Hermes Agent 分析師養成記 · 第七篇（終篇）:它是怎麼把自己變得更強的
整理版優先睇
GEPA引擎係Hermes自我進化核心，透過三層積累令Agent越用越強
呢篇文章係Hermes Agent分析師養成記嘅第七篇，亦係終篇。作者努力撞蘑菇AI一直專注AI Agent深度實踐，佢喺呢一系列拆解咗Hermes嘅六層能力：記憶、技能、沙箱、Jupyter內核、子代理、定時調度。每一篇都指出Hermes唔係只係執行任務，而係會積累經驗。但積累本身唔會自動發生——需要一套機制，喺每次任務完成後將經驗沉澱落嚟，變成下次更快、更準嘅能力。呢個就係GEPA引擎要做嘅事。
GEPA全稱Generative Experience and Procedural Accumulation，即係生成式經驗與程序性積累。佢嘅核心思路係將「經驗」拆成三種類型，分別存到唔同層次：情境記憶記錄做過嘅任務類型、工具順序、錯誤同解決方法；程序性技能將做法固化為可複用嘅技能文件；用戶模型透過觀察用戶行為自動推斷偏好同工作習慣。呢三層積累令Hermes唔係由頭開始，而係越用越瞭解用戶。
GEPA唔係一個獨立模塊，而係貫穿所有模塊嘅學習層——佢將六個模塊產生嘅數據同經驗，轉化成下次更好嘅執行能力。短期內感受唔明顯，但用耐咗就會發現技能庫入面有你項目專屬嘅分析流程，記憶入面有你嘅數據結構偏好，用戶模型入面有你嘅工作習慣。呢種「越用越好」嘅特性，正正係「The Agent That Grows With You」嘅真正含義：佢唔係因為你教佢而變強，係因為觀察你而變強。
- GEPA引擎將經驗分成三層積累：情境記憶、程序性技能、用戶模型，係Hermes自我進化嘅核心。
- 情境記憶記錄每次任務嘅類型、工具順序、錯誤同解決方法，下次類似任務可以快速檢索。
- 程序性技能透過skill-creator自動提煉做法結構，生成可複用嘅Markdown技能文件，支援/trigger呼叫。
- 用戶模型透過Honcho dialectic觀察用戶行為模式，自動推斷偏好並更新，無需手動配置。
- 技能有自我改進閉環：根據真實使用軌跡更新技能文件；RL訓練支持將執行軌跡轉化為微調數據，實現更深層進化。
內容片段
任務執行完成 ↓GEPA 分析執行軌跡 ↓提煉出「做法的結構」（不是某次具體的結果） ↓生成結構化的 Markdown 技能文件 ↓寫入技能庫，賦予 /trigger 命令 ↓下次同類任務：直接 /觸發技能，無需重新描述GEPA引擎係咩？
GEPA，全稱
生成式經驗與程序性積累
，係Hermes整個自我進化機制嘅核心架構。佢回答嘅問題得一個：「一個Agent完成咗一百次任務，佢同完成咗一次任務時，有咩實質性嘅唔同？」
普通AI工具嘅答案係：冇唔同。每次對話由頭開始，冇記憶，冇沉澱，昨日教過佢嘅嘢今日要重新教。GEPA嘅答案係：完全不同。每一次任務都係一次學習機會，經驗喺三個層面上被結構化咁積累落嚟。
三層積累：情境記憶、程序性技能、用戶模型
- 1 情境記憶（Episodic Memory）：「你做過咩，結果點樣」。每次任務完成後，GEPA提取關鍵信息：任務類型、用咗咩工具、順序、邊步出錯、點解決、最終輸出質量。下次遇到類似任務，Hermes會先查「我做過類似嘅事嗎？點做的？」
- 2 程序性技能（Procedural Skills）：「點樣做」。當Hermes完成一個複雜任務，GEPA會評估解法有冇足夠通用性，值得提煉成技能。佢會自動觸發skill-creator流程：分析執行軌跡 → 提煉做法結構 → 生成Markdown技能文件 → 寫入技能庫 → 賦予/trigger命令。下次同類任務直接觸發技能，無需重新描述。
