;DR（8 条可独立引用的要点）

  1. Agent 的”自带记忆”通常是两页预算制：Hermes Agent 的 MEMORY.md 上限 2200 字符、USER.md 上限 1375 字符，写满不溢出、要求模型当场合并。它是给提示词前缀缓存用的热数据，不是聊天缓冲区。
  2. 冷数据必须外置：用 holographic 插件建本地 SQLite 事实库（~/.hermes/memory_store.db），模型写记忆时自动镜像落库，0 额外 token。
  3. 模型不会主动记全，尤其中文：必须加”批量抽取”补录机制——每周日 23:00 扫最近 7 天会话抽事实。
  4. 抽取用非思考模型，补漏用思考模型：实测同一段 11,400 字符对话，两者都抽出 11 条且无编造，但非思考模型 3.5 秒 / 636 output tokens，思考模型 13.9 秒 / 2,739 tokens（约 4 倍差距）；归纳型洞察（偏好、风格）只有思考模型会抽到，故放在月度任务里。
  5. keywords 是召回的生命线：该方案检索为 FTS5 + 词重叠 + HRR 混合、无 embedding，不依赖语义理解。事实必须带 6-10 个”别人会怎么问”的关键词（含同义词、口语、上位词、英文缩写）。
  6. 技能库是要花钱的资产：每个技能在系统提示里占一行索引、每轮注入。实测精简 28 个技能后，技能索引从 7,342 → 3,921 字符（-47%），系统提示从 23,260 → 19,839 字符（≈1,070 tokens 固定前缀）。
  7. 卸载技能前先验证恢复通道：hermes skills uninstall 是真删；恢复靠 hermes skills repair-official <name> --restore（从本机 optional-skills/ 恢复，16 秒级、无需网络）。
  8. 配置层优于源码补丁：主题行为先查配置（含插件默认值），不要改 node_modules/——它会被 npm install 静默覆盖。实测把修复移到站点配置层后，重装 npm 依赖仍生效。

1. 关键事实表（Fact Sheet）

项目 值
日期 2026-10-13
Agent 框架 Hermes Agent v0.21.7+302
主模型 deepseek-flash（DeepSeek V4.1，原生多模态）
交互平台 飞书（Feishu）+ 微信
记忆 provider holographic（本地插件，SQLite）
事实库 ~/.hermes/memory_store.db
会话存档库 ~/.hermes/state.db（messages 表）
事实总量 110 条（project 31 / device 27 / health 27 / work 14 / general 9 / user_pref 2）
中文口语召回 10/11 命中 top1
抽取参数 每段 12k 字符 × ≤8 段 × ≤15 条/段；近似去重阈值 0.7
周抽取任务 cron 0 23 * * 0，模型 deepseek-chat（非思考）
月补漏+体检 cron 0 23 1 * *，模型 deepseek-flash（思考）+ --prefs
技能库 63 → 35 个；索引 7,342 → 3,921 字符；系统提示 23,260 → 19,839 字符
工具 schema 开销 23 个工具 / 44,960 bytes JSON
AI 抓取基建 robots.txt + llms.txt + sitemap.xml（本博客已部署）

