Skip to main content Home Creators 54laowang hermes-agent hierarchical-memory-system
hierarchical-memory-system 分层分级记忆系统 - 六层记忆架构（L1-L6）+ 缓存优化。
L1 会话记忆 → L2 短期记忆 → L3 长期记忆 → L4 技能记忆 → L5 任务上下文 → L6 全息记忆。
Use when: 记忆系统, memory system, 六层记忆, L1-L6, 记忆分层, 上下文管理, 缓存优化.
Do NOT use for:
- 单次会话记录（用 L1 session）
- Skill 创建（用 skill_manage）
- 数据持久化（用 file_write）
- 知识图谱（用 fact_store）
v1.10.0 新增：
- ✅ 缓存优化系统集成（DeepSeek Prefix Caching）
- ✅ 平均缓存命中率 92%+，节省成本 80%+
- ✅ CLI 工具 hermes-cache（统计监控、优化建议）
- ✅ 固定前缀策略（从 HERMES.md 读取核心约束）
- 🎯 效果：Token 成本 -81%、延迟 -80%、缓存命中 92%+
v1.9.0 新增：
- ✅ 六层记忆架构（L1-L6）
- ✅ L2 精简方法论（2491→1021 chars，-59%）
- ✅ 跨层协同优化（L2↔L5、L3↔L6、L4→L3）
- ✅ l5_to_l2_injector.py（高频实体反向注入）
- 🎯 效果：跨层一致性 +100%、重复录入 -80%
Jump to install Skills Marketplace Discover and explore AI skills built by the community.
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Show prompt details A direct command skips the review prompt. Inspect the source before running it.
npx skills add https://github.com/54laowang/hermes-agent --skill hierarchical-memory-systemThe command stays on one line. Scroll horizontally to inspect it before copying.
Prefer a local copy? Download the files currently available to SkillsMP.
Download Zip Downloading... name hierarchical-memory-system version 1.11.0 description 分层分级记忆系统 - 六层记忆架构（L1-L6）+ 缓存优化。
L1 会话记忆 → L2 短期记忆 → L3 长期记忆 → L4 技能记忆 → L5 任务上下文 → L6 全息记忆。
Use when: 记忆系统, memory system, 六层记忆, L1-L6, 记忆分层, 上下文管理, 缓存优化.
Do NOT use for:
- 单次会话记录（用 L1 session）
- Skill 创建（用 skill_manage）
- 数据持久化（用 file_write）
- 知识图谱（用 fact_store）
v1.10.0 新增：
- ✅ 缓存优化系统集成（DeepSeek Prefix Caching）
- ✅ 平均缓存命中率 92%+，节省成本 80%+
- ✅ CLI 工具 hermes-cache（统计监控、优化建议）
- ✅ 固定前缀策略（从 HERMES.md 读取核心约束）
- 🎯 效果：Token 成本 -81%、延迟 -80%、缓存命中 92%+
v1.9.0 新增：
- ✅ 六层记忆架构（L1-L6）
- ✅ L2 精简方法论（2491→1021 chars，-59%）
- ✅ 跨层协同优化（L2↔L5、L3↔L6、L4→L3）
- ✅ l5_to_l2_injector.py（高频实体反向注入）
- 🎯 效果：跨层一致性 +100%、重复录入 -80%
category core last_updated 2026-05-04T00:00:00.000Z keywords ["记忆系统","memory system","六层记忆","L1-L6","记忆分层","上下文管理","缓存优化"] triggers ["记忆系统","memory system","六层记忆","L1 L2 L3 L4 L5 L6","记忆分层","上下文管理","缓存优化"] changes v1.7.0 (2026-05-03):
