Hermes（愛馬仕） Agent 真正值得關注的，是它在試圖成為用戶分身

如果你喺企業入面負責過AI、數碼化、信息化項目，大概率都經歷過一種好熟悉嘅場景。

一個任務，明明唔係第一次做。

一個方向，明明團隊內部已經討論過好多輪。

一個項目，明明都已經沉澱咗唔少經驗。

但一旦換一個人，一旦換一個系統，一旦重新開始推進，好多事情都仲要從頭解釋。

背景要重新講。

偏好要重新講。

邊界要重新講。

上次點解咁判斷，仲要再講一次。

講到尾，企業入面好多真正昂貴嘅成本，唔係喺單次執行。

而係喺反覆對齊。

呢個亦都係點解我最近喺度睇Hermes Agent嘅時候，心入面一直有一個感覺。

佢真正值得關注嘅，可能唔係佢又聰明咗少少。

而係佢喺認真解決一個更難嘅問題。

點樣令到一個AI，唔止係幫人完成一件事。

而係喺持續使用之後，慢慢變成用戶嘅工作分身。

呢個詞呢兩年其實已經被講爛咗。

好多產品都喺度講長期記憶，講個性化，講越用越明你。

但如果真係將呢啲系統拆開嚟睇，大部分所謂嘅越用越明你，最後無非係落喺兩件事上面。

一件事係，將歷史記錄存起嚟。

另一件事係，喺下一次對話嗰時，將其中幾條再撈出嚟。

呢個當然唔係冇價值。

但呢個離分身，其實仲差好遠。

因為一個真正嘅分身，唔止係記得你講過啲乜。

佢仲要知道，你係邊個。

你平時點樣做決定。

你面對一個複雜問題嗰陣，係先求快，定係先求穩。

你最唔能夠接受嘅係乜。

你喺咩地方願意試錯，喺咩地方又會突然變得特別謹慎。

呢啲嘢，先係一個人在工作入面嘅真正輪廓。

而我將Hermes Agent嘅官網、文檔同GitHub倉庫認真翻咗一次，又將核心源碼拆開睇咗一輪之後，最大嘅感受係，佢至少已經行喺一條相對正確嘅路上面。

佢唔係簡單咁將所有嘢都塞入一個memory池入面。

佢係將一個長期代理，拆成幾層彼此唔同、但又互相增強嘅能力。

呢啲能力單獨睇都唔算驚人。

但一旦疊埋一齊，就開始逼近一種好唔一樣嘅系統形態。

亦即係，一個越來越少需要你重新解釋嘅AI。

圖1：Hermes並唔係靠單一memory變強，而係靠用戶畫像、歷史檢索、技能沉澱同後台覆盤呢四層能力疊加，慢慢形成長期協作能力。

先講第一層。

Hermes做嘅第一件啱嘅事，唔係急住記住任務，而係先區分人同事。

喺佢嘅源碼入面，有兩個好樸素嘅檔案，一個叫 MEMORY.md，一個叫 USER.md。

前者更加似佢對環境、項目同工具經驗嘅長期筆記。

後者更加似佢對用戶本人嘅理解，偏好、風格、溝通方式、工作習慣、決策傾向，呢啲嘢都被單獨放喺呢度。

呢個設計睇落好簡單。

但啱啱係呢種簡單，令佢比好多泛化memory系統更加似一個真正能夠長期協作嘅代理。

因為佢先解決咗一個基礎問題。

邊啲資訊係喺描述任務。

邊啲資訊係喺描述人。

如果呢兩類資訊撈埋一齊，系統記得越多，反而越容易混亂。

今日佢記住咗你鍾意短回覆，聽日又記住咗某個項目用咗咩框架，後日再記住你唔鍾意頻繁確認。

呢啲資訊都重要。

但佢哋唔係同一種重要。

Hermes將佢哋拆開，本質上係為後面嘅成長打地基。

更加關鍵係，佢唔係每寫入一條新記憶，就立刻改變當前會話嘅人格。

佢採用嘅係一種凍結快照嘅方式。

亦即係話，呢一輪對話開始嗰陣，系統會載入一個已經成型嘅用戶畫像快照。中途新嘅記憶會被寫入磁碟，但唔會即刻擾動當前呢輪system prompt。

呢個取捨，我覺得好成熟。

因為真正有價值嘅個性化，從來唔係即時表演。

而係沉澱之後嘅穩定變化。

一個靠譜嘅工作夥伴，都唔會因為你先講咗一句偏好，下一秒就將整套行為模式改到面目全非。

真正嘅理解，往往係喺下一次協作入面慢慢顯現出嚟。

呢個就係Hermes第一層最值得重視嘅地方。

佢喺嘗試將用戶偏好，由臨場狀態，變成穩定資產。

圖2：Hermes唔係將所有嘢都丟入一個memory入面，而係將穩定畫像、歷史語境同可複用能力拆開管理，再共同服務當前協作。

但係只有呢一層仲唔夠。

因為企業協作入面，一個系統如果只係依賴當前prompt嚟生存，好快就會遇到兩個問題。

要麼上下文越堆越長，最終失控。

要麼為咗節省上下文，將過去都忘咗。