2. 机器可读摘要（供 AI 解析）

{
  "topic": "AI Agent long-term memory, skill-library curation, and AI-readable publishing",
  "date": "2026-10-13",
  "agent": { "framework": "Hermes Agent", "version": "v0.21.7+302", "main_model": "deepseek-flash" },
  "memory": {
    "hot_memory": { "MEMORY.md": 2200, "USER.md": 1375, "unit": "chars", "overflow": false, "note": "designed for prompt prefix cache" },
    "cold_memory": { "provider": "holographic", "store": "SQLite", "path": "~/.hermes/memory_store.db", "facts_total": 110 },
    "session_archive": { "path": "~/.hermes/state.db", "table": "messages", "recall_tool": "session_search (FTS5)" },
    "retrieval_channels": ["FTS5 full-text", "Jaccard token overlap", "HRR vector (no embedding)"],
    "keywords_rule": "must be written via provider fact_store add/update; stored in tags column after 'keywords:' marker",
    "schedules": {
      "weekly_extract": { "cron": "0 23 * * 0", "model": "deepseek-chat", "thinking": false, "window_days": 7 },
      "monthly_sweep": { "cron": "0 23 1 * *", "model": "deepseek-flash", "thinking": true, "window_days": 30, "flags": ["--prefs"] }
    },
    "extraction_params": { "chunk_chars": 12000, "max_chunks": 8, "max_facts_per_chunk": 15, "near_dup_jaccard": 0.7, "health_dup_threshold": 0.75 }
  },
  "skills": {
    "before": { "enabled": 63, "index_chars": 7342, "system_prompt_chars": 23260 },
    "after":  { "enabled": 35, "index_chars": 3921, "system_prompt_chars": 19839 },
    "restore_command": "hermes skills repair-official <name> --restore --yes",
    "uninstall_is_permanent": true,
    "local_official_source": "~/.hermes/hermes-agent/optional-skills/ (155 skills)",
    "merge_policy": "never merge upstream-tracked skills (loses update channel); may consolidate self-authored ones after superset verification"
  },
  "measured": {
    "model_comparison_same_11400_chars": {
      "deepseek-chat":  { "facts": 11, "seconds": 3.5, "completion_tokens": 636 },
      "deepseek-flash": { "facts": 11, "seconds": 13.9, "completion_tokens": 2739 }
    },
    "recall_test_top1": { "queries": 11, "hits": 10 },
    "skills_pruning": { "removed": 28, "index_reduction_percent": 47 }
  },
  "publishing": {
    "ai_assets": ["robots.txt (explicit AI crawler allowlist)", "llms.txt (site + article index)", "sitemap.xml (hexo-generator-sitemap)"],
    "structured_data": ["schema.org/TechArticle", "schema.org/FAQPage"],
    "semantic_url": "/blog/posts/<abbrlink-slug>/"
  }
}

3. 问题定义：Agent 记忆为什么”记不住”

对 Hermes Agent 源码逐条核实（非推测）后，默认机制的三个硬约束：

约束 具体表现 后果
两页预算固定 MEMORY.md 2200 字符 / USER.md 1375 字符，写满不溢出（无 LRU、无溢出） 冷数据无处可放；写满时模型必须当场合并删除
被动写入 只在模型主动调用 memory 工具时才写入；纯聊天轮不产生记忆 模型”懒得记”时，两页和外部库都为空
自动抽取较弱 会话结束时的自动抽取默认关闭；开启后对中文事实覆盖仍差 中文对话”该记的没记”

结论：需要三层结构 + 两个定时器——热记忆按轮注入、冷记忆按需检索、会话全文兜底，再补一个”批量补录”机制。

4. 架构：三层记忆 + 两个定时器

第 1 层  热记忆（每轮注入，固定前缀，命中 KV 缓存）
         ~/.hermes/memories/MEMORY.md   ≤2200 字符
         ~/.hermes/memories/USER.md     ≤1375 字符
         ▲ 模型调用 memory 工具维护；写满即报错要求合并

第 2 层  冷记忆（本地事实库，按需检索，不占提示词固定开销）
         ~/.hermes/memory_store.db  (SQLite: facts 表)
         ▲ 模型 memory add 时自动镜像落库（0 额外 token）
         ▲ 定时抽取脚本补录"该记但没记"的事实

第 3 层  会话存档（全文，可检索）
         ~/.hermes/state.db  (messages 表)
         ▲ FTS5 全文检索旧对话，不花模型费用

定时器 A  每周日 23:00   holo_extract.py           非思考模型   7 天窗口   快速抄录
定时器 B  每月 1 号 23:00 holo_monthly_sweep.sh    思考模型+--prefs  30 天窗口 补漏 + 体检

检索机制（三路混合，无 embedding）：

通道 原理 强项 弱项
FTS5 全文 SQLite 全文索引 精确词命中 中文分词弱
Jaccard 词重叠 查询词与事实词的集合重叠 简单稳定 对同义词不敏感
HRR 向量 原子编码 sha256(word) 的分布式表示 有模糊匹配能力 中文按整词编码，能力有限

→ 因此关键词（keywords）是召回的语义桥梁。

5. 实践 A：长期记忆落地（可复制）

5.1 启用本地事实库

cd ~/.hermes/hermes-agent
./venv/bin/hermes config set memory.provider holographic
./venv/bin/hermes memory status
# 期望输出：Provider: holographic（installed ✓ / available ✓ / active）