- 3 用戶模型（User Model）：「你係邊個、你習慣點工作」。呢個係利用Honcho dialectic核心能力，每次對話中觀察你的行為模式，推斷偏好，自動更新模型。例如你總係先睇分佈再睇趨勢，Hermes會默認咁做；你唔鍾意超過200字嘅報告摘要，Hermes會記低。呢啲唔係手動配置，係Hermes從你嘅行為入面推斷出嚟。
呢個用戶模型機制嘅技術名稱係
Honcho dialectic
，係Hermes同Honcho集成後嘅核心能力。
「The Agent That Grows With You」真正含義：佢唔係因為你教佢而變強，係因為觀察你而變強。
技能嘅自我改進：進化閉環
最初嘅技能係透過
skill-creator
流程生成嘅。但光係生成仲唔夠，如果從來唔更新，好快就會過時。GEPA入面有一個專門機制處理呢件事：
技能使用軌跡追蹤
。每次調用某個技能時，系統會記錄：呢次調用成功咗未？有冇需要手動修正嘅步驟？最終輸出同預期差幾多？
當一個技能被調用足夠多次，而且有足夠多嘅修正記錄時，GEPA會觸發
skill-updater
流程，基於真實使用數據重新改寫技能文件。呢個係一個完整嘅閉環：技能被創建 → 被使用多次 → 軌跡積累 → GEPA分析偏差同改進點 → 技能文件更新 → 下次調用更準更快。
對於開發者嚟講，GEPA仲有一層更深嘅能力：
強化學習訓練數據生成
。Hermes內置Atropos環境，可以將Agent執行軌跡（邊啲決策導向好結果，邊啲冇）轉換成強化學習訓練數據。呢啲數據可以用嚟微調更專門化嘅模型，令模型更懂你嘅業務場景。
用Agent系統收集訓練數據，再用訓練數據改進Agent底層模型——呢個閉環喺更深層面實現。
GEPA同前六篇嘅關係
到呢度，可以將整個系列串埋一齊睇：
記憶系統、技能系統、代碼執行沙箱、Jupyter內核、子代理系統、定時調度
分別係GEPA情境記憶層嘅存儲介質、程序性積累層嘅存儲介質、收集執行軌跡嘅環境、收集探索性軌跡嘅環境、並行積累多個任務經驗嘅結構、同埋喺無人監管時持續運行持續積累嘅機制。
GEPA唔係一個獨立模塊，而係貫穿所有模塊嘅學習層。佢將六個模塊產生嘅數據同經驗，轉化成下次更好嘅執行能力。可以用一個更直觀嘅比喻：前六篇嘅機制係Hermes嘅肌肉；
GEPA係Hermes嘅神經可塑性
。
最後講一件反直覺嘅事：
GEPA驅動嘅進化，短期內感受唔明顯
。你第一日用Hermes，佢係一個有記憶、有技能、能跑代碼嘅Agent。你用咗三個月，佢先開始真正「懂你」。呢個同大多數工具係反向嘅：大多數工具第一日體驗最好（新鮮感），然後進入平台期；GEPA驅動嘅Hermes係越用越好——但前提係你真係在用，唔係偶爾問一次問題。
頭六篇，我哋拆解咗 Hermes 嘅六層能力：
記憶、技能、沙箱、Jupyter 內核、子代理、定時調度。
每一篇嘅結論都指向同一件事：Hermes 唔單止執行任務，佢仲喺度累積。
但係累積本身唔會自動發生——需要有套機制，喺每次任務完成之後，將經驗沉澱落嚟，變成下次更快、更準嘅能力。
呢個就係 GEPA 引擎要做嘅嘢。
GEPA 係乜嘢
GEPA，全稱 Generative Experience and Procedural Accumulation——生成式經驗與程序性累積。
呢個係 Hermes 成個自我進化機制嘅核心架構，亦都係 Hermes 口號「The Agent That Grows With You」最底層嘅支撐。
