1. 为什么单 Agent 的学习循环值得单独拆开看Hermes Agent 是 Nous Research 开源的一个单 Agent 运行时它和 OpenClaw 那类多 Agent 编排框架走的是两条路。OpenClaw 把能力分散到多个 Agent靠中央枢纽路由Hermes 只维护一个 Agent但让它跑得越久越顺手。这个“越用越强”不是靠改配置而是靠一套自动运行的学习循环把做过的事沉淀成可复用的技能再配合四层内存系统把上下文成本压住。如果你正在自建 AI Agent大概率遇到过两个尴尬一是会话之间上下文留不住每次都要重新交代背景二是把什么都塞进内存Token 账单一路涨。Hermes 的设计恰好卡在这两个痛点中间——它把“发生了什么”和“什么方法有效”分开存前者进 SQLite 会话存档后者进技能文件读取时机也完全不同。这篇不打算复述官方文档而是从网关协同的角度把学习循环和内存系统怎么串起来讲清楚。我会给出可复制的网关路由配置片段、内存读写验证步骤以及怎么用统一 Key/API 通道完成一次端到端调用验证。适合已经写过基础 Agent 循环、想进一步理解持久化与检索设计的开发者。读完之后你应该能自己搭一个最小可用的“学习 内存 网关”骨架而不是只停留在概念层。2. TaoToken 统一通道的前置准备在拆网关之前先把模型调用这条链路理顺。Hermes 的 Agent 循环里每一轮都会向推理端点发请求如果端点不稳定或者 Key 管理混乱学习循环和内存写入都会受影响。我自己的做法是把模型访问收敛到一个统一通道这样切换模型、排查 401 都只在一个地方改。TaoToken 在这里扮演的就是统一 Key/API 通道的角色。它的 API 地址是https://taotoken.net/api兼容 OpenAI 风格的调用方式所以 Hermes 里配置自定义 OpenAI 兼容端点时可以直接指向它。官网入口在https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end注册后到控制台生成 Key 即可。具体操作上你需要先拿到三样东西Base URL、API Key、Model ID。这三件套在后面的网关配置和验证步骤里都会反复出现建议先记下来。Base URL 用https://taotoken.net/apiKey 在控制台的 API Keys 页面创建Model ID 则根据你实际要调的模型填比如对话类或编码类模型各有对应的标识。这里有个容易踩的坑很多人把 Base URL 写成带/v1的完整路径结果请求拼出来变成/v1/v1/chat/completions。TaoToken 的 API 根地址就是https://taotoken.net/api客户端库通常会自动补/v1所以配置时不要再手动加。如果你用的是 Hermes 的hermes model向导选择“自定义 OpenAI 兼容端点”后基础 URL 填上面这个模型 ID 填你选定的模型标识。另外Key 不要硬编码进代码或提交到仓库。Hermes 支持从环境变量读取比如export TAOTOKEN_API_KEYyour_key_here然后在配置里引用这个变量名。这样网关服务重启、多平台适配器共享时Key 只维护一份。如果你后面要跑定时自动化环境变量方式也比写死在 cron 脚本里安全得多。前置准备做完你手上应该有一个可用的 Key、一个 Base URL、一个 Model ID。接下来进入网关配置把学习循环和内存系统的读写路径接上。3. 可复制的网关路由与内存配置片段Hermes 的网关是一个持久后台服务用hermes gateway启动负责消息传递、会话路由、交付、配对和定时触发。它把 CLI、Telegram、Discord、Slack 等平台的适配器汇入共享的会话路由层会话绑定的是 ID 而不是平台所以在 Telegram 上开始的对话可以在终端里继续。要让学习循环和内存系统经由网关协同核心是两处配置一是推理端点二是内存与技能的存储路径。下面这份config.yaml片段可以直接改改就用路径和字段名保持和 Hermes 一致。