學習迴圈與記憶

源码版本v2026.7.20

職責

這是 Hermes 有別於一般 agent 的核心:一個「越用越好用」的閉環。它把每輪對話沉澱成:① 技能演化——從經驗建立/改寫技能(agent/learning_mutations.py);② 記憶——FTS5 全文檢索 + LLM 摘要的過往會話檢索(memory_manager),配合 Honcho 辯證式使用者建模;③ 學習圖——把技能與記憶組織成節點/邊(agent/learning_graph.py);④ 背景審視——background_review 在執行緒裡消化歷史、產出可執行的改寫動作。技能改寫最終回灌到技能系統,供後續輪次複用。

關鍵檔案

技能節點與學習圖

• @dataclass SkillNode:28-41 — 技能節點
• 技能載入:77-125 — _iter_skill_files / build_skill_nodes(掃描 skills/ 建 nodes)
• 邊與統計:156-193 — build_edges / density_stats(技能間關聯)
• 記憶-技能邊:193-227 — _memory_cards / _memory_skill_edges(記憶與技能的關聯)
• build_learning_graph:248-328 — 彙總產出完整學習圖
• _load_usage:84-97 — 使用統計(指導哪些技能常用)

技能/記憶改寫

• node_detail:86-124 — 查看某節點詳情
• delete_node:124-157 — 刪除技能或記憶
• edit_node:157-200 — 編輯技能或記憶內容
• _clear_skill_cache:200 — 改寫後清快取(讓下輪生效)
• 記憶定位:30-65 — _memories_dir / _parse_memory_id / _locate_memory

記憶管理

• class MemoryManager:354 — 記憶管理器本體
• memory provider 工具注入:83-164 — memory_provider_tools_enabled / inject_memory_provider_tools
• build_memory_context_block:337-354 — 把記憶拼成上下文塊注入提示
• sanitize_context:164-172 — 上下文脫敏(FTS5 索引前)
• StreamingContextScrubber:172-337 — 串流輸出脫敏

背景審視

• spawn_background_review_thread:956 — 起背景審視執行緒
• _run_review_in_thread:617 — 執行緒內主迴圈
• _digest_history:122-373 — 摘要最近 24 條歷史
• summarize_background_review_actions:373-590 — 彙總審視動作
• build_memory_write_metadata:590-617 — 寫記憶的元資料

資料流

1. 每輪對話結束,主迴圈把訊息快照交給背景審視執行緒(agent/background_review.py:956)。
2. _digest_history(agent/background_review.py:122)摘要近期歷史,產出候選動作(新建/改寫技能、寫記憶)。
3. 技能改寫經 edit_node:157 / 刪除經 delete_node:124 落盤,並 _clear_skill_cache:200 清快取。
4. 記憶寫入經 MemoryManager:354,脫敏(agent/memory_manager.py:164)後建 FTS5 索引,LLM 摘要壓縮。
5. 下輪對話開始時,build_memory_context_block(agent/memory_manager.py:337)把相關記憶拼進 build_turn_context:268;技能經 agent/skill_bundles.py 注入。
6. 完整學習圖由 build_learning_graph:254 彙總,供 UI/除錯展示技能與記憶的關聯。

小結

學習閉環把「對話」變成「資產」:背景審視在背景把經驗沉澱為技能與記憶,下輪自動注入。關鍵四件套——learning_graph(圖譜)、learning_mutations(改寫)、memory_manager(檢索+脫敏+摘要)、background_review(非同步消化)。這是 Hermes「與使用者共同成長」的機制底座,也是它和「無狀態 LLM 呼叫」的根本區別。