Skip to main content ホーム クリエイター 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%
インストールへ移動 Skills Marketplace コミュニティが作成したAIスキルを発見・探索
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/54laowang/hermes-agent --skill hierarchical-memory-systemコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
Zipをダウンロード ダウンロード中... 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()