# ~/.hermes/config.yaml inference: providers: - name: taotoken base_url: https://taotoken.net/api api_key_env: TAOTOKEN_API_KEY model: your-model-id timeout: 60 - name: fallback-local base_url: http://127.0.0.1:11434/v1 model: local-model # 有序列表主端点失败时自动切换下一个 order: [taotoken, fallback-local] memory: prompt_files: - ~/.hermes/memories/MEMORY.md - ~/.hermes/memories/USER.md prompt_char_limit: 3575 session_db: ~/.hermes/state/sessions.db fts5: true skills: root: ~/.hermes/skills progressive_disclosure: true gateway: session_routing: id adapters: - cli - telegram cron_dir: ~/.hermes/cron这份配置里有几个点值得展开。inference.providers是一个有序列表Hermes 在会话中途如果主端点不可用会自动切到下一个回合生命周期不中断上下文也保持完整。这就是为什么把 TaoToken 放在第一位、本地端点作为兜底比较稳。memory.prompt_char_limit设成 3575这是 Hermes 对MEMORY.md和USER.md两个文件总字符数的硬限制。它故意设得紧是为了强制精选而不是无脑堆积。Agent 通过内存工具做三种操作添加、替换、删除。注意一个细节——会话期间对这两个文件的编辑只在下一个会话生效不会在对话中间立刻反映。skills.progressive_disclosure打开后系统提示里默认只放技能名称和简短摘要完整内容按需加载。这意味着你有 200 个技能和 40 个技能上下文成本差不多因为详细内容只在真正需要时才进上下文。如果你用 Claude Code 或 Cline 这类工具做辅助开发配置逻辑是相通的Base URL 填https://taotoken.net/apiKey 用环境变量Model ID 填你选的模型。三件套缺一不可尤其是 Model ID 写错会直接报模型不存在。配置写完后用hermes gateway启动服务。它会作为系统服务在后台跑关掉终端也不影响。启动日志里应该能看到适配器加载和会话路由初始化的信息。如果日志里出现local proxy failed或连接超时先检查 Base URL 和网络再确认 Key 是否有效。4. 验证请求与内存读写结果配置就位后别急着跑复杂任务先用一次最小请求验证整条链路。这一步的目的是确认网关能路由、推理端点能返回、内存文件能写入、会话能持久化。第一步验证推理端点。用 curl 直接打 TaoToken 的 API确认 Key 和 Model ID 没问题curl -s https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: your-model-id, messages: [{role: user, content: reply with ok}], max_tokens: 16 }返回里如果能看到choices数组和内容说明端点通了。如果返回 401检查 Key如果返回模型不存在检查 Model ID。第二步通过网关发一条消息触发 Agent 循环。在 CLI 适配器里输入一句简单指令比如让它执行一个终端命令。观察日志里是否出现任务 ID 生成、系统提示构建、API 调用、工具执行、结果追加这几个阶段。这就是run_agent.py里的回合生命周期。第三步验证内存写入。Hermes 的“定期提醒”机制会在会话期间的设定间隔触发Agent 收到内部系统级提示回顾最近活动判断是否有内容值得持久化。你可以手动触发一次内存操作或者等提醒触发后检查文件cat ~/.hermes/memories/MEMORY.md cat ~/.hermes/memories/USER.md如果 Agent 判断某条信息重要它会通过内存工具写入这两个文件之一。注意字符数限制超了会被拒绝或需要替换。第四步验证会话搜索。每个会话写入 SQLite 并用 FTS5 索引检索结果在注入前会经过 LLM 摘要。你可以直接查数据库确认记录存在sqlite3 ~/.hermes/state/sessions.db \ SELECT id, substr(content,1,80) FROM sessions ORDER BY rowid DESC LIMIT 5;如果表名和字段名和你本地不一致用.tables和.schema先看一眼。FTS5 的虚拟表通常叫sessions_fts之类查询时用MATCH语法。第五步验证技能创建。