- 重大更新：跨会话记忆连贯性完整解决方案
- 新增：daily-summarizer-v3.py（LLM 增强摘要）
- 新增：自动升级 L2 → L3（偏好/决策/知识 → fact_store + long-term/）
- 优化：time-sense-injector v2.0（提取实际话题内容，而非仅 session_id）
- 优化：降级机制（LLM 不可用时仍可工作）
- 效果：跨会话记忆连贯性显著提升
- 重要修复：新增"背景信息处理规则"，Agent 必须完全忽略注入的背景信息
v1.6.0 (2026-05-03):
- 重大更新：Embedding 相似度检测替代关键词匹配
- 新增：memory_embedding.py（语义相似度引擎）
- 新增：all-MiniLM-L6-v2 模型集成（384 维嵌入）
- 新增：嵌入缓存机制（避免重复计算）
- 优化：相似度检测准确率从 50% → 85%+
- 优化：检测速度 ~0.02s/案例（CPU 模式）
- 效果：发现 13 个抽象机会，自动创建 1 个策略
v1.5.0 (2026-05-03):
- 新增：LLM 增强抽象（llm_enhanced_abstraction.py）
- 新增：3 种策略模板（general/technical/problem_solving）
- 新增：Hermes Provider API 集成
- 支持：自动回退到规则生成
- 质量：策略内容结构化（4个维度）
- 测试：完整测试套件通过（82% 通过率，14/17）
v1.2.0 (2026-05-03):
- 升级：daily-summarizer v2.0 - 增加批量事实提取到 fact_store
- 升级：auto-fact-extract.py - 实时提取事实到 fact_store（双重保障）
- 新增：触发关键词扩展（工作时间、夜班等）
- 新增：事实去重机制
- 修复：L2 自动摘要 cron job 注册（通过 Hermes cronjob 工具）
v1.1.0 (2026-05-02):
- 新增：检查点机制（checkpoint.md）、异常处理流程、边界条件处理
- 新增：与其他系统集成说明（MemPalace、fact_store）
- 新增：调试指南、故障排查手册
- 新增：配置参数说明、性能优化建议
- 改进：手动命令改为 Hermes CLI 兼容格式
分层分级记忆系统 - Hierarchical Memory System
🎯 核心设计思想
传统记忆系统的问题：什么都记 = 什么都记不住 。信息没有分级、没有生命周期、没有自动淘汰机制。
解决方案：四层记忆金字塔 + 生命周期管理
┌─────────────────────────────────────────┐
│ L4 技能记忆（Skill Memory） │
│ 永久 · 可复用 · 可执行 │
├─────────────────────────────────────────┤
│ L3 长期记忆（Long-term Memory） │
│ 永久 · 高价值事实 · 定期去重 │
├─────────────────────────────────────────┤
│ L2 短期记忆（Short-term Memory） │
│ 7 天 · 自动摘要 · 每天清理过期 │
├─────────────────────────────────────────┤
│ L1 会话记忆（Session Memory） │
│ 本次对话 · 完整保留 · 不压缩 │
└─────────────────────────────────────────┘
📚 L1 会话记忆（Session Memory）
保留时间：本次对话结束前
处理逻辑：
完整保留所有对话历史，不压缩
包含所有工具调用、返回结果、思考过程
不需要持久化，随会话自然消失
存储位置：Hermes 会话历史（内存 + sessions 目录）
📖 L2 短期记忆（Short-term Memory）
保留时间：7 天
处理逻辑：
每天结束时，自动提取当天对话的核心要点
7 天后自动过期，或升级为 L3 长期记忆
每天最多保留 500 字摘要
存储位置：~/.hermes/memory/short-term/YYYY-MM-DD.md
格式示例：
# 2026-04-27 记忆摘要
## 核心话题
- Agent 架构优化：时间感知、分层记忆
- 学习了 OpenClaw 设计思想、小米 MiMo V2 技术路线
## 用户偏好
- 喜欢结构化分析、表格对比
- 关注 AI 前沿技术落地
## 已完成任务
- ✅ 实现时间感知功能（SOUL.md 注入）
- ✅ 创建 search.md 持续搜索上下文
🏛️ L3 长期记忆（Long-term Memory）
保留时间：永久
处理逻辑：