佢回答嘅問題得一個：
“一個 Agent 完成咗一百次任務，佢同完成咗一次任務時，有乜嘢實質性嘅分別？
普通 AI 工具嘅答案係：冇分別。 每次對話由零開始，冇記憶，冇沉澱，噚日教過佢嘅嘢今日要重新教。
GEPA 嘅答案係：完全唔同。 每一次任務都係一個學習機會，經驗喺三個層面上被結構化咁累積落嚟。
三層累積：GEPA 嘅工作機制
GEPA 嘅核心思路係將「經驗」拆成三種類型，分別存到唔同嘅層裏面：
第一層：情境記憶（Episodic Memory）
呢個係最直接嘅累積——你做過啲乜嘢，結果點樣。
每次任務執行完成之後，GEPA 唔係簡單噉將對話存檔，而係提取關鍵信息：
呢個任務嘅類型係乜嘢 用咗邊啲工具、按乜嘢順序 邊一步出咗問題、點樣解決嘅 最終嘅輸出質量點樣
呢啲資訊以結構化嘅方式寫入記憶系統。下次遇到類似任務，Hermes 唔係由空白開始推理，而係先查「我做過類似嘅事嗎？點樣做㗎？」
呢個就係第一篇講嘅記憶系統——GEPA 賦予咗佢意義：記憶唔止係「你講過啲乜」，而係「你哋一齊做過啲乜、學到啲乜」.
第二層：程序性技能（Procedural Skills）
呢個係累積最有形嘅部分——將做法固化成為可複用嘅技能文件。
當 Hermes 完成一個複雜任務時，GEPA 會評估：
“呢個任務嘅解法，係唔係有足夠嘅通用性，值得提煉成一個技能？
如果係，佢會自動觸發 skill-creator 流程：
任務執行完成
↓
GEPA 分析執行軌跡
↓
提煉出「做法的結構」（不是某次具體的結果）
↓
生成結構化的 Markdown 技能文件
↓
寫入技能庫，賦予 /trigger 命令
↓
下次同類任務：直接 /觸發技能，無需重新描述
注意一個細節：GEPA 提煉嘅係「做法嘅結構」，而唔係「某次任務嘅結果」。呢個係程序性記憶同情境記憶嘅本質區別——前者係「點樣做」，後者係「做過啲乜」.
用人類學習嚟類比：你學踩單車，踩嘅次數越多，「點樣保持平衡」呢個技能就越嚟越熟練——呢個係程序性記憶。但你唔需要每次都記起「第一次踩單車喺邊度」——嗰啲係情境記憶，兩者分開儲存，各司其職。
第三層：用戶模型（User Model）
呢個係最隱性、亦都最深遠嘅一層累積——Hermes 喺持續建立一個關於「你係邊個、你習慣點樣工作」嘅模型。
呢個機制嘅技術名稱叫 Honcho dialectic，係 Hermes 同 Honcho 集成之後嘅核心能力。
佢做嘅嘢係：喺每次對話中，觀察你嘅行為模式，推斷你嘅偏好，更新用戶模型。具體嚟講：
你總係喺拎到數據之後先睇分佈，再睇趨勢——Hermes 開始默認俾你分佈圖先 你唔鍾意超過200字嘅報告摘要——Hermes 將呢條寫入記憶 你提到某個字段時習慣用縮寫——Hermes 記住呢個映射 你喺禮拜一上午嘅任務通常係週報類型——Hermes 開始預加載相關技能
呢啲唔係你手動配置嘅——係 Hermes 由你嘅行為裏面推斷出嚟的。
呢個亦都係「The Agent That Grows With You」真正嘅含義：佢唔係因為你教佢而變強，而係因為觀察你而變強。
技能嘅自我改進：GEPA 嘅進化閉環
淨係「生成技能」係唔夠嘅。生成嘅技能如果從來唔更新，好快就會過時。
GEPA 裏面有一個專門嘅機制處理呢件事：技能使用軌跡追蹤。
每次調用某個技能時，系統會記錄：
呢次調用成功咗未？ 有冇需要手動修正嘅步驟？ 最終輸出同預期偏差幾大？