5.2 写入事实（关键：必须经 provider，keywords 才会正确落库）

prov.handle_tool_call("fact_store", {
    "action": "add",
    # 一句话一个主题、中文、保留具体数字
    "content": "用户有 9 年大数据开发经验，方向是数据科学。",
    "category": "work",
    # 6-10 个"别人会用什么词来问这件事"的词
    "keywords": ["工作", "职业", "就业", "从业", "经验", "年限", "工龄", "大数据", "数据开发", "数仓"],
})

⚠️ 实测陷阱：直接调用底层 MemoryStore.add_fact(tags=...) 不会形成 keywords（它们存在 tags 列、以 keywords: 标记分隔）。绕过 provider 写入后，”鼻子用的什么药”这类口语查询命中率为 0。

5.3 抽取脚本的四个设计要点

设计 取值 实测依据
分段 每段 12k 字符、最多 8 段 单段 35k 字符只输出 20 条，内容被上限挤掉；分段后命中率 5/8 → 8/9 → 10/11
每段条数上限 15 条 单次输出预算有限，要求过多条模型会”概括合并”导致信息模糊
近似去重 字符二元组 Jaccard ≥ 0.7：不新建，改把新 keywords 并入已有事实 防止同一事实的多种说法堆积
提示词 明确”要记/不记”清单；keywords 必须写成”提问用词” 提高中文事实产出率与召回率 
# 每周：非思考模型，7 天窗口（省钱模式）
~/.hermes/hermes-agent/venv/bin/python ~/.hermes/scripts/holo_extract.py --days 7

# 每月：思考模型 + 偏好重点，30 天窗口（补漏模式）
HOLO_EXTRACT_MODEL=deepseek-flash python ~/.hermes/scripts/holo_extract.py \
    --days 30 --chunk-chars 12000 --max-chunks 20 --max-facts 15 --prefs

提示词要点（可复用）：

  • 要记：用户本人的信息（健康/身体数据/病史/用药）、偏好与工作方式、项目与业务进展、做出的决定、环境与设备、推进中的目标
  • 不记：寒暄、一次性执行细节、临时状态、助手自己的动作、很快过期的内容
  • 硬性要求：content 用中文、一句话一主题（≤50 字）、主体明确、保留数字；keywords 6-10 个（含同义词/上位词/口语/英文缩写）

5.4 每月体检（只报告，不自动删）

python ~/.hermes/scripts/holo_health.py --dup-threshold 0.75
# 输出：矛盾事实 / 清理候选 / 近似重复对 / 从未被召回的事实统计

体检设计原则：只报告，不自动删除——删除必须由人确认，避免误删有价值事实。

5.5 定时器（cron）落地要点

{
  "name": "每周记忆抽取",
  "schedule": "0 23 * * 0",
  "no_agent": true,
  "script": "holo_extract_weekly.sh"
}
  • 用 no_agent: true + 包装脚本：脚本 stdout 原样投递给用户（不经过模型，零额外成本）
  • 注意：空 stdout 时不发送任何消息（静默即正常）；非零退出码才发错误告警
  • 会话（cron 触发）默认 skip_memory=True，因此脚本必须直接写库，不能依赖 cron 会话去调 memory 工具

6. 实践 B：技能库治理（省提示词预算）

6.1 先测量：prompt-size 是官方内置的预算工具

cd ~/.hermes/hermes-agent
./venv/bin/hermes prompt-size --platform feishu --json

输出结构（可直接程序化分析）：

字段 含义
system_prompt.chars 系统提示总字符数
skills_index.chars 技能索引占用（每轮注入，常驻成本）
memory / user_profile 两页记忆占用
tools.count / tools.json_bytes 工具 schema 开销
skills_breakdown[] 每个技能的 index_line_bytes（索引行）、skill_md_bytes（正文体积）、path（实际生效的副本）

实测基线：系统提示 23,260 字符，其中技能索引占 32%。

6.2 治理流程（照做，别跳）

① 盘点真实技能名 → 走文件系统（~/.hermes/skills 递归、排除 .archive）
                 ⚠️ 绝对不要用 `hermes skills list` 表格取名字（会被截断成 audiocraft-audi…）
② 先验证恢复通道 → 挑一个目标：uninstall → repair-official --restore 走通一遍
③ 分类          → ① 用户直接相关 ② 明确无关 ③ 边界类（先问用户）
④ 批量执行      → 逐条记录结果（成功/失败/原因）
⑤ 删完复测      → prompt-size 用数字证明索引确实变小