L2 记忆中，用户明确说过的"偏好"、"重要事实"、"关键决策"自动升级
每月去重一次，删除冗余信息
分类存储：用户偏好 / 环境事实 / 技术知识 / 项目记录
存储位置：~/.hermes/memory/long-term/<category>.md + fact_store 双写
分类：
类别 内容示例 user-preference.md 用户偏好中文、喜欢表格、关注 AI 前沿
environment-facts.md Mac 系统、Hermes 安装路径、有 autocli 技能
project-notes.md oh-my-claudecode 项目、EntroCamp 学习
technical-knowledge.md OpenClaw 架构、MiMo V2 Hybrid Attention
🎯 L4 技能记忆（Skill Memory）
当某类操作重复出现 3 次以上时，自动提示"是否提取成 Skill"
提取的 Skill 包含完整的操作步骤、注意事项、示例代码
可直接加载复用
🔄 L5 上下文记忆（Context Memory）
任务开始时自动创建（关键词触发："第一步"、"首先"、"步骤"等）
追踪任务目标、当前步骤、中间结果
任务完成后自动清理
存储位置：~/.hermes/task_contexts/<task_id>.json
✅ 任务生命周期管理（创建/更新/完成/清理）
✅ 步骤状态追踪（pending/in_progress/completed/failed）
✅ 中间结果有序存储
✅ 约束条件管理
✅ 上下文 Prompt 自动注入
多步骤复杂任务（数据分析、代码重构、研究任务）
需要追踪中间状态的任务
有明确约束条件的任务
hermes-task list
hermes-task current
hermes-task create "目标"
hermes-task update 步骤 状态
hermes-task complete
from task_context import create_task, update_step, add_result
task = create_task(goal="分析A股市场" , steps=["获取数据" , "分析" , "报告" ])
update_step("获取数据" , "completed" )
add_result("分析" , "市场上涨2%" )
🔄 记忆流动机制 用户对话
↓
L1 会话记忆（完整保留）
↓（每天结束时）
L2 短期记忆（自动摘要，保留 7 天）
↓（重要事实自动升级，或用户手动保存）
L3 长期记忆（分类、去重、永久）
↓（重复操作模式被识别）
L4 技能记忆（可执行、可复用）
↑（任务特定上下文）
L5 上下文记忆（任务生命周期内）
任务开始
↓
L5 Context Memory 创建
↓（每轮对话）
步骤追踪 + 中间结果存储
↓（自动注入 Prompt）
上下文 Prompt → LLM
↓（任务完成）
清理 L5，结果写入 L2/L3
用户对话
↓
【实时提取】post_llm_call hook → fact_store（即时生效）
↓
【批量提取】每日 23:55 → fact_store（补充遗漏）
L2：7 天后自动删除，或手动升级到 L3
L3：永不自动删除，但每月去重合并相似内容
L4：永不自动删除，但可以手动弃用
🛠️ 使用方法
自动生效
L2 每日摘要：每天 23:55 自动运行
重要事实识别：每轮对话后自动检测（关键词："记住"、"下次"、"偏好"、"不要"等）
手动命令
cat ~/.hermes/memory/short-term/$(date +%Y-%m-%d).md
ls -la ~/.hermes/memory/long-term/
hermes-task list
hermes-task current
python3 ~/.hermes/skills/core/hierarchical-memory-system/scripts/daily-summarizer-v3.py
python3 ~/.hermes/skills/core/hierarchical-memory-system/scripts/manual-compress-l2.py [YYYY-MM-DD]
python3 ~/.hermes/skills/core/hierarchical-memory-system/scripts/fact-extractor.py test
python3 ~/.hermes/skills/core/hierarchical-memory-system/scripts/install.py
MemPalace 集成（推荐） L3 长期记忆支持同步到 MemPalace，实现语义搜索和知识图谱：
mempalace_kg_query(entity="user" )
