企业官网建设流程全解析

自改进引擎：学习循环的五步飞轮

为什么 Hermes 能"越用越好用"？秘密就在这个闭环里

引子：一个真实的故事

2026年3月，一位开发者分享了他的使用体验：

“第一周，Hermes帮我做代码巡检，每次都要我手动指出哪些问题该关注、哪些该忽略。第二周，它开始自动过滤掉我之前标记为’不重要’的警告。第三周，它甚至主动建议了一个我之前没想到的检查维度。到了第四周，我几乎不需要再纠正它了——它已经’学会’了我的巡检偏好。”

这不是魔法，而是 Hermes学习循环（Learning Loop）的实际运作效果。

传统 AI Agent 做完任务就结束了——你纠正了它的错误，下次新对话它可能犯同样的错。Hermes 做完任务后，会自动复盘、自动沉淀经验、自动改进后续行为——你纠正一次，它永远记住。

学习循环的核心逻辑

学习循环可以概括为五个环节，形成一条连续链路：

记忆策划 → Skill创建 → Skill改进 → 检索召回 → 用户建模 ↑ │ └──────────────────────────────────────────────┘ （闭环）

这五步不是并列功能，而是前后依赖的闭环。每一步的输出是下一步的输入，最后一步的输出又回到第一步——形成持续运转的飞轮。

用一个真实场景理解五步闭环

假设你让 Hermes 帮你做"每日代码巡检"。

第一轮：冷启动

步骤1：记忆策划
Hermes 没有相关记忆，从零开始执行巡检任务。它检查了所有代码变更，生成了一个包含50个问题的报告。

步骤2：Skill 创建
你指出"其中30个问题是lint警告，我不关心lint"。Hermes 识别到这个反馈有复用价值，自动创建了一个 Skill 草稿：daily_code_review，其中包含规则"过滤lint警告"。

步骤3：Skill 改进
你进一步指出"还有5个问题是测试覆盖率下降，这个我关心"。Hermes 把这个偏好写入 Skill，更新规则为"过滤lint警告，但关注测试覆盖率变化"。

步骤4：检索召回
下次巡检时，Hermes 自动检索到daily_code_reviewSkill，按规则过滤和排序问题。

步骤5：用户建模
Hermes 从多轮交互中提炼出你的偏好模型：“这个用户重视测试质量和安全性，不关心代码风格细节。”

第二轮：飞轮开始转动

记忆策划：Hermes 已经有了你的偏好模型，主动过滤掉 lint 警告，重点关注测试和安全性问题。报告从50个问题缩减到15个。

Skill 创建：你指出"安全漏洞的优先级应该高于测试覆盖率"。Hermes 更新 Skill，增加优先级排序规则。

Skill 改进：Skill 从"过滤+关注"升级为"过滤+关注+优先级排序"。

检索召回：下次巡检，报告不仅更精准，还自动按优先级排序。

用户建模：偏好模型进一步细化：“安全 > 测试 > 性能 > 风格”。

第三轮：飞轮加速

到了第三轮，你几乎不需要再纠正 Hermes 了。它已经"学会"了你的巡检偏好，自动按你的标准过滤、排序、推送报告。你只需要偶尔微调一下——比如新增一个关注维度——Hermes 会自动把这个微调写入 Skill 和偏好模型。

这就是学习循环的威力：不是每次从零开始，而是每次从上次的经验开始。飞轮越转越快，你的投入越来越少，系统的输出越来越精准。

五个环节拆解

环节一：记忆策划——不是全量记录，而是精准提炼

传统 AI 的记忆策略有两种极端：

• 全量记录：把所有对话塞进上下文窗口，窗口满了就截断。就像把每天的每一句话都记进日记——信息量大，噪音也大。
• 短期记忆：只保留当前对话的上下文，新对话从零开始。就像每次开会都假装第一次来——效率极低。

Hermes 的记忆策划走的是第三条路：精准提炼。

原始对话（大量信息） │ 记忆策划（筛选+提炼+结构化） ├── 关键决策 → 写入持久记忆 ├── 可复用方法 → 写入 Skill ├── 用户偏好 → 写入用户模型 └── 噪音信息 → 丢弃

核心原则：降低噪音，保留可复用信号。它像一个聪明的编辑——不是把所有素材都放进最终稿件，而是只选最有价值的部分。

环节二：Skill 创建——从经验到方法的自动化

当 Hermes 识别到某个反馈或操作模式有复用价值时，它会自动创建一个 Skill 草稿。

创建条件：

• 同一个问题被纠正 2 次以上
• 用户明确说"每次都这样做"
• 某操作模式在 3 次以上对话中出现

Skill 是"可执行的方法论"。不是一段代码，而是一份结构化的操作指南，告诉 AI：在什么场景下、按什么步骤、用哪些工具，完成什么任务。

环节三：Skill 改进——持续优化的能力

Skill 不是一次创建就固定不变的。Hermes 会在每次使用后评估效果，自动优化：

• 新增规则：用户的新偏好
• 调整优先级：用户显示出的偏好排序
• 删除规则：不再适用的旧规则
• 合并 Skill：相关 Skill 自动合并

环节四：检索召回——精准匹配上下文

当 Hermes 面对新任务时，它会自动检索最相关的 Skill 和记忆。检索策略：

• 语义匹配：基于语义相似度，找到最相关的 Skill
• 场景匹配：基于当前任务的上下文特征
• 时效性加权：近期使用的 Skill 权重更高

环节五：用户建模——从偏好到人格

这是最"智能"的一步。Hermes 不仅记住"你做了什么"，还提炼出"你是什么样的人"。

用户建模的输出包含：

• 偏好画像：你喜欢什么风格、关注什么维度
• 决策模式：你做决策时通常考虑哪些因素
• 知识边界：你擅长什么、不擅长什么
• 沟通习惯：你喜欢详细还是简洁、正式还是随意

飞轮效应：从量变到质变

学习循环的真正价值，在于时间的复利：

使用时间越长，你的投入越少，系统的表现越好。这是 Hermes 区别于所有其他 Agent 的核心差异。

写在最后

学习循环是 Hermes 的"灵魂"。没有它，Hermes 就是一个普通的 Agent 框架；有了它，Hermes 变成了一个能持续进化的 AI 伙伴。

但学习循环离不开两个关键支撑——记忆架构和Skill 系统。下一篇，我们深入记忆架构，看看 Hermes 如何用"三层记忆"实现从"金鱼"到"老友"的进化。

关注「AI拉呱」，一起探索 AI 技术的前沿落地。

本文是《Hermes Agent 从入门到精通》系列第4篇。