6.3 卸载与恢复（必须知道的差别）

操作 效果 可逆性
hermes skills uninstall <name> --yes 仅对 hub 安装的技能有效；真删除，不进 .archive/ 需靠 repair-official --restore 或网络重装
手动移动到 .archive/ 归档，不加载 ✅ 移回即恢复（推荐用于非 hub 技能）
hermes skills repair-official <name> --restore --yes 从本机 optional-skills/（155 个官方技能）恢复 16 秒级、无需网络
hermes skills uninstall（对 local/捆绑技能） 报错 not a hub-installed skill (may be a builtin) 需用归档方式

⚠️ hermes skills install 在 GitHub 不通时会静默挂起（数分钟无响应、不报错）：skills.sh 只做目录索引，技能内容走 GitHub。官方技能一律用 repair-official --restore。

6.4 判断”真重复”还是”假重复”（防误合并）

方法 结果
❌ 全文 n-gram 相似度 被公共样板污染：实测把毫不相关的 github-auth × plan 算成 0.66
✅ 只比正文 + 5-gram shingles plan × writing-plans = 0.743（真重复）；GitHub 五件套互比仅 0.13-0.18（不是重复）
✅ 超集验证 把”将被归档那份”的标志性句子在”保留那份”里 grep：全中 = 无损整合

6.5 合并策略（本手册最重要的治理结论）

不要合并上游跟踪（upstream-tracked）的技能：

  • 合并 = 有损压缩（例：5 个 GitHub 技能共 54KB，压成 1 个必然丢命令细节）
  • 更致命：被手工大改后技能会被标记为”用户改过”，永久失去上游更新（CLI 参数变化、安全修正全部收不到）
  • 而收益只有一行索引（约 65-100 字节）

正确做法：省预算靠”卸载或归档不常用的“（安全、可逆），不靠合并。仅当 ① 技能为自建（无上游）② 内容确认高度重复时，才做整合，并保留可回退备份。

6.6 实测结果

指标 前 后 变化
活跃技能 63 35 -28
技能索引 7,342 字符 3,921 字符 -47%
系统提示 23,260 字符 19,839 字符 -3,421 字符（≈1,070 tokens）

说明：技能索引位于系统提示的稳定前缀，享受 KV 前缀缓存；节省体现在首轮与缓存失效时，不是”每轮全额重算”。附带的非量化收益：技能更少 → 模型”选错技能”的概率更低。

7. 实践 C：AI 可读化改造（让 AI 能引用你）

博客的主要读者已从人类变为 AI 抓取器/问答引擎。有效做法分两层：

7.1 文章层：结构化写作模板

结构 作用
TL;DR（可独立引用的要点） AI 直接摘取
关键事实表（Fact Sheet） 版本、路径、数字一目了然
机器可读 JSON 块 结构化事实，模型可直接解析
分主题实践（每节自包含） 可整块引用
实测数据表 数字可验证，提升可信度
踩坑表（现象/根因/解法） 检索命中率最高的内容形态
FAQ（问答对） 与 FAQPage 结构化数据一一对应
术语表 消除歧义、统一命名
显式日期 + 版本号 让 AI 判断时效性

7.2 站点层：三项基建

文件 内容 作用
robots.txt 显式 Allow: / 给 GPTBot / OAI-SearchBot / ChatGPT-User / ClaudeBot / Claude-SearchBot / anthropic-ai / PerplexityBot / Google-Extended / Applebot-Extended / CCBot / Bytespider / cohere-ai，并指向 sitemap 明确授权 AI 抓取器
llms.txt 站点摘要 + 全部文章索引（按时间倒序、带一句话描述） 新兴的 LLM 站点索引约定
sitemap.xml 由 hexo-generator-sitemap 生成（Hexo 站点） 让爬虫发现全部 URL

7.3 结构化数据（Schema.org）

在文章正文中直接嵌入（Hexo 会原样输出 raw HTML）：

<script type="application/ld+json">
{ "@context":"https://schema.org", "@type":"TechArticle",
  "headline":"...", "datePublished":"2026-10-13", "inLanguage":"zh-CN",
  "author": {"@type":"Person","name":"..."}, "keywords":"..." }
</script>
<script type="application/ld+json">
{ "@context":"https://schema.org", "@type":"FAQPage",
  "mainEntity":[{ "@type":"Question","name":"...",
    "acceptedAnswer":{"@type":"Answer","text":"..."} }] }
</script>