Hermes嘅第二層能力，就係將歷史做成可檢索嘅協作語境。

佢唔係將所有舊內容都繼續塞入模型上下文入面。

佢會將session持久化到SQLite入面，再用FTS5做全文檢索，需要嘅時候再將過去相關嘅片段揾返嚟，並做聚焦總結。

呢個思路，其實好相似一個成熟組織入面嘅知識系統。

唔係令每個人將所有歷史都背喺個腦入面。

而係令系統知道，幾時應該翻檔案，幾時應該調舊項目，幾時應該從以前嘅判斷入面揾依據。

呢件事點解重要。

因為企業真正貴嘅成本，好多時候唔係單次執行。

而係反覆補背景。

反覆轉譯上下文。

反覆解釋點解上次係咁判斷，今次又點解唔可以咁做。

好多團隊最煩嘅事情之一，其實唔係工具唔識做。

而係每次交俾工具一件事，都要從頭開始解釋組織語境。

如果一個agent只能夠喺當前對話入面聰明，佢就始終只係工具。

只有當佢能夠將過去做成隨時可調用嘅協作背景，佢先開始有少少似長期協作者。

Hermes喺呢度做得好剋制。

佢冇將所有歷史都硬塞入prompt。

佢係將穩定偏好放入用戶畫像，將過程歷史留喺會話數據庫入面，只有需要嘅時候再召回。

講到尾，呢個已經唔係單純嘅記憶。

呢個係協作語境嘅管理。

但用戶畫像同歷史檢索，仍然唔夠解釋點解佢會令人覺得更加似分身。

真正令我覺得Hermes有野心嘅，係第三層，skills。

喺佢嘅源碼入面，skills被直接視為procedural memory，亦即係程序性記憶。

呢五個字好關鍵。

因為佢意味住，Hermes想保存嘅，唔止係資訊。

而係路徑。

一件複雜任務做完之後，真正可複用嘅價值，往往唔係最後嗰句結論。

而係中間嗰條行得通嘅路。

先查啲乜。

再驗證啲乜。

咩地方應該保守，咩地方可以並行推進。

遇到異常嗰陣，先盯邊一個節點，而唔係將問題越搞越大。

呢啲嘢，如果只係存在當次會話入面，下次都仲會重新試錯。

但如果佢被提煉成一個skill，咁佢留下嚟嘅就唔係一次對話，而係一種做事方式。

對個人用戶嚟講，呢個意味住以後可以少解釋好多遍。

對企業嚟講，呢個意味住原本隱性嘅經驗，開始有機會變成流程資產。

呢件事好似一個成熟組織入面嘅優秀中層。

好嘅中層，唔止係自己將事情做成。

而係會將方法論留低，令下一次執行唔使再從零開始。

Hermes想做嘅，本質上就係令agent具備呢種能力。

記住點樣做事，而唔係淨係記住做過啲乜事。

如果話前面三層，分別解決嘅係記住人、記住事、記住路徑。

咁第四層，解決嘅就係成長本身。

Hermes有一個好有意思嘅機制。

一輪任務結束之後，佢唔會將結果交付完就算。

佢會喺後台再起一個review agent，重新睇返頭先嗰段協作過程，然後判斷兩件事。

呢輪任務入面，有冇啲咩值得寫入memory。

有冇啲咩值得沉澱成skill。

呢一下，系統味道就完全變曬。

因為好多agent嘅問題，唔係佢當下唔夠聰明。

而係做完就過咗去。

今日學到嘅，聽日唔喺度。

今日踩過嘅坑，下週重新做一次都係照樣踩。

今日終於理解咗用戶一個關鍵偏好，後日又返到默認狀態。

Hermes喺系統層面，將每次協作都默認睇成一次訓練自己嘅機會。

呢個先係佢最似長期代理嘅地方。

唔係一次做得更加強。

而係下一次做得更加似你。

圖3：Hermes嘅關鍵唔止係完成當前任務，而係喺任務結束後繼續覆盤，將經驗重新寫返入系統。

我覺得，呢一點對企業尤其重要。

因為企業入面真正決定長期效率嘅，往往唔係一個工具單次能夠慳到幾多分鐘。

而係呢個工具能夠唔能夠將一次次協作入面嘅經驗繼續帶到下一次。

如果唔能夠，好多效率提升只係局部嘅。

如果能夠，佢先開始變成組織能力。

再向上行一步，Hermes仲接咗外部memory provider。

例如Honcho。

呢一層更加有意思。

因為佢唔止係繼續加強對用戶嘅理解，仲喺嘗試維護AI自己嘅表示。

簡單講，佢喺嘗試同時維護兩件事。

用戶係邊個。

AI自己係邊個。

以及呢兩者點樣長期互動。

呢入麪包括user peer、AI peer、observation、conclusions、dialectic query，甚至AI自身嘅representation。

