本文探讨了 AI agent 在执行任务过程中的自进化机制。Hermes Agent 通过自动生成技能、运行时自我修复和 Curator 定期整理形成闭环进化回路。文章详细解析了其三角架构、记忆分层机制以及 GEPA 算法展示了 agent 如何通过经验积累和反思提炼不断提升性能。同时也指出了实践中常见的反模式和关键教训为程序员和小白提供了一套完整的自进化系统学习框架。Agent 跑了 50 次任务之后它真的变聪明了吗想象你有一个 AI agent每天帮你处理各种任务。第 1 次做某个任务时它笨手笨脚连工具调用顺序都搞错。第 10 次你发现它的表现没什么本质变化。第 50 次——还是差不多。每次犯错它都会说好的我学到了但下次遇到类似场景该踩的坑一个没少。这其实不是模型不够强的问题。是架构问题。大多数 agent 把每次对话当作独立 session没有跨任务记忆没有技能积累更没有任何形式的使用中进化。Claude Code 靠 CLAUDE.md 和 hooks 勉强记住一些偏好OpenAI Codex 基本不记。本质上这些 agent 都是金鱼——每次对话刷新记忆——区别只是 Claude Code 的金鱼缸里贴了一张便签。Hermes Agent 试图从根本上解决这个问题。它是 Nous Research 在 2026 年 2 月发布的开源项目github.com/NousResearch/hermes-agentMIT 协议目前已积累约 160K GitHub stars。它的定位很清晰一个模型无关的、内置完整自进化闭环的通用 agent 运行时。模型无关意味着它不绑定特定 LLM——通过 OpenRouter 可以接入 200 模型。自进化意味着它不只是执行任务而是在使用过程中持续积累技能、修复错误、整理知识库。有点像它不但帮你干活还在干活过程中自己写操作手册、自己修手册里的错误、定期把旧手册归档。下面拆解这套机制的具体工作原理。讲的不是愿景而是实际在运行的工程机制。三角架构自动生成、自我修复、自动整理Hermes 的自进化系统由三块核心组件构成三者共同形成一个闭合的进化回路。第一块自动技能生成。当 agent 完成一个需要 5 次以上工具调用的复杂任务后它会在后台自动提炼执行经验生成一个 SKILL.md 文件存入~/.hermes/skills/。这个文件包含具体的使用场景、前置条件、步骤和常见坑点。下次遇到类似任务时agent 会自动检索并加载这个技能。关键细节不是所有任务都触发。门槛是5 次以上工具调用这排除了简单查询和单步操作只沉淀真正需要技能化的复杂工作流。第二块运行时自我修复。这可能是三块中最反直觉的机制。技能文件不是一成不变的——agent 在使用技能的过程中如果发现文件中的某个步骤与实际执行结果不匹配会通过模糊查找替换自动修补。所谓模糊查找是指用编辑距离或相似度匹配找到技能文件中与错误相关的段落然后注入修正而不是要求精确字符串匹配。这也意味着一件事技能是会变质的。如果一个技能被修了很多次可能越来越偏离原始意图。这就引出了第三块。第三块Curator 自动整理。Curator 模块和前面两块有本质不同它不是在任务执行时触发的而是在 agent 闲置时触发的。默认规则每 7 天、agent 空闲超过 2 小时后Curator 会启动一个 fork 版的自己独立进程不影响主 agent巡检整个技能库。它的核心职责包括合并窄技能如果 agent 创建了多个高度相似的技能比如写微信公众号技术评论文“写微信公众号个人散文”“写微信公众号文化随笔”Curator 会识别这些技能的前缀聚类模式将它们合并为一个微信公众号文章生成伞形技能把各子类型的差异降级为 references 子目录中的变体说明。归档陈旧技能如果一个技能长时间未被调用默认阈值没有公开文档详述但设计逻辑是 use_count 和 view_count 的衰减函数Curator 会将其标记为 archived 或直接移除。此外还有一个 Nudge 引擎——两个后台计数器。每 10 个用户回合触发一次记忆整理从近期对话中蒸馏洞察写入 MEMORY.md每 10 次迭代触发一次技能评估检查技能是否有腐化信号。这两件事都是在一个守护线程中完成的对用户透明。