Hermes 本地插件

为 Hermes Agent 提供完全本地化的持久记忆、智能任务总结、技能自动进化和多智能体协同。

MemOS Hermes 本地插件为 Hermes Agent 提供完全本地化的持久记忆能力。所有数据存储在本机 SQLite（~/.hermes/memos-state/），零云依赖。Viewer 仅监听 127.0.0.1，密码保护。

核心特性

特性	说明
💾 全量记忆写入	每次对话自动捕获，语义分片后持久化。
⚡ 任务总结与技能进化	碎片对话归纳为结构化任务，再提炼为可复用技能并持续升级。
🔍 混合检索	FTS5 + 向量，RRF，MMR，时间衰减。
🧠 全量可视化	记忆/任务/技能/分析/日志/导入/设置 7 个管理页。
💰 分级模型	Embedding/摘要/技能可独立配置不同模型。
🤝 多智能体协同	记忆隔离 + 公共记忆 + 技能共享，多 Agent 协同进化。
🐍 Python 原生集成	通过 MemoryProvider 接口原生集成 Hermes Agent，无需额外配置网关。
👥 团队共享中心	Hub-Client 架构，跨实例共享记忆/任务/技能。审批流程、角色管理、实时通知。
🔗 LLM 智能降级	技能模型 → 摘要模型 → Hermes 原生模型三级自动降级，零手动干预。

系统架构

Hermes Agent 通过 Python MemoryProvider 接口与 MemOS 桥接守护进程通信。四条流水线：记忆写入 → 任务总结与技能进化（异步）→ 智能检索 → 协同共享。每个 Agent 拥有独立记忆空间，通过公共记忆和技能共享实现协同进化。

流水线 1：写入
Hermes Agent → Bridge Daemon (TCP :18992) → Ingest (chunk→summary→embed→dedup) → SQLite+FTS5

流水线 2：任务 & 技能（异步）
Task Processor (话题检测 → 摘要) → Skill Evolver (评估 → 生成/升级)

流水线 3：自动召回
prefetch (auto-recall) → Recall (FTS+Vector) → LLM filter → Inject context

流水线 4：按需检索
Agent (memory_search) → RRF→MMR→Decay → LLM filter → excerpts+chunkId/task_id
→ task_summary / skill_get / memory_timeline

数据流

写入

sync_turn → Bridge Daemon → Chunk → LLM Summary → Embed → Dedup → Store
异步：任务检测 → 任务摘要 → 技能评估 → 技能生成/升级

检索

每轮自动：prefetch 用用户消息检索 → LLM 过滤相关 → 注入 system 上下文；无结果时提示 agent 自生成 query 调 memory_search。
memory_search → FTS5+Vector → RRF → MMR → Decay → LLM filter → excerpts + chunkId/task_id
task_summary / skill_get(skillId|taskId) / memory_timeline(chunkId) / skill_install

快速开始

前置条件

Node.js ≥ 18
Python 3
Hermes Agent 已安装（~/.hermes/hermes-agent 或本地仓库）
Embedding / Summarizer API 可选，不配自动用本地模型

Step 1：一键安装（推荐）

一条命令完成所有安装，无需手动操作：

curl -fsSL https://raw.githubusercontent.com/MemTensor/MemOS/openclaw-local-plugin-20260408/apps/memos-local-plugin/install.sh | bash

通过 npm 安装

mkdir -p ~/.hermes/memos-plugin && cd ~/.hermes/memos-plugin && npm pack @memtensor/memos-local-hermes-plugin && tar xzf *.tgz && mv package/* . && rm -rf package *.tgz && bash install.sh

安装器做了什么？自动检测并安装 Node.js（如缺失）→ 从 npm 下载插件包 → 安装依赖 → 创建 memtensor 软链接到 Hermes 插件目录 → 更新 ~/.hermes/config.yaml → 验证插件加载 → 启动 Bridge 守护进程和 Memory Viewer。

安装失败？最常见的问题是 better-sqlite3 原生模块编译失败。确保已安装编译工具链（gcc, make, python3）。在 Ubuntu/Debian 上：apt install build-essential。

Step 2：开始使用

hermes chat

安装脚本会自动启动 Memory Viewer。之后每次运行 hermes chat，daemon 会自动拉起（如果尚未运行）。退出 hermes 后 daemon 继续后台运行。