亦即係話，系統唔止係積累用戶畫像，仲喺積累一段關係。

呢一點特別似真實協作。

一個長期靠譜嘅拍檔，唔止係越來越瞭解你。

佢都會慢慢形成一套與你相匹配嘅工作方式。

呢個先係分身呢個詞真正有說服力嘅地方。

唔係我幫你回答問題。

而係我開始越來越似嗰個會同你一齊工作嘅人。

圖4：當用戶偏好、歷史任務、技能路徑同AI自身表示一齊進入系統嗰陣，積累落嚟嘅就唔止係畫像，而係長期協作關係。

當然，呢度必須講一句實話。

話Hermes喺試圖成為用戶分身，唔等於佢今日已經係成熟嘅企業級分身。

呢兩件事唔能夠混為一談。

從現實落地嚟睇，佢依然依賴模型能力，依然依賴外部provider，依然需要足夠多嘅真實協作場景，先至可以將呢啲機制真正運行起嚟。

但佢真正值得重視嘅，本來都唔係今日已經做到啲乜。

而係佢已經明確咁喺向邊個方向搭建。

呢個方向，同好多熱鬧但短命嘅AI助手其實完全唔同。

好多AI產品，做嘅係一次性交互效率。

Hermes更加似係喺做長期關係效率。

圖5：普通AI助手更加似一次性完成任務嘅工具，Hermes想做嘅係將每次協作變成下一次更少解釋、更少重來嘅基礎。

一次性交互效率嘅邏輯係，我點樣將今次回答做得更快、更加似樣。

長期關係效率嘅邏輯係，我點樣令你以後越來越少解釋，越來越少重複，越來越少從頭開始。

企喺企業實際推進嘅視角，我覺得後者嘅重要性反而更加高。

因為企業未來真正稀缺嘅，未必係一個更加會回答問題嘅模型。

而係一個唔使每次重新教嘅代理。

一個真正會成長嘅agent，本質上係幫組織將經驗、偏好、判斷同方法，慢慢複製到系統入面。

過去我哋講知識管理，更多係喺講文檔、制度同流程。

但越來越多真正有價值嘅經驗，其實並唔係整整齊齊咁躺喺呢啲地方。

佢散落喺對話入面，散落喺臨場判斷入面，散落喺反覆試錯入面，亦都散落喺某啲睇落好細微、但一旦丟失就要重新做一次嘅工作習慣入面。

如果未來嘅agent只能回答問題，佢更加似搜索框。

如果未來嘅agent能夠將呢啲嘢逐步接住，佢先至有可能變成真正嘅組織接口。

亦正因為咁，我睇完Hermes之後，最大嘅感受唔係，呢個工具真係新。

而係，呢條路值得認真睇。

因為佢代表嘅，好可能唔係一款新工具。

而係一種新嘅組織能力。

唔係一次更加強嘅AI。

而係一次更加少需要重新解釋嘅AI。

以上，既然睇到呢度，如果覺得唔錯，順手點個讚、睇緊啲、轉發三連啦，如果想第一時間收到推送，都可以俾我個星標⭐～

多謝你睇我嘅文章，我哋下次再見。

作者介紹：

https://ozij45g3ts.feishu.cn/wiki/O62Pwtb94ikFEJkYHuEcxaWanQb

如果你在企業裏負責過 AI、數字化、信息化項目，大概率都經歷過一種特別熟悉的場景。

一個任務，明明不是第一次做。

一個方向，明明團隊內部已經討論過很多輪。

一個項目，明明也已經沉澱過不少經驗。

可一旦換一個人，一旦換一個系統，一旦重新開始推進，很多事情還是得從頭解釋。

背景要重講。

偏好要重講。

邊界要重講。

上次為什麼這麼判斷，還得再講一遍。

說到底，企業裏很多真正昂貴的成本，不在單次執行。

而在反覆對齊。

這也是為什麼我最近在看 Hermes Agent 的時候，心裏一直有一個感覺。

它真正值得關注的，可能不是它又多聰明瞭一點。

而是它在認真解決一個更難的問題。

怎麼讓一個 AI，不只是幫人完成一件事。