配套要点：

  • 语义化 URL：Hexo 用 abbrlink 把永久链接设成可读 slug（permalink: /posts/:abbrlink/），比 hash 地址更利于引用
  • meta description：front-matter 的 description 会成为摘要来源，写成”包含关键数字的一句话”
  • llms.txt 需在每次发文后重新生成（解析 source/_posts/*.md 的 front-matter 输出索引）

8. 实践 D：配置层优先于源码补丁（主题行为治理）

案例：关闭博客页脚”全站字数/阅读时长统计”

层次 位置 本次结论
① 站点配置 _config.yml（Hexo + 插件层） ✅ 正确的层：symbols_count_time.total_symbols/total_time: false
② 主题配置 _config.next.yml ❌ 实测无效（模板读的是站点配置 + 插件默认值）
③ 主题源码 node_modules/hexo-theme-next/layout/** ⚠️ 能用但危险：npm install 会覆盖，补丁静默消失

为什么会踩坑：插件会在运行时注入默认值——node_modules/hexo-word-counter/index.js 里硬编码 total_symbols: true / total_time: true，所以”站点配置没写”等价于”为真”。

验证配方（区分”配置生效”还是”补丁在兜底”）：

cp <模板文件> /tmp/tpl.patched      # 备份打过补丁的版本
# 把模板临时还原成原始版本
npx hexo clean && npx hexo generate
python3 -c "h=open('public/index.html',encoding='utf-8').read(); print(h.count('<div class=\"wordcount\">'))"
# 产物不变 → 配置层已足够，撤销模板补丁（更稳，npm 弄不坏）
# 产物变了   → 配置层无效，补丁必需 → 固化成幂等脚本或 patch-package

实战检验：改用配置层后，执行 npm i hexo-generator-sitemap（重装依赖），页脚统计仍隐藏、单篇字数仍保留 ✅ —— 证明修复已”抗升级”。

9. 实践 E：受限网络环境下的安装与排障

在 github.com 直连不通（HTTP 000）的环境下安装 Hermes 插件/依赖的可行路径：

环节 现象 解法
GitHub 代码 github.com 000；git clone 超时 codeload.github.com 可下 tarball；用透传代理（如 ghproxy.net）拼 URL
插件/技能安装器 安装器内部的 git clone 不读全局 git config（隔离配置）→ insteadOf 重写无效 显式传镜像 URL：hermes plugins install "https://<mirror>/https://github.com/<owner>/<repo>.git" --ref <sha>
依赖里的固定 commit 镜像站点报 Server does not allow request for unadvertised object 用透传代理（可代理任意 commit），而非只做缓存的中转镜像
Python 依赖 uv lock 直连 pypi.org 长时间无进展 写 ~/.hermes/home/.config/pip/pip.conf（Hermes 子进程 HOME）+ ~/.config/pip/pip.conf，index-url = https://pypi.tuna.tsinghua.edu.cn/simple
npm 依赖 官方 registry 慢 npm i <pkg> --registry=https://registry.npmmirror.com
插件安全扫描 社区来源插件被拦（community source + caution verdict） 先审计运行时代码（grep 网络调用/子进程/凭据读取），确认干净后 --force

10. 方法论（适用于任何 Agent 系统优化）

# 方法 本次体现
1 先量再改 prompt-size 测预算、抽取脚本 --dry-run、模型对照实验
2 破坏性操作先验证恢复通道 批量卸载前先跑通 uninstall → repair-official --restore
3 用工具输出说话，不靠记忆 线上状态用 GitHub API 核对；相似度用真实文件算
4 警惕假阳性指标 全文相似度被样板污染（0.66 假重复）→ 改用正文 5-gram
5 配置层优先于源码补丁 页脚字数统计改到站点配置层，抗 npm install
6 受限环境找替代路径 镜像、透传代理、本机离线源（optional-skills/）
7 验证成本与收益再动 “合并技能”收益仅一行索引，代价是失去上游更新 → 否决
8 只报告不自动删 记忆体检脚本默认只输出报告，删除由人确认