三者合在一起的闭环是这样的任务执行 → 自动生成技能 → 使用中自我修复 → Curator 定期合并归档 → 回到任务执行注意自动生成和自我修复是在使用中发生的Curator 是在不使用时发生的。这是一种关键的设计节奏用的时候长不用的时候整理。不浪费任务执行时的上下文窗口。三角架构自动技能生成、运行时自修复、Curator 整理形成闭环自进化循环的工程结构三阶段、三级、多时间尺度把三角架构抽象一层会发现自进化已经收敛为一种经典的三阶段范式。几乎所有做了自进化的 agent 系统——从学术界的 ReflexionNeurIPS 2023、Voyager2023、Memento-Skills2026到 Hermes 这种生产级框架——核心循环都是同一个结构经验收集 → 反思提炼 → 更新部署阶段一经验收集。Hermes 的做法是记录完整执行轨迹输入、输出、工具调用序列、错误消息、推理日志。和 Voyager 用 Minecraft 的bot.chat()记录环境中间状态、Reflexion 保存完整轨迹上下文一样——关键不是记了多少而是记了什么结构。非结构化的日志堆在存储里等于没有。阶段二反思提炼。这是自进化智能的核心来源。不是把失败日志丢给 LLM 让它总结而是做对比反思——同时喂入成功轨迹和失败轨迹让模型诊断为什么 Case A 成功了而 Case B 失败了。这种对比产生的洞察质量远高于单轨迹反思。阶段三更新部署。在 Hermes 里这分别是技能文件写入、模糊查找替换 write、以及 Curator 的合并/归档操作。所有变更都走 Git 分支 PR不直接提交。即使 Hermes 自动生成技能最终也是通过人工审查的 PR 部署。有意思的是这个循环在三个抽象层次上同时运作层次时间尺度做什么例子战术级秒-分钟即时纠错任务失败 → 诊断 → 修补技能文件战略级小时-天提炼行为模式Nudge 引擎从多轮对话中蒸馏洞察编排级天-周重塑技能拓扑Curator 合并窄技能为伞形技能时间尺度战术级、战略级、编排级三级并行运作这种多时间尺度设计的意义在于它同时解决了这个 bug 立刻要修和我发现自己总是在重复创建相似的技能这两种完全不同性质的问题。前者需要实时后者需要后见之明。记忆分层为什么临时想法和程序性技能不能放一起前面的讨论一直在说技能“知识”“经验”但它们到底存在哪、怎么组织Hermes 和它的学术同类在这个问题上高度一致自进化的记忆需要分层而且分层不能太粗也不能太细。跨系统的实践中收敛为四层L1 · 工作记忆。 当前对话上下文的全部内容——工具调用链、输入输出、中间推理。Reflexion 称之为短期记忆Voyager 留 4 轮精炼缓冲区代码 反馈 错误 批评。这层的生命周期是单次会话不跨 session 保留。L2 · 情节记忆。 跨会话保留的这段经历。Hermes 用 SQLite FTS5 全文搜索引擎实现每段记忆经过 LLM 摘要化后存储支持关键词检索和语义召回。Generative AgentsStanford Google, 2023那篇著名论文的三因素检索是这一层的最优雅实现新近度指数衰减衰减因子 0.995× 重要性LLM 创建时评分 1-10× 相关性embedding 余弦相似度三者经最小-最大归一化后等权求和。这件事做不做、做多好直接决定 agent 能否在跨会话时想起上次踩的坑。L3 · 结构化知识。 经过验证、可以复用的知识——对 Hermes 来说是 MEMORY.md故意限制约 2200 字符强制选择性保留和内部知识条目。对有自进化设计的 writing-agent-harness一个 AI 写作编排层这一层是docs/和AGENTS.md全部 Git 追踪。L4 · 程序性技能。 最高层——可执行的技能文件 脚本。Hermes 的~/.hermes/skills/harness 的.agents/skills/Voyager 的技能库向量数据库存储embedding 为 key、可执行 JavaScript 为 valuetop-5 检索返回。这四个层级之间的晋升不是自动的而是有门控条件的。以 writing-agent-harness 的实践为例临时想法 → .local-memory/↓ 验证为可复用结构化知识 → docs/ 或 AGENTS.md↓ 相同任务重复 ≥ 3 次程序性技能 → .agents/skills/↓ 值得自动化脚本或 workflow runbook门控条件 “≥ 3 次” 是一个经验参数它背后对应的工程直觉是不要因为一次冲动就把临时想法固化为技能。