而是在持續使用之後，慢慢變成用戶的工作分身。

這個詞這兩年其實已經被說爛了。

很多產品都在講長期記憶，講個性化，講越用越懂你。

但如果真的把這些系統拆開看，大部分所謂的越用越懂你，最後無非落在兩件事上。

一件事是，把歷史記錄存起來。

另一件事是，在下一次對話時，把其中幾條再撈出來。

這當然不是沒價值。

可這離分身，其實還差得很遠。

因為一個真正的分身，不只是記得你說過什麼。

它還得知道，你是誰。

你平時怎麼做決定。

你面對一個複雜問題時，是先求快，還是先求穩。

你最不能接受的是什麼。

你在什麼地方願意試錯，在什麼地方又會突然變得特別謹慎。

這些東西，才是一個人在工作裏的真正輪廓。

而我把 Hermes Agent 的官網、文檔和 GitHub 倉庫認真翻了一遍，又把核心源碼拆開看了一輪之後，最大的感受是，它至少已經走在一條相對正確的路上。

它不是簡單地把一切都塞進一個 memory 池子裏。

它是把一個長期代理，拆成了幾層彼此不同、但又互相增強的能力。

這些能力單看都不算驚人。

可一旦疊在一起，就開始逼近一種很不一樣的系統形態。

也就是，一個越來越少需要你重新解釋的 AI。

圖 1：Hermes 並不是靠單一 memory 變強，而是靠用戶畫像、歷史檢索、技能沉澱和後台覆盤這四層能力疊加，慢慢形成長期協作能力。

先說第一層。

Hermes 做的第一件對的事，不是急着記住任務，而是先區分人和事。

在它的源碼裏，有兩個非常樸素的文件，一個叫 MEMORY.md，一個叫 USER.md。

前者更像它對環境、項目和工具經驗的長期筆記。

後者更像它對用戶本人的理解，偏好、風格、溝通方式、工作習慣、決策傾向，這些東西都被單獨放在這裏。

這個設計看上去很簡單。

但恰恰是這種簡單，讓它比很多泛化 memory 系統更像一個真正能長期協作的代理。

因為它先解決了一個基礎問題。

哪些信息是在描述任務。

哪些信息是在描述人。

如果這兩類信息混在一起，系統記得越多，反而越容易混亂。

今天它記住了你喜歡短回覆，明天又記住了某個項目用了什麼框架，後天再記住你不喜歡頻繁確認。

這些信息都重要。

但它們不是同一種重要。

Hermes 把它們拆開，本質上是在為後面的成長打地基。

更關鍵的是，它不是每寫進一條新記憶，就立刻改變當前會話的人格。

它採用的是一種凍結快照的方式。

也就是說，這一輪對話開始時，系統會載入一個已經成型的用戶畫像快照。中途新的記憶會被寫入磁盤，但不會立刻擾動當前這輪 system prompt。

這個取捨，我覺得很成熟。

因為真正有價值的個性化，從來不是即時表演。

而是沉澱之後的穩定變化。

一個靠譜的工作夥伴，也不會因為你剛說了一句偏好，下一秒就把整套行為模式改得面目全非。

真正的理解，往往是在下一次協作裏慢慢顯現出來。

這就是 Hermes 第一層最值得重視的地方。

它在嘗試把用戶偏好，從臨場狀態，變成穩定資產。

圖 2：Hermes 不是把所有東西都丟進一個 memory 裏，而是把穩定畫像、歷史語境和可複用能力拆開管理，再共同服務當前協作。

但只有這一層還不夠。

因為企業協作裏，一個系統如果只會依賴當前 prompt 活着，很快就會遇到兩個問題。

要麼上下文越堆越長，最終失控。

要麼為了節省上下文，把過去都忘了。

Hermes 的第二層能力，就是把歷史做成可檢索的協作語境。