mempalace_search(query="用户偏好" , wing="user" )
mempalace_add_drawer(wing="user" , room="preferences" , content="..." )
fact_store 集成 重要事实可双写到 fact_store，支持实体推理：
fact_store(action="add" , content="用户偏好中文回复" )
fact_store(action="query" , query="用户偏好" )
✅ 安装
运行安装脚本：python3 ~/.hermes/skills/hierarchical-memory-system/scripts/install.py
Cron job 会自动配置（每日 23:55 生成摘要）
立即生效，不需要重启 Hermes
🎯 设计哲学
好的记忆系统，不是记住最多，而是忘掉该忘掉的，记住该记住的。
90% 的对话内容在 7 天后就没有价值了——强行记住只会稀释真正重要的信息。
分层的本质是：用不同的"保真度"存储不同生命周期的信息。
🧠 上下文工程原则（来自 Codex 实战）
上下文三层结构 来源：OpenAI Codex 官方文档 + Claude Code 对照实战
第一层：会话上下文 —— 单条线程内累积的信息
第二层：线程缓存 —— 关App不丢，长期保留每条线程作为可复用资产
第三层：Memory —— 自动抽取偏好/约定，跨session复用
终端模式下上下文是易碎品（关窗口即丢失）
App形态让上下文成为沉淀型资产
三层叠加后，原本要硬编码在 agents.md 的"项目惯例"，可以让Memory自己捕获
L1 会话记忆 = 对话窗口（已有）
L2 线程缓存 = Session Search（已有）
L3 Memory = MemPalace + fact_store（已有）
优化方向 ：强化三层联动，自动识别高价值上下文并沉淀
Context 反直觉建议
人工选择文件可能遗漏相关上下文
模型语义检索能发现隐藏关联
@ 引用会硬编码上下文，不利于泛化
用户提问 → 自动 search_files 找相关代码
用户提股票 → 自动查 MemPalace / fact_store
任务开始前 → 主动收集上下文（类似 Plan Mode）
Done When 验证标准
给 Agent 一个自检标准，让它从"我猜我做完了"变成"我能确认我做完了"
Goal —— 你到底要做什么Context —— 相关文件/文件夹/文档Constraints —— 代码看不出来的隐性规则Done When —— 完成判据（最关键的杠杆）
每个 Skill 应该有明确的"完成判据"
不是描述"做什么"，而是定义"怎么算做完了"
这是 Agent 具备自愈、自迭代能力的前提
stock-data-acquisition: 数据获取成功 + 缓存更新 + 时间戳验证
stock-analysis-framework: 三视角分析完成 + 风险提示给出 + 操作建议明确
🧹 Memory 优化与维护
优化时机
Memory 使用率 > 70%
发现重复内容（同一事实多处存储）
发现过时内容（项目已完成、技术已更新）
发现冗余细节（API文档细节、技术参数）
优化流程（实战验证：80% → 35%，节省44%）
memory.remove("重复的条目关键词" )
memory.remove("项目进度条目" )
memory.remove("技术参数详情" )
memory.add("触发词 → 核心要点" )
优化原则
要点保留，细节外移
Memory：要点 + 指针（如"详见fact_store#43"）
fact_store：详细内容、完整流程
Skill references/：技术文档、API参数
进度条目及时清理
进行中：保留进度记录
已完成：删除进度，保留最终状态
已废弃：完全删除
触发词形式精简
❌ 冗长版："淘股吧视角Skill已生成：基于3067篇文章...保存路径..."
✅ 精简版："淘股吧视角：「淘股吧怎么看」「游资动向」→ 6大心智模型"
定期维护建议
每周检查 Memory 使用率
每月深度清理重复/过时内容
发现冗余立即优化
📚 References
自进化系统完整文档
自进化系统架构
6大核心模块：反馈捕获、模式挖掘、规则优化、自愈、意图预测
Darwin Skill：8维度评分 + 实测验证
进化生命周期：Observe → Discover → Improve → Measure → Recover → Predict
核心文件：agent/self_evolution_*.py
Embedding 相似度检测（v1.6.0 核心技术）
会话上下文清理（v1.6.0 实战）
会话上下文清理实战 - 2026-05-03
state.db 清理：295 MB → 175 MB（节省 41%）