当一次任务满足触发条件——五次或更多工具调用、从错误中恢复、用户纠正、或者奏效的非明显工作流——Agent 会在~/.hermes/skills/下创建技能文件。你可以检查目录find ~/.hermes/skills -name SKILL.md -newer ~/.hermes/config.yaml技能文件遵循 agentskills.io 开放标准包含名称、描述、步骤和工具引用。Agent 默认用patch而不是edit来更新技能只传旧字符串和替换字符串改动小、省 Token也不容易破坏已经能跑的内容。走完这五步你就有了一条可验证的端到端链路网关路由 → 推理调用 → 内存写入 → 会话持久化 → 技能沉淀。任何一环出问题都能单独定位。5. 常见报错与排查对照实际跑起来报错基本集中在几个地方。下面按真实错误信息对照排查每条都给出定位思路。401 Unauthorized。最常见的原因是 Key 没读到或写错了。先确认环境变量在当前 shell 里生效echo $TAOTOKEN_API_KEY。如果为空说明 export 没执行或者写在了别的配置文件里。Hermes 作为后台服务运行时环境变量需要在服务启动的环境里可见systemd 用户服务的话要写进 unit 文件的Environment或EnvironmentFile。另外检查 Key 有没有多余空格或换行。local proxy failed。这个通常出现在配置了本地代理或本地端点兜底时。如果你在inference.providers里放了本地端点但本地服务没启动切换过去就会失败。排查顺序先确认主端点是否真的不可用再确认本地端点进程是否在跑。如果不需要兜底把order里多余的项去掉避免误切。reading choices 相关报错。这类错误一般是响应结构不符合预期常见于 Base URL 拼错导致返回了 HTML 错误页而不是 JSON。检查 Base URL 是不是https://taotoken.net/api有没有多写/v1。另外确认请求头Content-Type: application/json带上了。OAuth 相关报错。如果你用的是需要 OAuth 的客户端或工具报错通常指向 token 过期或 scope 不足。这类问题不在推理端点本身而在客户端鉴权层。检查 token 刷新逻辑或者改用 API Key 方式调用。模型不存在 / model not found。Model ID 写错或者该模型在你的账号下没有权限。到控制台确认可用模型列表复制准确的标识。注意大小写和连字符很多模型 ID 对大小写敏感。内存写入被拒绝。MEMORY.md和USER.md总字符数超过 3575 时会写不进去。这时候需要先替换或删除旧内容而不是继续追加。这也是设计意图——逼你精选。技能加载不出来。检查~/.hermes/skills/下的目录结构SKILL.md是必需的文件名大小写要对。如果开了渐进式披露系统提示里只有摘要完整内容要等 Agent 判断相关才加载所以“看不到全文”不一定是 bug。会话搜索返回空。确认 FTS5 索引是否建立SQLite 文件路径是否和配置一致。如果刚写入还没索引可能需要等一轮或手动触发索引重建。排查时养成看日志的习惯。网关和 Agent 循环的关键阶段都会打日志任务 ID、API 调用、工具执行、内存操作这些都能对上。把日志和上面的错误对照表结合大部分问题十分钟内能定位。6. 把学习循环接进你的 Agent 工作流回到最开始的问题怎么让一个 Agent 越用越顺手同时不让 Token 成本失控。Hermes 给出的答案是分层——提示内存常开但严格限长会话搜索按需检索技能走渐进式披露用户建模可选。学习循环则负责把完成的工作流转成可复用技能用patch做增量更新。如果你要自己实现类似机制可以从最小闭环开始一个 SQLite 存档加 FTS5 索引做情景记忆一个技能目录做程序性记忆一个定期提醒触发内存精选。推理端点用统一通道收敛Base URL 指向https://taotoken.net/apiKey 走环境变量Model ID 按需切换。这样切换模型或排查鉴权问题时改动面很小。验证模型行为时可以到模型对话页面直接试长期跑编码或 Agent 任务Coding Plan 更合适接入和排障过程中需要的 Key 与文档分别在 API Keys 和接入文档里。把这几条链路分开管理比把所有东西塞进一个脚本里稳得多。最后留一个实用技巧每次改完config.yaml先跑一遍第 4 节的最小验证请求确认推理端点通、内存文件可写、会话能持久化再去跑复杂任务。这样出问题时你能确定是配置改动引入的而不是任务本身的复杂度。