當一個技能被調用足夠多次、而且有足夠多嘅修正記錄時，GEPA 會觸發 skill-updater 流程，基於真實使用數據重新改寫技能文件。
呢個係一個完整嘅閉環：
技能被創建
↓
技能被使用（多次）
↓
使用軌跡積累
↓
GEPA 分析偏差與改進點
↓
技能文件被更新
↓
下次調用：更準、更快
關鍵在於：改進嘅依據係真實嘅使用數據，唔係猜測。 技能唔係喺理論上被優化，而係喺你實際用佢完成任務嘅過程中被打磨嘅。
RL 訓練支持：研究向嘅嗰一層
如果你係開發者，GEPA 仲有一層更深嘅能力：強化學習訓練數據生成。
Hermes 內置咗 Atropos 環境支持——佢可以將 Agent 嘅執行軌跡（邊啲決策帶嚟好結果，邊啲冇）轉換成強化學習嘅訓練數據。
呢個意味住乜嘢？
你可以用 Hermes 處理真實任務，然後將呢啲任務嘅軌跡導出，用嚟微調一個更專門嘅模型。呢個模型比通用嘅 LLM 更瞭解你嘅業務場景，因為佢嘅訓練數據嚟自你嘅真實工作。
呢個係 Nous Research 嘅研究基因喺工程裏面留低嘅痕跡：用 Agent 系統收集訓練數據，再用訓練數據改進 Agent 底層嘅模型。 閉環喺更深嘅層面上實現咗。
當然，對大部份「分析師」用戶嚟講，唔需要觸及呢一層——GEPA 嘅前三層累積已經夠用。呢一層更加係俾想做 Agent 研究嘅開發者準備嘅。
GEPA 同前六篇嘅關係
到呢度，可以將成個系列串起嚟睇：
記憶系統 ← GEPA 情境記憶層的存儲介質
技能系統 ← GEPA 程序性積累層的存儲介質
代碼執行沙箱 ← GEPA 收集執行軌跡的環境
Jupyter 內核 ← GEPA 收集探索性軌跡的環境
子代理系統 ← GEPA 並行積累多個任務經驗的結構
定時調度 ← GEPA 在無人監管時持續運行、持續積累的機制
GEPA 唔係一個獨立嘅模塊，佢係貫穿所有模塊嘅學習層——將六個模塊產生嘅數據同經驗，轉化成下次更好嘅執行能力。
可以用一個更直觀嘅方式理解兩者嘅關係：
“前六篇嘅機制，係 Hermes 嘅肌肉——佢決定 Hermes 能做啲乜、能做幾快。
GEPA 係 Hermes 嘅神經可塑性——佢決定呢啲肌肉能唔能夠喺使用中變得更強。
一個需要時間嘅系統
最後講一件反直覺嘅事。
GEPA 驅動嘅進化，喺短期內感受唔明顯。
你第一日用 Hermes，佢係一個有記憶、有技能、能跑代碼嘅 Agent。你用咗三個月，佢先開始真正「懂你」——技能庫裏面有你項目專屬嘅分析流程，記憶裏面有你嘅數據結構偏好，用戶模型裏面有你嘅工作習慣。
呢個同大部份工具係相反嘅：大多數工具第一日體驗係最好嘅（新鮮感），然後進入平台期。GEPA 驅動嘅 Hermes 係越用越好——但前提係你真係用緊，唔係偶爾嚟問一次問題。
呢個亦都解釋咗「The Agent That Grows With You」呢句話入面，最重要嘅兩個字唔係「Grows」，而係 「With You」。
佢嘅成長，唔係自己發生嘅。係同你一齊發生嘅。
系列小結
七篇寫完曬，回頭睇成個系列：
每一層都喺回答同一個更大嘅問題：
點解叫「分析師」，而唔係「分析工具」？
工具唔會記住你。工具唔會主動學習。工具唔會因為同你合作三個月而變得更瞭解你嘅業務。
Hermes 設計上想做到嘅，係後者。
至於佢做到咗幾多——取決於你用佢做咗幾多真實嘅嘢。
前六篇，我們拆解了 Hermes 的六層能力：
記憶、技能、沙箱、Jupyter 內核、子代理、定時調度。
每一篇的結論都指向同一件事：Hermes 不只是執行任務，它在積累。
但積累本身不是自動發生的——需要有一套機制，在每次任務完成後，把經驗沉澱下來，變成下次更快、更準的能力。
