Hermes Agent的学习循环通过执行追踪、复杂度评估、反思引擎、技能提炼和存储索引五步实现持续优化：全程记录行为轨迹，量化判定技能沉淀价值，抽象通用方法论，生成结构化Python技能模块，并构建三级检索体系以支持毫秒级语义匹配与调用。
☞☞☞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☜☜☜
如果您观察到 Hermes Agent 在多次使用后执行同类任务更迅速、错误更少，且能复用过往成功路径，则说明其内置的学习循环已开始生效。以下是该机制运行原理的逐层揭示：
一、执行追踪：全程记录任务行为轨迹
每次任务启动时，Tracker 模块自动开启，对整个执行链路进行无感埋点。它不依赖用户指令触发，而是底层强制捕获所有关键信号，确保经验萃取的数据基础完整可靠。
1、记录每一次工具调用的名称、输入参数与原始返回值。
2、捕获用户在执行中途给出的任何修正性反馈，包括文字修改、重试指令或跳过步骤等操作。
3、标记任务起止时间戳，并统计总 token 消耗与失败重试次数。
二、复杂度评估：自动判定是否值得沉淀为技能
任务结束后，Evaluator 模块依据预设规则对执行过程进行量化判别，仅当满足全部条件时才进入技能生成流程，避免低价值操作污染技能库。
1、确认工具调用次数不少于 5次，排除简单问答类交互。
2、验证任务最终状态为成功完成，或虽中途失败但经用户干预后达成目标。
3、比对现有技能库，确保该工作流未被已有 Skill 覆盖，防止重复建设。
三、反思引擎：提取可迁移的方法论
Reflector 模块模拟人类复盘思维，从原始执行日志中剥离具体参数，抽象出通用逻辑结构，识别冗余步骤与并行优化机会，形成可跨场景复用的认知框架。
1、识别流程中不可省略的核心步骤，并标注其前置依赖关系。
2、定位因参数误设或环境差异导致的失败节点，归纳典型错误模式。
3、判断是否存在可合并的串行调用，或可拆解为子任务并行执行的环节。
四、技能提炼：生成结构化可执行模块
Crystallizer 将反思结果转化为标准 Python Skill 文件，存放于 ~/.hermes/skills/ 目录下，具备明确输入接口、内置校验逻辑与版本标识，支持直接调用与人工编辑。
1、将动态参数替换为带类型注解的占位符，如 project_name: str。
2、嵌入执行前检查逻辑，例如验证 Vercel CLI 是否已安装并处于指定版本。
3、添加触发关键词字段，使后续会话中仅需出现“部署到Vercel”即可自动匹配启用。
五、存储索引：构建三级检索体系
新生成的 Skill 并非简单落盘，而是同步写入三层索引系统，保障下次调用时能在毫秒级完成语义匹配与上下文注入，真正实现“经验即能力”。
1、一级索引记录技能名称与一句话功能描述，用于快速浏览与人工识别。
2、二级索引提取技能内嵌的触发词、领域标签与适配模型列表，支撑语义路由。
3、三级索引将技能执行历史与用户反馈绑定，形成带权重的优先级排序依据。