安装后每次对话自动存入记忆。访问 http://127.0.0.1:18901 查看 Memory Viewer。

Step 3：配置

两种方式：编辑 ~/.hermes/config.yaml 或通过 Viewer 网页面板在线修改。支持分级模型。

基本配置 (config.yaml)

# ~/.hermes/config.yaml
memory:
  memory_enabled: true
  user_profile_enabled: true
  provider: memtensor

模型分级配置（通过环境变量）

# Embedding — 轻量模型
export MEMOS_EMBEDDING_PROVIDER="openai_compatible"
export MEMOS_EMBEDDING_API_KEY="sk-••••••"
export MEMOS_EMBEDDING_ENDPOINT="https://your-api-endpoint/v1"

# 自定义端口
export MEMOS_DAEMON_PORT=18992
export MEMOS_VIEWER_PORT=18901

# 自定义数据目录
export MEMOS_STATE_DIR="/custom/path/memos-state"

高级配置（通过 Bridge 配置 JSON）

export MEMOS_BRIDGE_CONFIG='{
  "stateDir": "~/.hermes/memos-state",
  "config": {
    "embedding": {
      "provider": "openai_compatible",
      "model": "bge-m3",
      "endpoint": "https://your-api-endpoint/v1",
      "apiKey": "sk-••••••"
    },
    "summarizer": {
      "provider": "openai_compatible",
      "model": "gpt-4o-mini",
      "endpoint": "https://your-api-endpoint/v1",
      "apiKey": "sk-••••••"
    },
    "skillEvolution": {
      "summarizer": {
        "provider": "openai_compatible",
        "model": "claude-4.6-opus",
        "endpoint": "https://your-api-endpoint/v1",
        "apiKey": "sk-••••••"
      }
    },
    "recall": {
      "vectorSearchMaxChunks": 0
    },
    "viewerPort": 18901
  }
}'

skillSummarizer（技能专用模型，可选）→ summarizer（通用摘要模型）→ Hermes Native（自动检测）

每一级失败后自动尝试下一级，无需手动干预
skillSummarizer 未配置时直接跳到 summarizer
如果所有模型均失败，回退到规则方法（无 LLM）或跳过该步骤

环境变量

变量	默认	说明
`MEMOS_STATE_DIR`	`~/.hermes/memos-state`	记忆数据库位置
`MEMOS_DAEMON_PORT`	`18992`	Bridge 守护进程 TCP 端口
`MEMOS_VIEWER_PORT`	`18901`	Memory Viewer HTTP 端口
`MEMOS_EMBEDDING_PROVIDER`	`local`	Embedding 提供商
`MEMOS_EMBEDDING_API_KEY`	—	Embedding API 密钥
`MEMOS_EMBEDDING_ENDPOINT`	—	自定义 Embedding 端点
`MEMOS_BRIDGE_CONFIG`	—	完整 Bridge 配置 JSON
`MEMOS_BRIDGE_SCRIPT`	—	Bridge 脚本路径覆盖
`HERMES_HOME`	`~/.hermes`	Hermes 主目录

默认值

参数	默认	说明
maxResults	6 (max 20)	默认返回数
minScore (tool)	0.45	memory_search 最低分
minScore (viewer)	0.64	Viewer 搜索向量阈值
rrfK	60	RRF 融合常数
mmrLambda	0.7	MMR 相关性 vs 多样性
recencyHalfLife	14d	时间衰减半衰期
vectorSearchMaxChunks	0 (all)	0=搜索全部；大库可设 200k-300k
dedup threshold	0.75	语义去重余弦相似度
viewerPort	18901	Memory Viewer
daemonPort	18992	Bridge Daemon TCP
owner	hermes	记忆归属标识
taskIdle	2h	任务空闲超时

Hermes 本地插件

核心特性

系统架构

数据流

写入

检索

快速开始

前置条件

Step 1：一键安装（推荐）

通过 npm 安装

Step 2：开始使用

Step 3：配置

基本配置 (config.yaml)

模型分级配置（通过环境变量）

高级配置（通过 Bridge 配置 JSON）

模块

Capture

Ingest

任务总结

技能进化

Recall

Viewer

检索算法

RRF（倒数排名融合）

MMR（最大边际相关）

时间衰减

LLM 降级链

环境变量

默认值

更多资料