1. 为什么单 Agent 的学习循环值得单独拆开看Hermes Agent 是 Nous Research 开源的一个单 Agent 运行时它和 OpenClaw 那类多 Agent 编排框架走的是两条路。OpenClaw 把能力分散到多个 Agent靠中央枢纽路由Hermes 只维护一个 Agent但让它跑得越久越顺手。这个“越用越强”不是靠改配置而是靠一套自动运行的学习循环把做过的事沉淀成可复用的技能再配合四层内存系统把上下文成本压住。如果你正在自建 AI Agent大概率遇到过两个尴尬一是会话之间上下文留不住每次都要重新交代背景二是把什么都塞进内存Token 账单一路涨。Hermes 的设计恰好卡在这两个痛点中间——它把“发生了什么”和“什么方法有效”分开存前者进 SQLite 会话存档后者进技能文件读取时机也完全不同。这篇不打算复述官方文档而是从网关协同的角度把学习循环和内存系统怎么串起来讲清楚。我会给出可复制的网关路由配置片段、内存读写验证步骤以及怎么用统一 Key/API 通道完成一次端到端调用验证。适合已经写过基础 Agent 循环、想进一步理解持久化与检索设计的开发者。读完之后你应该能自己搭一个最小可用的“学习 内存 网关”骨架而不是只停留在概念层。2. TaoToken 统一通道的前置准备在拆网关之前先把模型调用这条链路理顺。Hermes 的 Agent 循环里每一轮都会向推理端点发请求如果端点不稳定或者 Key 管理混乱学习循环和内存写入都会受影响。我自己的做法是把模型访问收敛到一个统一通道这样切换模型、排查 401 都只在一个地方改。TaoToken 在这里扮演的就是统一 Key/API 通道的角色。它的 API 地址是https://taotoken.net/api兼容 OpenAI 风格的调用方式所以 Hermes 里配置自定义 OpenAI 兼容端点时可以直接指向它。官网入口在https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end注册后到控制台生成 Key 即可。具体操作上你需要先拿到三样东西Base URL、API Key、Model ID。这三件套在后面的网关配置和验证步骤里都会反复出现建议先记下来。Base URL 用https://taotoken.net/apiKey 在控制台的 API Keys 页面创建Model ID 则根据你实际要调的模型填比如对话类或编码类模型各有对应的标识。这里有个容易踩的坑很多人把 Base URL 写成带/v1的完整路径结果请求拼出来变成/v1/v1/chat/completions。TaoToken 的 API 根地址就是https://taotoken.net/api客户端库通常会自动补/v1所以配置时不要再手动加。如果你用的是 Hermes 的hermes model向导选择“自定义 OpenAI 兼容端点”后基础 URL 填上面这个模型 ID 填你选定的模型标识。另外Key 不要硬编码进代码或提交到仓库。Hermes 支持从环境变量读取比如export TAOTOKEN_API_KEYyour_key_here然后在配置里引用这个变量名。这样网关服务重启、多平台适配器共享时Key 只维护一份。如果你后面要跑定时自动化环境变量方式也比写死在 cron 脚本里安全得多。前置准备做完你手上应该有一个可用的 Key、一个 Base URL、一个 Model ID。接下来进入网关配置把学习循环和内存系统的读写路径接上。3. 可复制的网关路由与内存配置片段Hermes 的网关是一个持久后台服务用hermes gateway启动负责消息传递、会话路由、交付、配对和定时触发。它把 CLI、Telegram、Discord、Slack 等平台的适配器汇入共享的会话路由层会话绑定的是 ID 而不是平台所以在 Telegram 上开始的对话可以在终端里继续。要让学习循环和内存系统经由网关协同核心是两处配置一是推理端点二是内存与技能的存储路径。下面这份config.yaml片段可以直接改改就用路径和字段名保持和 Hermes 一致。