应启用系统提示词缓存、配置模型元数据TTL、激活对话历史LRU缓存、部署闲置休眠与冷启动唤醒、分阶段启用轨迹压缩缓存，以降低Token消耗、减少API调用、缓解响应延迟。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在使用 Hermes Agent 执行连续任务时发现 Token 消耗高、API 调用频繁、响应延迟上升，则很可能是模型缓存未被有效激活或配置不当。以下是实现低成本连续任务执行的具体操作路径：
一、启用系统提示词缓存
系统提示词（System Prompt）在每次推理请求中均被重复传输，若内容固定且高频复用，启用缓存可避免重复序列化与传输开销，直接降低输入 Token 总量。
1、定位到 agent/prompt_caching.py 文件。
2、确认 apply_anthropic_cache_control_markers 函数已被调用，并传入当前 message history。
3、在初始化 Agent 实例时，设置 cache_system_prompt=True 参数。
4、验证缓存命中：观察日志中是否出现 "system_prompt cached hit" 标识。
二、配置模型元数据缓存 TTL
模型元数据（如名称、上下文长度、支持的工具列表）通常在启动后不变，但默认每次请求都可能触发冗余查询。通过内存字典缓存并设定自动过期时间，可消除该类网络往返。
1、打开 agent/model_metadata.py 文件。
2、检查 _model_metadata_cache 实例是否已启用，且 TTL 设置为 3600 秒（1 小时）。
3、手动触发一次元数据加载，确认返回日志含 "fetched from cache" 字样。
4、在多模型切换场景下，确保每个模型键名（如 "qwen-max" 或 "claude-3-5-sonnet"）均独立缓存。
三、激活对话历史 LRU 缓存策略
连续任务依赖上下文连贯性，但全量保留历史会指数级推高 Token 成本。LRU 缓存机制可在内存中仅保留最近 N 轮交互，淘汰最久未用片段，兼顾连贯性与成本控制。
1、确认 tests/test_run_agent.py 中的 _cached_system_prompt 行为逻辑已被迁移至运行时会话管理模块。
2、在 agent/session.py 中启用 max_history_turns=8 配置项。
3、将历史消息结构封装为带访问时间戳的键值对，写入 LRU_dict 实例。
4、每次新轮次开始前，调用 prune_old_turns() 方法自动清理超限条目。
四、部署层启用闲置休眠与冷启动唤醒
连续任务常呈现波峰波谷特征，常驻进程会持续占用 VPS 内存与 CPU 周期。通过进程级休眠策略，可使空闲时段资源占用趋近于零，仅在新请求抵达时瞬时拉起。
1、在部署配置中启用 auto_sleep_after_idle=120（单位：秒）。
2、确认底层运行时（如 Modal 或 Daytona）已注册 /healthz 健康检查端点用于唤醒探测。
3、验证休眠行为：观察 ps aux | grep hermes 输出在空闲两分钟后是否消失。
4、发送新请求后，检查日志首行是否含 "woken up from sleep, loading session context"。
五、分阶段启用轨迹压缩缓存
长周期连续任务生成的对话轨迹体积庞大，直接缓存原始 JSON 易造成内存膨胀。采用 trajectory_compressor.py 提供的分层压缩策略，可将缓存体积压缩至原始 25%，同时保留关键语义锚点。
1、加载 datagen-config-examples/trajectory_compression.yaml 配置文件。
2、将 target_max_tokens 设为 4000，summary_target_tokens 设为 500。
3、在缓存写入前调用 compress_trajectory(history) 方法。
4、读取缓存时自动触发 decompress_trajectory(cached_bytes) 还原为可用结构。