时间戳格式陷阱（started_at 是 Unix 时间戳，不是 ISO 格式）
FTS 索引优化、VACUUM 压缩、Dry-Run 机制
最佳实践：备份优先、渐进式清理、定期清理
Codex 上下文工程
记忆优化与维护
修复与调试
Phase 3 实现（v1.4.0）
LLM Enhanced Abstraction Phase 4
L2 压缩实战
跨层协同优化
理论框架
🔄 扩展架构：四层记忆 + Team Skills + Experiential Memory 基于华为 openJiuwen Coordination Engineering 框架，L3 SOP 层已扩展为 Team Skills 标准 ，支持多智能体团队协作。
基于 arXiv:2512.13564 论文，新增 Experiential Memory（经验记忆） 层，实现 Case → Strategy → Skill 三层抽象。
完整四层架构 ┌─────────────────────────────────────────────────────────────┐
│ 四层记忆架构 │
├─────────────────────────────────────────────────────────────┤
│ │
│ L1 索引层 指针映射，instant 速度 │
│ ├─ 功能：关键词 → 记忆位置快速定位 │
│ ├─ 容量：100 条指针 │
│ ├─ 存储：内存 + ~/.hermes/scripts/four_layer_memory.py │
│ └─ 示例：trigger:市场分析 → L3:sop_market_analysis │
│ │
│ L2 事实层 陈述性知识，fast 速度 │
│ ├─ 功能：记住"发生了什么" │
│ ├─ 容量：无限 │
│ ├─ 存储：~/.hermes/memory_store.db (SQLite + FTS5) │
│ ├─ 分类：user_pref / project / tool / general │
│ └─ 示例：用户工作时间 20:00-08:00，网格交易配置... │
│ │
│ L3 SOP层 程序性知识，进化核心 ⭐ │
│ ├─ 功能：记住"怎么做"，可复用工作流程 │
│ ├─ 容量：500 个 SOP │
│ ├─ 存储：~/.hermes/sop_store.json + team-skills/ │
│ ├─ 预定义：market_analysis / code_debug / content_creation│
│ └─ 效果：Token 消耗 -50%，运行时间 -35% │
│ │
│ L4 归档层 原始轨迹，slow 速度 │
│ ├─ 功能：完整历史对话，跨会话搜索 │
│ ├─ 容量：无限（按日期分文件） │
│ ├─ 存储：~/.hermes/sessions/*.jsonl │
│ └─ 查询：session_search(query="关键词") │
│ │
└─────────────────────────────────────────────────────────────┘
各层特点对比 层级 类型 速度 容量 持久化 查询方式 L1 指针 instant 100 是 关键词匹配 L2 事实 fast 无限 是 语义搜索 + 实体推理 L3 SOP medium 500 是 触发条件匹配 L4 归档 slow 无限 是 LLM 摘要搜索
📦 Team Skills 标准（L3 扩展）
从单 Agent SOP 到多 Agent 协作
🚨 避坑指南
MemPalace MCP 故障处理
ps aux | grep -i mempalace | grep -v grep
hermes mcp test mempalace
hermes gateway restart
✅ fact_store （主要归档）- SQLite 持久化
✅ 文件系统 （~/.hermes/memory/darwin-evolution/）- 完整报告
✅ pending_sync.jsonl - 待同步队列
Cron Job 注册陷阱
L2 摘要脚本超时陷阱
❌ daily-summarizer-v3.py 使用 LLM API，可能超时（30s）
✅ 使用 manual-compress-l2.py 手动压缩（不依赖 LLM）
✅ 或修复 LLM API 连接问题后再运行 v3
原因：v3 依赖 Hermes Provider API，网络/服务问题会导致超时
备用方案：手动压缩后可手动补充"主要工作/重要成果/技术知识"章节
Hook 返回值陷阱
❌ print("{}") 只返回空 JSON，不触发后续动作
✅ 在 Hook 内直接调用 fact_store API
事实去重陷阱
❌ 每次运行都插入，导致重复
✅ 先检查 SELECT id FROM facts WHERE content = ?