# ~/.hermes/config.yaml inference: providers: - name: taotoken base_url: https://taotoken.net/api api_key_env: TAOTOKEN_API_KEY model: your-model-id timeout: 60 - name: fallback-local base_url: http://127.0.0.1:11434/v1 model: local-model # 有序列表主端点失败时自动切换下一个 order: [taotoken, fallback-local] memory: prompt_files: - ~/.hermes/memories/MEMORY.md - ~/.hermes/memories/USER.md prompt_char_limit: 3575 session_db: ~/.hermes/state/sessions.db fts5: true skills: root: ~/.hermes/skills progressive_disclosure: true gateway: session_routing: id adapters: - cli - telegram cron_dir: ~/.hermes/cron这份配置里有几个点值得展开。inference.providers是一个有序列表Hermes 在会话中途如果主端点不可用会自动切到下一个回合生命周期不中断上下文也保持完整。这就是为什么把 TaoToken 放在第一位、本地端点作为兜底比较稳。memory.prompt_char_limit设成 3575这是 Hermes 对MEMORY.md和USER.md两个文件总字符数的硬限制。它故意设得紧是为了强制精选而不是无脑堆积。Agent 通过内存工具做三种操作添加、替换、删除。注意一个细节——会话期间对这两个文件的编辑只在下一个会话生效不会在对话中间立刻反映。skills.progressive_disclosure打开后系统提示里默认只放技能名称和简短摘要完整内容按需加载。这意味着你有 200 个技能和 40 个技能上下文成本差不多因为详细内容只在真正需要时才进上下文。如果你用 Claude Code 或 Cline 这类工具做辅助开发配置逻辑是相通的Base URL 填https://taotoken.net/apiKey 用环境变量Model ID 填你选的模型。三件套缺一不可尤其是 Model ID 写错会直接报模型不存在。配置写完后用hermes gateway启动服务。它会作为系统服务在后台跑关掉终端也不影响。启动日志里应该能看到适配器加载和会话路由初始化的信息。如果日志里出现local proxy failed或连接超时先检查 Base URL 和网络再确认 Key 是否有效。4. 验证请求与内存读写结果配置就位后别急着跑复杂任务先用一次最小请求验证整条链路。这一步的目的是确认网关能路由、推理端点能返回、内存文件能写入、会话能持久化。第一步验证推理端点。用 curl 直接打 TaoToken 的 API确认 Key 和 Model ID 没问题curl -s https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: your-model-id, messages: [{role: user, content: reply with ok}], max_tokens: 16 }返回里如果能看到choices数组和内容说明端点通了。如果返回 401检查 Key如果返回模型不存在检查 Model ID。第二步通过网关发一条消息触发 Agent 循环。在 CLI 适配器里输入一句简单指令比如让它执行一个终端命令。观察日志里是否出现任务 ID 生成、系统提示构建、API 调用、工具执行、结果追加这几个阶段。这就是run_agent.py里的回合生命周期。第三步验证内存写入。Hermes 的“定期提醒”机制会在会话期间的设定间隔触发Agent 收到内部系统级提示回顾最近活动判断是否有内容值得持久化。你可以手动触发一次内存操作或者等提醒触发后检查文件cat ~/.hermes/memories/MEMORY.md cat ~/.hermes/memories/USER.md如果 Agent 判断某条信息重要它会通过内存工具写入这两个文件之一。注意字符数限制超了会被拒绝或需要替换。第四步验证会话搜索。每个会话写入 SQLite 并用 FTS5 索引检索结果在注入前会经过 LLM 摘要。你可以直接查数据库确认记录存在sqlite3 ~/.hermes/state/sessions.db \ SELECT id, substr(content,1,80) FROM sessions ORDER BY rowid DESC LIMIT 5;如果表名和字段名和你本地不一致用.tables和.schema先看一眼。FTS5 的虚拟表通常叫sessions_fts之类查询时用MATCH语法。第五步验证技能创建。当一次任务满足触发条件——五次或更多工具调用、从错误中恢复、用户纠正、或者奏效的非明显工作流——Agent 会在~/.hermes/skills/下创建技能文件。