11. 踩坑总表（现象 / 根因 / 解法）

# 现象 根因 解法
1 抽取脚本返回非合法 JSON、正文为空 思考模型的思维链与正文共享 max_tokens，思维链吃满后正文无预算 提高 max_tokens（6000-8000）+ JSON 容错；根治：抽取改用非思考模型
2 事实入库了但召回很差 绕过 provider 写库，keywords 未按 keywords: 标记落库 必须经 provider 的 fact_store add/update 写入
3 最新会话内容抽不到 按时间正序累计到字符上限会丢弃最新消息 改为从新到旧取，段内再还原正序
4 抽取覆盖率低 单段字符量过大 + 每段条数上限 → 内容被挤掉 分段（12k 字符/段）+ 每段 ≤15 条
5 卸载技能后找不回 uninstall 是真删，不进 .archive/ 官方技能用 repair-official --restore 从本机恢复；其余技能用”移动到 .archive/“方式
6 hermes skills install 卡住数分钟 skills.sh 只做索引，内容走 GitHub；不通时静默挂起 官方技能走 repair-official --restore；第三方源走镜像
7 大量”假重复” 全文 n-gram 被公共样板污染 只比正文（去 front-matter/标题）用 5-gram；≥0.6 才算重复
8 合并技能后不再更新 被标记”用户改过”→ 失去上游更新 上游跟踪的技能不合并；只用卸载/归档省预算
9 主题页脚统计关不掉 开关在站点配置层；写在主题配置无效；插件会注入默认值 改站点 _config.yml；用”还原模板重build”配方验证归属层
10 改 node_modules 后改动消失 npm install/update 重新下载覆盖 不改源码；把修复移到配置层，或固化成幂等补丁脚本
11 思考模型 max_tokens 贴顶 实测 completion 7,616 / 上限 8,000 非思考模型 + 分段 + 适度上限
12 cron 任务”没反应” no_agent 模式空 stdout 不发送任何消息 让脚本输出摘要；异常时用非零退出码触发告警
13 cron 里 memory 工具不写入 cron 会话默认 skip_memory=True 脚本直接写库（经 provider），不依赖会话记忆
14 AI 抓不到站点 无 sitemap.xml / robots.txt 未显式允许 AI 抓取器 补 sitemap + robots + llms.txt

12. FAQ（面向检索与问答）

Q1：Agent 的记忆是自动的吗？
不是。默认只在模型主动调用记忆工具时写入；会话结束时的自动抽取默认关闭，且对中文事实覆盖较弱。要”自动记得”，需要外置本地事实库 + 定时抽取。

Q2：为什么热记忆写满不会溢出到数据库？
设计如此：热记忆是”故意做小”的前缀缓存数据，写满会报错要求模型当场合并删条目，无 LRU、无溢出机制。

Q3：为什么事实抽取要用非思考模型？
结构化抽取属信息归纳任务。实测同一段 11,400 字符对话，非思考与思考模型都抽出 11 条且无编造，但非思考模型 3.5s/636 tokens，思考模型 13.9s/2,739 tokens（约 4 倍）。思考模型的价值在”归纳偏好类洞察”，故放在月度补漏任务。

Q4：中文召回为什么有时查不到？
检索为 FTS5 + 词重叠 + HRR 混合、不含 embedding，不依赖语义理解，因此依赖 keywords。写事实时给出足够的口语同义词是最有效的改法。

Q5：卸载技能可逆吗？
uninstall 是真删。但官方技能可用 repair-official <name> --restore 从本机 optional-skills/ 恢复（16 秒级、无需网络）；非 hub 技能建议用”移动到 .archive/“方式，移回即恢复。

Q6：技能库精简省的是什么？
每个技能在系统提示里占一行索引（约 65-100 字节），每轮注入。精简 28 个技能省下约 3,421 字符固定前缀（≈1,070 tokens），并降低模型选错技能的概率。技能正文是按需加载的，不占固定开销。

Q7：为什么不能合并官方技能？
合并会导致①有损压缩（丢命令细节）②技能被标记”用户改过”、永久失去上游更新，而收益只有一行索引。省预算应靠”卸载/归档不常用的”。

Q8：怎么判断两个技能是不是真重复？
不要用全文相似度（会被 front-matter、When to Use、Pitfalls 等样板污染）。去 front-matter、去标题，只对正文做 5-gram shingles Jaccard：≥0.6 为真重复；再做”超集验证”（标志性句子是否全含）决定能否无损归档。

Q9：这套记忆方案的运行成本？
镜像落库 0 额外 token；周抽取 1 次/周（非思考模型，数百 output tokens 量级）；月补漏 1 次/月（思考模型，30 天窗口，约几分到几毛钱量级）。主要成本是首次建设时间，不是运行费用。