它不是把所有舊內容都繼續塞進模型上下文裏。

它會把 session 持久化到 SQLite 裏，再用 FTS5 做全文檢索，需要的時候再把過去相關的片段找回來，並做聚焦總結。

這個思路，其實非常像一個成熟組織裏的知識系統。

不是讓每個人把所有歷史都背在腦子裏。

而是讓系統知道，什麼時候該翻檔案，什麼時候該調舊項目，什麼時候該從以前的判斷裏找依據。

這件事為什麼重要。

因為企業真正貴的成本，很多時候不是單次執行。

而是反覆補背景。

反覆轉譯上下文。

反覆解釋為什麼上次是那樣判斷，這次又為什麼不能那樣做。

很多團隊最煩的事情之一，其實不是工具不會做。

而是每次交給工具一件事，都要從頭開始解釋組織語境。

如果一個 agent 只能在當前對話裏聰明，它就始終只是工具。

只有當它能把過去做成隨時可調用的協作背景，它才開始有一點像長期協作者。

Hermes 在這裏做得很剋制。

它沒有把所有歷史都硬塞進 prompt。

它是把穩定偏好放進用戶畫像，把過程歷史留在會話數據庫裏，只有需要時再召回。

說到底，這已經不是單純的記憶。

這是協作語境的管理。

但用戶畫像和歷史檢索，仍然不夠解釋為什麼它會讓人覺得更像分身。

真正讓我覺得 Hermes 有野心的，是第三層，skills。

在它的源碼裏，skills 被直接視為 procedural memory，也就是程序性記憶。

這五個字很關鍵。

因為它意味着，Hermes 想保存的，不只是信息。

而是路徑。

一件複雜任務做完以後，真正可複用的價值，往往不是最後那句結論。

而是中間那條走通的路。

先查什麼。

再驗證什麼。

什麼地方該保守，什麼地方可以並行推進。

遇到異常時，先盯哪一個節點，而不是把問題越做越大。

這些東西，如果只存在當次會話裏，下次還是會重新試錯。

但如果它被提煉成一個 skill，那它留下來的就不是一次對話，而是一種做事方式。

對個人用戶來說，這意味着以後可以少解釋很多遍。

對企業來說，這意味着原本隱性的經驗，開始有機會變成流程資產。

這件事很像一個成熟組織裏的優秀中層。

好的中層，不只是自己把事情做成。

而是會把方法論留下來，讓下一次執行不必再從零開始。

Hermes 想做的，本質上就是讓 agent 具備這種能力。

記住怎麼做事，而不只是記住做過什麼事。

如果說前面三層，分別解決的是記住人、記住事、記住路徑。

那第四層，解決的就是成長本身。

Hermes 有一個很有意思的機制。

一輪任務結束以後，它不會把結果交付完就算了。

它會在後台再起一個 review agent，重新看剛才那段協作過程，然後判斷兩件事。

這輪任務裏，有沒有什麼值得寫進 memory。

有沒有什麼值得沉澱成 skill。

這一下，系統味道就完全變了。

因為很多 agent 的問題，不是它當下不夠聰明。

而是做完就過去了。

今天學到的，明天不在。

今天踩過的坑，下週重來一遍還是照樣踩。

今天終於理解了用戶一個關鍵偏好，後天又回到默認狀態。

Hermes 在系統層面，把每次協作都默認看成一次訓練自己的機會。

這才是它最像長期代理的地方。

不是一次做得更強。

而是下一次做得更像你。

圖 3：Hermes 的關鍵不只是完成當前任務，而是在任務結束後繼續覆盤，把經驗重新寫回系統。

我覺得，這一點對企業尤其重要。