你可以检查目录find ~/.hermes/skills -name SKILL.md -newer ~/.hermes/config.yaml技能文件遵循 agentskills.io 开放标准包含名称、描述、步骤和工具引用。Agent 默认用patch而不是edit来更新技能只传旧字符串和替换字符串改动小、省 Token也不容易破坏已经能跑的内容。走完这五步你就有了一条可验证的端到端链路网关路由 → 推理调用 → 内存写入 → 会话持久化 → 技能沉淀。任何一环出问题都能单独定位。5. 常见报错与排查对照实际跑起来报错基本集中在几个地方。下面按真实错误信息对照排查每条都给出定位思路。401 Unauthorized。最常见的原因是 Key 没读到或写错了。先确认环境变量在当前 shell 里生效echo $TAOTOKEN_API_KEY。如果为空说明 export 没执行或者写在了别的配置文件里。Hermes 作为后台服务运行时环境变量需要在服务启动的环境里可见systemd 用户服务的话要写进 unit 文件的Environment或EnvironmentFile。另外检查 Key 有没有多余空格或换行。local proxy failed。这个通常出现在配置了本地代理或本地端点兜底时。如果你在inference.providers里放了本地端点但本地服务没启动切换过去就会失败。排查顺序先确认主端点是否真的不可用再确认本地端点进程是否在跑。如果不需要兜底把order里多余的项去掉避免误切。reading choices 相关报错。这类错误一般是响应结构不符合预期常见于 Base URL 拼错导致返回了 HTML 错误页而不是 JSON。检查 Base URL 是不是https://taotoken.net/api有没有多写/v1。另外确认请求头Content-Type: application/json带上了。OAuth 相关报错。如果你用的是需要 OAuth 的客户端或工具报错通常指向 token 过期或 scope 不足。这类问题不在推理端点本身而在客户端鉴权层。检查 token 刷新逻辑或者改用 API Key 方式调用。模型不存在 / model not found。Model ID 写错或者该模型在你的账号下没有权限。到控制台确认可用模型列表复制准确的标识。注意大小写和连字符很多模型 ID 对大小写敏感。内存写入被拒绝。MEMORY.md和USER.md总字符数超过 3575 时会写不进去。这时候需要先替换或删除旧内容而不是继续追加。这也是设计意图——逼你精选。技能加载不出来。检查~/.hermes/skills/下的目录结构SKILL.md是必需的文件名大小写要对。如果开了渐进式披露系统提示里只有摘要完整内容要等 Agent 判断相关才加载所以“看不到全文”不一定是 bug。会话搜索返回空。确认 FTS5 索引是否建立SQLite 文件路径是否和配置一致。如果刚写入还没索引可能需要等一轮或手动触发索引重建。排查时养成看日志的习惯。网关和 Agent 循环的关键阶段都会打日志任务 ID、API 调用、工具执行、内存操作这些都能对上。把日志和上面的错误对照表结合大部分问题十分钟内能定位。6. 把学习循环接进你的 Agent 工作流回到最开始的问题怎么让一个 Agent 越用越顺手同时不让 Token 成本失控。Hermes 给出的答案是分层——提示内存常开但严格限长会话搜索按需检索技能走渐进式披露用户建模可选。学习循环则负责把完成的工作流转成可复用技能用patch做增量更新。如果你要自己实现类似机制可以从最小闭环开始一个 SQLite 存档加 FTS5 索引做情景记忆一个技能目录做程序性记忆一个定期提醒触发内存精选。推理端点用统一通道收敛Base URL 指向https://taotoken.net/apiKey 走环境变量Model ID 按需切换。这样切换模型或排查鉴权问题时改动面很小。验证模型行为时可以到模型对话页面直接试长期跑编码或 Agent 任务Coding Plan 更合适接入和排障过程中需要的 Key 与文档分别在 API Keys 和接入文档里。把这几条链路分开管理比把所有东西塞进一个脚本里稳得多。最后留一个实用技巧每次改完config.yaml先跑一遍第 4 节的最小验证请求确认推理端点通、内存文件可写、会话能持久化再去跑复杂任务。这样出问题时你能确定是配置改动引入的而不是任务本身的复杂度。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