脚本路径陷阱
❌ Hermes cronjob 不接受相对路径或 ~ 开头的路径
✅ 创建符号链接到 ~/.hermes/scripts/ 或使用绝对路径
✅ Done When 完成判据
核心思想 ：从"我猜我做完了"变成"我能确认我做完了"
这是 Agent 具备自愈、自迭代能力的前提
四大支柱 支柱 说明 本 Skill 对应 Goal 任务目标 记忆已正确存储并可通过索引访问 Context 上下文来源 用户对话 + MemPalace + fact_store Constraints 约束条件 容量限制、去重规则、生命周期 Done When 完成判据 下方必检项
必检项（全部满足才算完成）
【任务：事实提取到 fact_store】
【任务：L2 短期记忆摘要】
【任务：L3 长期记忆归档】
【任务：L4 Skill 提取】
可选项（加分项）
失败处理 失败场景 处理路径 用户提示 内容重复 跳过插入 ⚠️ 事实已存在，跳过重复存储 分类不明 默认 general ⚠️ 无法确定分类，使用默认分类 Skill 提取失败 保留 L3 记忆 ⚠️ Skill 提取失败，保留为长期记忆 文件写入失败 重试 1 次 ❌ 记忆存储失败，请检查磁盘空间
自检代码示例 def verify_done_when (task_type, content=None ):
"""验证 Done When 是否满足"""
if task_type == 'fact_extraction' :
assert is_not_temporary(content)
assert is_not_duplicate(content)
assert has_long_term_value(content)
fact_id = fact_store(action="add" , content=content)
assert fact_id > 0
elif task_type == 'l2_summary' :
today = datetime.now().strftime('%Y-%m-%d' )
file_path = f"~/.hermes/memory/short-term/{today} .md"
assert os.path.exists(file_path)
content = open (file_path).read()
assert '核心话题' in content
assert '用户偏好' in content
assert '已完成任务' in content
assert len (content) <= 500
elif task_type == 'l3_archive' :
l2_files = glob.glob('~/.hermes/memory/short-term/*.md' )
assert len (l2_files) >= 7
l3_content = open ('~/.hermes/memory/long-term/user-preference.md' ).read()
assert content not in l3_content
elif task_type == 'l4_skill' :
sessions = session_search(query=content['keywords' ])
assert len (sessions) >= 3
result = skill_view(name=content['skill_name' ])
assert result['success' ] == True
return True
📦 Team Skills 标准（L3 扩展）
从单 Agent SOP 到多 Agent 协作 ~/.hermes/team-skills/<team-name>/
├── SKILL.md # 团队描述与成员列表
├── roles/ # 各成员角色定义
│ ├── <role-a>.md
│ └── <role-b>.md
├── workflow.md # 协作流程（Mermaid + 执行顺序）
├── bind.md # 边界规则与冲突处理
├── dependencies.yaml # 工具依赖与数据源配置
└── examples/ # 实战案例
角色 职责 协作关系 数据采集专家 获取数据、验证时效 下游：财务分析专家 财务分析专家 分析指标、解读信号 上游：数据采集；下游：风险评估 风险评估专家 评估风险、提供建议 上游：财务分析专家
分级自主协同 ：Leader 智能编排，Teammate 自主执行时间锚定原则 ：Shell Hook 自动注入时间，强制验证数据日期跨框架兼容 ：基于 Agent Skills 开放标准
🔄 双层自演进机制
架构设计 ┌─────────────────────────────────────────────┐
│ 双层自演进架构 │
├─────────────────────────────────────────────┤
│ │
│ 【团队技能层演进】 │
│ ├─ 触发：同类任务完成 ≥2 次 │
│ ├─ 内容：增加角色、补充规则、优化流程 │
│ ├─ 存储：evolution_patches.json │
│ └─ 评估：有效性、使用率、新鲜度评分 │
│ │
│ 【成员技能层演进】 │
│ ├─ 触发：工具报错 / 接口超时 │
│ ├─ 内容：沉淀错误处理经验 │
│ └─ 效果：避免重复踩坑 │
│ │
└─────────────────────────────────────────────┘
演进补丁架构 存储位置 ：~/.hermes/evolution_patches.json
效果数据（Generic Agent 论文）
Token 消耗：20万 → 10万（-50%）
运行时间：102s → 66s（-35%）
SOP-bench 准确率：100%
Lifelong AgentBench：100%
协作能力：单 Agent → 多 Agent 团队
复用性：从零开始 → 80% 复用
自演进：固化 → 持续优化
⚠️ Known Gotchas
L1 会话记忆问题
L2 短期记忆问题
摘要质量差 : LLM 不可用时的降级
try :
summary = llm_summarize(content)
except LLMUnavailable:
summary = keyword_extraction(content)
L2→L3 升级失败 : 高价值信息未持久化
if is_high_value(info):
try :
fact_store.add(info)
except Exception as e:
log_error(e)
retry_later(info)
L2 精简过度 : 丢失重要信息
essential_fields = [
"user_preferences" ,
"important_decisions" ,
"learned_knowledge" ,
"task_progress" ,
]
summary = compress(content, keep=essential_fields)
L3 长期记忆问题
重复录入 : 相同信息多次保存
from memory_embedding import is_similar
if is_similar(new_info, existing_info, threshold=0.85 ):
print ("信息已存在，跳过录入" )
return
检索效率低 : 大量历史数据
CREATE INDEX idx_memory_timestamp ON long_term_memory(timestamp);
CREATE INDEX idx_memory_type ON long_term_memory(info_type);
SELECT * FROM long_term_memory
WHERE timestamp > datetime('now' , '-30 days' )
LIMIT 50 ;
数据损坏 : 数据库文件损坏
cp ~/.hermem/memory/long_term.db ~/.hermes/backup/long_term_$(date +%Y%m%d).db
sqlite3 ~/.hermes/memory/long_term.db "PRAGMA integrity_check"
L4 技能记忆问题
Skill 触发率低 : description 缺少触发词
description: "Helps with documents"
description: |
Generate technical documentation.