因為企業裏真正決定長期效率的，往往不是一個工具單次能省多少分鐘。

而是這個工具能不能把一次次協作中的經驗繼續帶到下一次。

如果不能，很多效率提升只是局部的。

如果能，它才開始變成組織能力。

再往上走一步，Hermes 還接了外部 memory provider。

比如 Honcho。

這一層更有意思。

因為它不只是繼續加強對用戶的理解，還在嘗試維護 AI 自己的表示。

簡單說，它在嘗試同時維護兩件事。

用戶是誰。

AI 自己是誰。

以及這兩者怎麼長期互動。

這裏麪包括 user peer、AI peer、observation、conclusions、dialectic query，甚至 AI 自身的 representation。

也就是說，系統不只是積累用戶畫像，還在積累一段關係。

這一點特別像真實協作。

一個長期靠譜的搭檔，不只是越來越瞭解你。

他也會慢慢形成一套與你相匹配的工作方式。

這才是分身這個詞真正有說服力的地方。

不是我替你回答問題。

而是我開始越來越像那個會和你一起工作的人。

圖 4：當用戶偏好、歷史任務、技能路徑和 AI 自身表示一起進入系統時，積累下來的就不只是畫像，而是長期協作關係。

當然，這裏必須說一句實話。

說 Hermes 在試圖成為用戶分身，不等於它今天已經是成熟的企業級分身。

這兩件事不能混為一談。

從現實落地看，它依然依賴模型能力，依然依賴外部 provider，依然需要足夠多的真實協作場景，才能把這些機制真正跑起來。

但它真正值得重視的，也本來不是今天已經做到了什麼。

而是它已經明確在往哪個方向搭。

這個方向，和很多熱鬧但短命的 AI 助手其實完全不同。

很多 AI 產品，做的是一次性交互效率。

Hermes 更像是在做長期關係效率。

圖 5：普通 AI 助手更像一次性完成任務的工具，Hermes 想做的是把每次協作變成下一次更少解釋、更少重來的基礎。

一次性交互效率的邏輯是，我怎麼把這次回答做得更快、更像樣。

長期關係效率的邏輯是，我怎麼讓你以後越來越少解釋，越來越少重複，越來越少從頭開始。

站在企業實際推進的視角，我覺得後者的重要性反而更高。

因為企業未來真正稀缺的，未必是一個更會回答問題的模型。

而是一個不用每次重新教的代理。

一個真正會成長的 agent，本質上是在幫組織把經驗、偏好、判斷和方法，慢慢複製到系統裏。

過去我們談知識管理，更多是在談文檔、制度和流程。

可越來越多真正有價值的經驗，其實並不整齊地躺在這些地方。

它散落在對話裏，散落在臨場判斷裏，散落在反覆試錯裏，也散落在某些看起來很細小、但一旦丟掉就必須重來一遍的工作習慣裏。

如果未來的 agent 只能回答問題，它更像搜索框。

如果未來的 agent 能把這些東西逐步接住，它才可能變成真正的組織接口。

也正因為如此，我看完 Hermes 之後，最大的感受不是，這工具真新。

而是，這條路值得認真看。

因為它代表的，很可能不是一款新工具。

而是一種新的組織能力。

不是一次更強的 AI。

而是一次更少需要重新解釋的 AI。

以上，既然看到這裏了，如果覺得不錯，隨手點個贊、在看、轉發三連吧，如果想第一時間收到推送，也可以給我個星標⭐～

謝謝你看我的文章，我們，下次再見。

作者介紹：

https://ozij45g3ts.feishu.cn/wiki/O62Pwtb94ikFEJkYHuEcxaWanQb