這就是 GEPA 引擎要做的事。
GEPA 是什麼
GEPA，全稱 Generative Experience and Procedural Accumulation——生成式經驗與程序性積累。
這是 Hermes 整個自我進化機制的核心架構，也是 Hermes 口號「The Agent That Grows With You」最底層的支撐。
它回答的問題只有一個：
“一個 Agent 完成了一百次任務，它和完成了一次任務時，有什麼實質性的不同？
普通 AI 工具的答案是：沒有不同。 每次對話從零開始，沒有記憶，沒有沉澱，昨天教過它的東西今天要重新教。
GEPA 的答案是：完全不同。 每一次任務都是一次學習機會，經驗在三個層面上被結構化地積累下來。
三層積累：GEPA 的工作機制
GEPA 的核心思路是把「經驗」拆成三種類型，分別存到不同的層裏：
第一層：情境記憶（Episodic Memory）
這是最直接的積累——你做過什麼，結果怎樣。
每次任務執行完成後，GEPA 不是簡單地把對話存檔，而是提取關鍵信息：
這個任務的類型是什麼 用了哪些工具、按什麼順序 哪一步出了問題、怎麼解決的 最終的輸出質量如何
這些信息以結構化的方式寫入記憶系統。下次遇到類似任務，Hermes 不是從空白開始推理，而是先查「我做過類似的事嗎？怎麼做的？」
這就是第一篇裏說的記憶系統——GEPA 賦予了它意義：記憶不只是「你說過什麼」，而是「你們一起做過什麼、學到了什麼」。
第二層：程序性技能（Procedural Skills）
這是積累最有形的部分——把做法固化成可複用的技能文件。
當 Hermes 完成一個複雜任務時，GEPA 會評估：
“這個任務的解法，是不是有足夠的通用性，值得提煉成一個技能？
如果是，它會自動觸發 skill-creator 流程：
任務執行完成
↓
GEPA 分析執行軌跡
↓
提煉出「做法的結構」（不是某次具體的結果）
↓
生成結構化的 Markdown 技能文件
↓
寫入技能庫，賦予 /trigger 命令
↓
下次同類任務：直接 /觸發技能，無需重新描述
注意一個細節：GEPA 提煉的是「做法的結構」，而不是「某次任務的結果」。這是程序性記憶和情境記憶的本質區別——前者是「怎麼做」，後者是「做過什麼」。
用人類學習來類比：你學騎自行車，騎的次數越多，「如何保持平衡」這個技能越來越熟練——這是程序性記憶。但你不需要每次都想起「第一次騎車是在哪裏」——那是情境記憶，兩者分開存儲，各司其職。
第三層：用戶模型（User Model）
這是最隱性、也最深遠的一層積累——Hermes 在持續建立一個關於「你是誰、你習慣怎麼工作」的模型。
這個機制的技術名稱叫 Honcho dialectic，是 Hermes 與 Honcho 集成後的核心能力。
它做的事情是：在每次對話中，觀察你的行為模式，推斷你的偏好，更新用戶模型。具體來說：
你總是在拿到數據後先看分佈，再看趨勢——Hermes 開始默認先給你分佈圖 你不喜歡超過200字的報告摘要——Hermes 把這條寫進記憶 你提到某個字段時習慣用縮寫——Hermes 記住這個映射 你在週一上午的任務通常是週報類型——Hermes 開始預加載相關技能
這不是你手動配置的——是 Hermes 從你的行為裏推斷出來的。
這也是「The Agent That Grows With You」真正的含義：它不是因為你教它而變強，而是因為觀察你而變強。
技能的自我改進：GEPA 的進化閉環