MUR 框架2025把这个晋升过程形式化了一个更完善的成熟度模型Draft → Emerging → Stable → Canonical晋升标准是多维的——使用频率、时间衰减、以及人类显式确认。这个模型目前被多个开源 agent 项目采用。一个跨模型尺度的关键发现值得单独提经验忠实度不对称。在 ACEStanford SambaNova, 2024的研究中agent 表现出一种稳定的行为偏差——它忠实使用原始执行轨迹具体到每一步代码和工具调用但经常忽略或曲解凝练经验——比如摘要、启发式规则、下次注意 X这种泛化的教训。即使这些凝练内容是 agent 唯一可获得的历史信息它也倾向于忽略它们。这件事的工程含义非常具体信息保存优于信息压缩。你应该增量地增长可搜索的 itemized 知识条目而不是把经验压缩成越来越短的摘要。压缩会破坏 agent 的行为可获取性——你自以为总结了精华但 agent 读不懂你的总结只认原始轨迹。这也是为什么 Hermes 的技能存储是以完整 SKILL.md详细步骤而非抽象的要点提示进行的。一个三四百字的 SKILL.md 可能费 token但它能被 agent 用对。一句微信文章要注意排版风格的摘要更省 token但 agent 不会用。记忆分层从工作记忆到程序性技能的晋升路径GEPA用自然语言替代梯度来优化 Prompt如果说前面的三角架构和记忆分层是结构——数据怎么存、流程怎么走——那 GEPA 解决的是算法怎么用自然语言反思来替代梯度下降实现无需训练、无需权重访问的提示词进化。GEPAGenetic-Pareto Prompt Optimizer2025是迄今为止在文本自进化这条线上最务实的算法。它的核心洞察非常优雅不要用标量奖励来优化提示词用完整的自然语言诊断。传统的提示词优化比如 DSPy 的 MIPROv2 和 RL-based 的 GRPO都依赖一个标量评分函数跑一条 prompt → 得到 0.7 分 → 调整参数 → 再跑。但标量评分丢掉了一切中间信息——它告诉你不行但不告诉你为什么第 3 行的推理跳过了关键前提。GEPA 的做法是用一个强 LLM推荐 GPT-5 at temperature1.0读取完整执行轨迹——不是只看输入输出而是看每一步的工具调用、推理日志、错误消息、编译器输出。然后让它用自然语言诊断候选方案到底在哪一步失败了、为什么失败、具体怎么改。产出的不是 “-0.3 奖励”而是 “模型误解了约束条件它在步骤 2 中假设 feature_flag 已启用但实际环境未设置”。GEPA 的作者将这种产物的数据结构命名为 ASIActionable Side Information可操作辅助信息并明确将其定义为文本优化的梯度类比。这个类比不是修辞——它的结构性位置和数学优化中的梯度完全一样是优化信号指明下一步优化的方向和强度。有了 ASI接下来的进化就顺理成章了。GEPA 用了两个遗传算法的核心操作反射式突变。 对某个候选提示词生成 ASI 诊断其失败原因然后基于诊断生成变异后的新版本。关键设计是突变步骤不仅基于当前候选的 ASI而是整合所有祖先谱系的累积教训。一个好提示词的第 5 代版本不只是第 4 代的修改——它携带着第 1、2、3、4 代所有失败经验的累积。遗传合并。 传统遗传算法的合并crossover是盲目的——随机切分两个父代拼接起来。GEPA 的做法是基于反思分析进行合并它先搞清楚每个父代分别在什么类型的任务上成功、在什么类型的任务上失败然后有针对性地取每个父代的优势部分进行重组。基于反思这四个字是核心——它不是盲目的它知道自己在合并什么。但还有一个问题如何防止进化过程过早收敛到局部最优一个候选方案可能在当前评测集上表现最好但只是在某些具体维度上刚好碰对了——一旦部署到真实场景就原形毕露。GEPA 的解法是帕累托前沿Pareto Front选择。不是只追踪当前最佳候选而是维护一个集合所有至少在一个评估实例上达到最高分的候选。下轮进化时按覆盖比例从前沿中采样变异候选——确保在探索新方向的同时保留已发现的互补策略。这种维持多样性的策略和只保留第一名的贪心选择相比在复杂任务上差异显著后者容易过拟合到当前评测集前者保留了不同任务可能需要不同策略的可能性。