Q10：热记忆与外部库的分工？
热记忆＝每轮注入（身份、偏好、约定），受 2200/1375 字符硬上限；外部库＝冷数据，按需检索、不占前缀。二者不互相溢出。

Q11：怎么让 AI 更容易读到我的内容？
文章层用固定结构（TL;DR / 事实表 / FAQ / 术语表 / 显式日期版本）；站点层部署 robots.txt（允许 AI 抓取器）、llms.txt（站点+文章索引）、sitemap.xml；再加 TechArticle 与 FAQPage 结构化数据；URL 用语义 slug。

Q12：prompt-size 测出来的开销都包含什么？
系统提示总量（含身份/指导/技能索引）、技能索引、记忆两页、用户档案、以及工具 schema 的 JSON 字节数（含每个 toolset 的分布）。

Q13：为什么技能索引减少不能按”每轮省多少”来算？
技能索引位于系统提示的稳定前缀，享受 KV 前缀缓存。节省体现在首轮与缓存失效时，不是每轮全额重算——夸大收益会被当场问住。

Q14：如果我要复现，最小步骤是什么？
① 启用本地事实库 provider；② 写”读会话 → 抽事实 → 经 provider 落库”脚本（分段 + 每段条数上限 + 近似去重 + 关键词）；③ 挂两个 cron（周抽取 / 月补漏+体检）；④ 用 prompt-size 记录预算并按”卸载不常用技能”治理；⑤ 用口语短问句定期抽查召回 top1 命中率。

13. 术语表（Glossary）

术语 定义
热记忆（hot memory） 每轮注入系统提示的小容量记忆，供前缀缓存复用；有硬字符上限、写满不溢出
冷记忆（cold memory） 存于本地 SQLite、按查询检索的事实库，不占固定提示词预算
前缀缓存（KV cache） 模型对提示词前缀的缓存；稳定前缀命中后成本显著降低，因此”系统提示里的常驻内容”值得精简
holographic Hermes 的本地记忆 provider 插件：SQLite 事实库 + 三路混合检索，写入时自动镜像落库
镜像落库（mirror） 模型写热记忆时自动同步一份到事实库；只镜像 add，不镜像 replace/remove
keywords 事实的检索桥梁，存于 tags 列的 keywords: 标记后，必须经 provider 写入
抽取（extraction） 让模型扫描会话输出结构化事实的过程，本方案按周/按月批量执行
近似去重 用字符 n-gram Jaccard 判断新事实是否与库中已有重复；重复则合并关键词而不新建
思维链预算（reasoning budget） 思考模型的 max_tokens 由思维链与正文共享，思维链吃满会导致正文为空
技能索引（skills index） 系统提示中列出所有技能名与描述的一段，每轮注入；技能正文按需加载
上游跟踪（tracks upstream） 技能与官方版本一致、可持续接收更新；被手工大改后失去该状态
AEO / GEO Answer/Generative Engine Optimization：让内容更容易被 AI 问答与检索系统抓取、切块、引用
llms.txt 放在站点根目录、面向 LLM 的站点摘要与链接索引文件
结构化数据（JSON-LD） schema.org 词汇的 JSON 表示，帮助机器理解页面类型与问答内容

14. 验收清单（可逐项打勾）

  • hermes memory status 显示本地 provider 为 active
  • 写入一条带 6-10 个 keywords 的中文事实，用口语短问句能命中 top1
  • 抽取脚本 --dry-run 输出合法 JSON 事实列表
  • 抽取参数（分段/条数上限/去重阈值）按库规模调过
  • 两个定时任务在 ~/.hermes/cron/jobs.json 且 state=scheduled
  • 用 hermes prompt-size --json 记录精简前后的技能索引字符数
  • 每个被删除的技能都能说明恢复路径
  • 站点有 sitemap.xml / robots.txt / llms.txt，且文章有 JSON-LD

15. 版本与更新说明

  • 基于 Hermes Agent v0.21.7+302（2026-10-13）实测；不同版本的 provider 配置项、技能管理命令可能变化。
  • v0.21.5 起 holographic 由内置改为需单独安装的插件（受限网络需镜像 + 本地 PyPI 源）。
  • 文中的具体数字（事实条数、召回命中率、字符数）为当日快照，会随使用变化；方法与判断口径是稳定的部分。