你其实在重复教每个 AI 编程工具一遍 记忆引擎：不是"存下来"，是"沉淀出来" 检索：六路混合召回 + 三道质量闸门 真正难的工程：让六种 Agent 都接入 代价与取舍：为什么它还不能无脑用 同一天写这篇的时候，Keyv 的 npm 蠕虫正在被讨论：一个包被污染，所有装过它的项目全遭殃。Agent 生态也一样——你给 Claude Code、Codex、Cursor 各装一套配置，等于把同一个秘密讲给了三个互不认识的员工。他们各自记在小本本上，谁也不告诉谁。 本文首发地址 https://h89.cn/archives/687.html 你其实在重复教每个 AI 编程工具一遍 同时用 Claude Code 和 Codex 的人，大概率经历过这个循环： 在 Claude Code 里

- 阅读剩余部分 -

两张进化网络，还是两张孤岛 EvoMap：让 AI 的经验不再是一次性的 Hermes：每个实例都是一座孤岛 结构性困境：指数打线性，差距只会越来越大 Hermes 补得上这个差距吗 一份技术对比报告 时间线：晚了 5 周以上 三层记忆体系精确对应 12 组术语，一对一替换 10 步主循环，步步对齐 Hermes 的回应 接回去：为什么接入网络等于自曝 一个更大的问题：开源协议在 AI 洗代码面前失效了 后续 Evolver 的一段插曲 参考文献 本文首发地址 https://h89.cn/archives/589.html 你花三小时调通了一个 Python 环境报错，隔壁同事遇到同样的坑，还是得从头踩一遍。 AI Agent 也一样。经验怎么传承？这个问题，EvoMap 和 Nous Research 给出了完全不同的答案。 EvoMap 的

- 阅读剩余部分 -

背景 架构：两种完全不同的部署模式 hermes memory setup 向导干了什么 实际配置步骤（local_external 模式） 第一步：起 Hindsight Docker 第二步：让 Hermes 知道连哪个 第三步：验证写入 Memory 使用流程：retain / recall / reflect 是怎么配合的 三个核心工具 记忆是怎么流转的 实际对话示例 怎么查记忆（手动验证） 怎么删/修正错误记忆 bank_id 是干什么的 什么情况下记忆会失效 资源消耗：每次对话都占很多资源正常吗 延迟 retain 和批量写入：当前不支持 Bug #7718：local_embedded 的静默失败 参考 本文首发地址 https://h89.cn/archives/584.html

- 阅读剩余部分 -

Hermes 在解决什么问题 为什么"长期运行"越来越重要 核心能力 1. 持久记忆 2. 自建技能与学习循环 3. 多平台触达 4. 灵活部署 v0.7.0 为什么值得注意 与常见 Coding Agent 的差别 与 OpenClaw 的对比 适合谁用 不适用场景 我的看法 引用来源 本文首发地址 https://h89.cn/archives/556.html 最近 Agent 圈里一个很值得关注的项目，是 Nous Research 的 hermes-agent。 它吸引我的地方，不是又一个"能调工具、能写代码、能调用模型"的 Agent。 而是它把重点放在了另一件事上：Agent 能不能长期运行、长期记住、长期变强。 这比单次演示难得多，也现实得多。 Herm

- 阅读剩余部分 -

AI Agent 的 Skill 到底是什么？一文说清写法、路径和推荐清单 什么是 Skill？ Skill 的两种存放位置 不同 Agent 的默认加载路径 Skill 怎么被触发？ 如何写一个简单的 Skill 写 Skill 的几个实战原则 1. 只放 Agent 不知道的东西 2. 自由度和约束要匹配 3. 一个 Skill 只干一件事 4. 触发词要真实 5. 版本和更新日期要留痕 哪些通用 Skill 值得装？ 1. 代码质量与工程规范 2. 架构与部署 3. 前端与 UI 4. 研究、搜索与自动化 5. AI 工程自身 6. 沟通与输出 7. 安全与代码审计 8. 浏览器自动化与数据采集 9. 运维与可观测性 10. 音视频与多媒体创作 选 Skill 的判断标准 Skill 与 Prompt、Rules 的关系 从一个过时 Skill

- 阅读剩余部分 -