样本效率对比是同口径评测中的重要参考方法Metric Call 次数性能 vs GEPAGRPO5,000-25,000低 6-20%MIPROv2500-2,000低 10%GEPA100-500-GEPA 用 GRPO 约 1/35 的评测调用量超越了 GRPO 6-20%。最少 3 个示例即可开始工作。GEPA 反射式突变流程执行轨迹 → ASI 诊断 → 累积教训 → 帕累托前沿选择工程上的反模式和真实教训前面的内容容易给人一种错觉——自进化是完备的、可控的、美好的。但实际工程中真正有价值的知识往往来自失败。以下是多个自进化系统在实践中暴露出的关键反模式按危害程度排列反模式 #1工具中心而非工作流中心的技能设计。 当你创建技能文件时很容易写成如何用工具 X——围绕工具的能力来组织步骤。但 agent 执行任务时它需要的是完成目标 Y 的端到端流程——围绕工作流来组织。工具中心的技能会导致 agent 在任务切换时无法复用因为同一个目标换了个工具就失效了。Hermes 的 Curator 在合并技能时有一个显式检查如果技能是围绕工具组织的降级为 reference 而不是提升为技能。反模式 #2无衰减整理导致技能腐化。 技能文件不会自动过期。随着环境变化API 改了、工具升级了、workflow 优化了旧的技能文件变成错误来源。更麻烦的是agent 可能在任务匹配时检索到旧技能、应用它、然后因为结果不对触发自我修复——但这个自我修复打在了一个已经本应废弃的文件上浪费了一次修复机会。这就是为什么 Curator 的存在不是 nice-to-have而是必须长期运行才能保持技能库健康的基础设施。反模式 #3语义相似度路由失败。 当 agent 试图为新任务匹配已有技能时基于 embedding 的语义相似度检索是最常用的方案。但有一个非直觉的失败模式两个任务使用相同的术语但需要完全不同的执行策略。比如微信公众号发布和微信公众号排版——它们的文本相似度很高cos 0.91但涉及的工具链、步骤序列、前置条件完全不同。Memento-Skills2026用 InfoNCE 对比学习训练了一个专门的路由器Recall1 0.60 vs BM25 0.32来解决这个问题——但这本身也是一笔训练成本。反模式 #4缺少验证门压缩派EvoSC、MemSkill认为经验必须被蒸馏为紧凑表示——可学习提示 token、RL 训练的记忆控制器、参数化压缩后的向量——否则 token 成本会无限增长。MemSkill 用 PPO Gumbel-Top-K 训练了一个记忆控制器决定 Insert/Update/Delete/Skip 每一段记忆在零样本跨模型/跨领域迁移中展现了较强的泛化能力。混合派Memento-Skills、Hermes走中间路线外部 SKILL.md 作为主要存储不压缩内容但路由器InfoNCE 对比学习 / FTS5 embedding负责高效检索。分层升级策略确保只在必要时重构——大多数时候只是增量修补。当前的实证证据整体偏向凝练派。原因是简单而残酷的经验忠实度不对称 幻觉壁垒 信息保存比压缩更安全。丢失关键细节的代价远大于多消耗几百个 token 的上下文成本。尤其是在 agent 场景中——上下文窗口虽然有限但在 100K-1M token 的尺度上多读了两个 SKILL.md 文件几乎不是一个实际的瓶颈。但这不是定论。随着技能库增长到数百个文件检索精度和信号覆盖率的矛盾会越来越尖锐。Memento-Skills 的 InfoNCE 路由器是目前最接近工程解法的方案但它的训练成本需要构建正负样本对 训练奖励模型仍然很高。回到开头的问题。一个 agent 跑了 50 次任务后它变聪明了吗Hermes 的回答是如果你只给它一个执行循环不会。如果你给它一个自进化循环——自动生成技能、运行时自我修复、闲置时 curator 整理、Nudge 引擎定期蒸馏洞察——它会的。不是模型变聪明了而是系统的知识积累机制让它下次遇到同类任务时有更好的指导。这和人类的经验积累不完全一样——但结构已经很像了。最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容7、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】