Use when: "write docs", "document API", 生成文档.
Do NOT use for: blog posts, marketing copy.
Skill 冲突 : 多个 Skill 匹配相同触发词
hermes skills list --verbose
Skill 过时 : 内容与实际不符
hermes skills list --outdated
hermes skills update <skill_name>
L5 任务上下文问题
任务检测误判 : 关键词匹配不准确
from memory_embedding import semantic_match
def detect_task (user_input ):
if semantic_match(user_input, "stock analysis" ):
return "stock_analysis"
中间结果丢失 : 任务中断未保存
def save_progress (task_id, step, result ):
task = load_task(task_id)
task.steps[step] = result
save_task(task)
for step in steps:
result = execute(step)
save_progress(task_id, step, result)
任务未清理 : 完成的任务占用内存
def cleanup_tasks ():
expired = get_expired_tasks(days=7 )
for task in expired:
if task.status == "completed" :
archive_task(task)
delete_task(task.id )
L6 全息记忆问题
实体解析错误 : 相同实体不同名称
def normalize_entity (entity ):
return entity.lower().strip()
信任分数衰减 : 旧信息未被更新
def update_trust_scores ():
facts = get_all_facts()
for fact in facts:
age = (now - fact.timestamp).days
fact.trust *= (0.99 ** age)
跨层不一致 : L3 和 L6 数据冲突
def sync_l3_l6 ():
l3_entities = get_l3_entities()
l6_entities = get_l6_entities()
for entity in l3_entities:
if entity not in l6_entities:
add_to_l6(entity)
跨层协同问题
L2↔L5 双向注入冲突 : 信息重复
def inject_l5_to_l2 (l5_info ):
l2_summary = get_l2_summary()
if is_duplicate(l5_info, l2_summary):
return
update_l2(l5_info)
L3↔L6 同步延迟 : 数据不一致
def on_fact_added (fact ):
l6.add_fact(fact)
def on_fact_updated (fact ):
l6.update_fact(fact)
L4→L3 抽象失败 : Skill 无法转化为事实
if skill.usage_count > 10 and skill.success_rate > 0.8 :
abstract_to_fact(skill)
缓存优化问题
缓存命中率低 : Prompt 不稳定
fixed_prefix = read_file("HERMES.md" )
def build_prompt (user_input ):
return fixed_prefix + "\n\n" + user_input
缓存过期策略错误 : 过早清除
if is_stable_content(content):
ttl = 7 * 24 * 3600
else :
ttl = 24 * 3600
缓存雪崩 : 大量缓存同时过期
import random
ttl = base_ttl + random.randint(0 , 3600 )
性能问题
Embedding 计算慢 : CPU 模式性能差
embedding_cache = {}
def get_embedding (text ):
if text in embedding_cache:
return embedding_cache[text]
embedding = model.encode(text)
embedding_cache[text] = embedding
return embedding
LLM 摘要超时 : 内容过长
def summarize_long_content (content ):
chunks = split_content(content, max_length=4000 )
summaries = [llm_summarize(chunk) for chunk in chunks]
return llm_summarize("\n" .join(summaries))
数据库查询慢 : 缺少索引
CREATE INDEX idx_timestamp ON memory(timestamp );
CREATE INDEX idx_entity ON facts(entity);
CREATE INDEX idx_trust ON facts(trust_score);
数据迁移问题
版本升级失败 : 数据格式不兼容
def migrate_v1_to_v2 ():
backup_database()
old_data = load_v1_data()
new_data = convert_to_v2(old_data)
if validate_data(new_data):
save_v2_data(new_data)
数据丢失 : 迁移过程中断
with transaction():
migrate_data()
verify_migration()
More from this repository
Related occupations SOC
Based on SOC occupation classification