光是「生成技能」還不夠。生成的技能如果從來不更新，很快就會過時。
GEPA 裏有一個專門的機制處理這件事：技能使用軌跡追蹤。
每次調用某個技能時，系統會記錄：
這次調用成功了嗎？ 有沒有需要手動修正的步驟？ 最終輸出和預期有多大偏差？
當一個技能被調用足夠多次、且有足夠多的修正記錄時，GEPA 會觸發 skill-updater 流程，基於真實使用數據重新改寫技能文件。
這是一個完整的閉環：
技能被創建
↓
技能被使用（多次）
↓
使用軌跡積累
↓
GEPA 分析偏差與改進點
↓
技能文件被更新
↓
下次調用：更準、更快
關鍵在於：改進的依據是真實的使用數據，不是猜測。 技能不是在理論上被優化，而是在你實際用它完成任務的過程中被打磨的。
RL 訓練支持：研究向的那一層
如果你是開發者，GEPA 還有一層更深的能力：強化學習訓練數據生成。
Hermes 內置了 Atropos 環境支持——它可以把 Agent 的執行軌跡（哪些決策導向了好的結果，哪些沒有）轉換成強化學習的訓練數據。
這意味着什麼？
你可以用 Hermes 處理真實任務，然後把這些任務的軌跡導出，用來微調一個更專門化的模型。這個模型比通用的 LLM 更懂你的業務場景，因為它的訓練數據來自你的真實工作。
這是 Nous Research 的研究基因在工程裏留下的痕跡：用 Agent 系統收集訓練數據，再用訓練數據改進 Agent 底層的模型。 閉環在更深的層面上實現了。
當然，對大多數「分析師」用戶來說，不需要觸達這一層——GEPA 的前三層積累已經夠用了。這一層更多是給想做 Agent 研究的開發者準備的。
GEPA 和前六篇的關係
到這裏，可以把整個系列串起來看了：
記憶系統 ← GEPA 情境記憶層的存儲介質
技能系統 ← GEPA 程序性積累層的存儲介質
代碼執行沙箱 ← GEPA 收集執行軌跡的環境
Jupyter 內核 ← GEPA 收集探索性軌跡的環境
子代理系統 ← GEPA 並行積累多個任務經驗的結構
定時調度 ← GEPA 在無人監管時持續運行、持續積累的機制
GEPA 不是一個獨立的模塊，它是貫穿所有模塊的學習層——把六個模塊產生的數據和經驗，轉化成下次更好的執行能力。
可以用一個更直觀的方式理解兩者的關係：
“前六篇的機制，是 Hermes 的肌肉——它決定 Hermes 能做什麼、能做多快。
GEPA 是 Hermes 的神經可塑性——它決定這些肌肉能不能在使用中變得更強。
一個需要時間的系統
最後說一件反直覺的事。
GEPA 驅動的進化，在短期內感受不明顯。
你第一天用 Hermes，它是一個有記憶、有技能、能跑代碼的 Agent。你用了三個月，它才開始真正「懂你」——技能庫裏有你項目專屬的分析流程，記憶裏有你的數據結構偏好，用戶模型裏有你的工作習慣。
這和大多數工具是反向的：大多數工具第一天體驗是最好的（新鮮感），然後進入平台期。GEPA 驅動的 Hermes 是越用越好——但前提是你真的在用，不是偶爾來問一次問題。
這也解釋了「The Agent That Grows With You」這句話裏，最重要的兩個字不是「Grows」，而是 「With You」。
它的成長，不是自己發生的。是和你一起發生的。
系列小結
七篇寫完了，回頭看整個系列：
每一層都在回答同一個更大的問題：
為什麼叫「分析師」，而不是「分析工具」？
工具不會記住你。工具不會主動學習。工具不會因為和你合作三個月而變得更懂你的業務。
Hermes 設計上想做到的，是後者。
至於它做到了多少——取決於你用它做了多少真實的事。