最近Hermes agent被讨论得沸沸扬扬的，今天，我们来深度拆解下它是怎么做Skills 闭环系统的。
相比市面上大多数 Agent 框架，它最大的特点在于能从历史交互中，提取经验、存储知识、做智能检索，然后不断更新skills，形成一个学习循环（Learning Loop）。
毋庸置疑，这个思路对复杂任务来说，带来的突破是革命性的。它让agent变得可以自主进化、不断学习，把历史记忆真正变成了工具能力，从而在类似场景中复用。
但说实话，现在的这套系统，最核心的检索系统做的实在是太粗糙了，还停留在关键词检索阶段，连找到相关历史经验都费劲，更别说打通从memory到skills的鸿沟，做到真正的进化了。
接下来，本文将用 Hermes Agent + Milvus 2.6 + 飞书的方式，搭一套能理解语义、跨会话记住操作方式、自主迭代skill的个人知识库 Agent，来解决这个问题。
一、Hermes Agent：架构与核心机制
要理解Hermes 的记忆设计到底厉害在哪里，我们需要现对其架构进行一个拆解。总共分四层：
L1 上下文记忆：当前会话窗口内的实时信息，会话结束后清空
L2：跨会话持久化的事实性知识，如项目技术栈、团队约定、已知结论
L3 原生检索：基于 SQLite FTS5 的关键词全文检索，用于在本地文件中定位信息
L4 Skills：以 Markdown 文档形式存储的操作流程，记录的是完成某类任务的具体步骤
L4 是四层里和其他agent最本质的区别，但原因不是其他框架没有类似概念。LangChain、AutoGPT 都有 Tool 和 Skill 的设计。区别在于来源：它们的skills需要开发者在部署前手动定义，用什么工具、按什么顺序、传什么参数，全部写在代码里，用户无法在使用过程中增加新skills。
Hermes 的 Skills 是从实际执行中自动提炼的。你用它完成一次检索任务，跨会话触发相同类型的工作流后，Learning Loop 自动评估这个流程是否值得固化，若值得就写入 Skill 文档，返回 💾 Memory updated · Skill ‘xxx’ created. 从此这个流程成为可复用的操作记忆，无需任何代码改动。其他框架的技能是开发者预先设计的，Hermes 的技能是 Agent 在使用中自己积累的。
但深度调研之后，我发现一件事情，要想让Hermes 学会高质量的“干中学”，其实仅靠 Hermes 的原生检索不够用。接下来，我们来拆解其原生检索系统的问题，以及我们如何使用 Milvus 对其改造的方式。
二、为什么加 Milvus：Hermes 原生检索有边界
Hermes 跨会话触发相同类型的历史工作流，需要使用检索系统先精准找到历史上的相似操作。
但是在检索系统的搭建上，它自带的 L3 检索是基于 SQLite FTS5，关键词倒排全文搜索只擅长精确匹配字面内容，在语义检索场景有明显短板。
典型案例：知识库里记录的是 asyncio 事件循环、异步任务调度、非阻塞 I/O，检索 Python 并发处理时，FTS5 可能一条都找不到，因为字面没有交集。
也是因此，当知识库规模超过数百份文档后，就需要我们引入向量语义检索来补齐 Hermes 的检索短板。这也是引入 Milvus 的直接原因。
2.1 选 Milvus 2.6 的两个实际理由
理由一：Hybrid Search（混合检索）
Milvus 2.6 支持在同一次查询中同时执行向量检索（语义）和 BM25 全文检索（关键词），用 RRF（Reciprocal Rank Fusion）算法合并两路结果。
比如，我们问 asyncio 的原理是什么，向量检索能命中语义相关内容；问 find_similar_task 这个函数在哪，BM25也能精确匹配代码中的函数名。
问涉及某个函数的某种类型任务时，Hybrid Search也能一次检索调用，就能给出正确结果，无需手写路由逻辑。
理由二：分层存储，实际部署内存可控
Milvus 2.6 引入三层存储（Hot 内存 / Warm SSD / Cold 对象存储），按访问频率自动冷热分级。500 份文档向量化后的知识库，无需全量常驻内存，按需加载可将内存控制在 2GB 以内，$5/月的 VPS 完全可以运行。
选型原因明确后，下面介绍系统整体架构与落地步骤。
三、系统架构
在这个新的体系里，Hermes思考需要做什么（Skill），Milvus回答检索什么（知识内容）。
四、安装部署
4.1 安装并初始化 Hermes
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash安装完成后运行 hermes，进入交互式初始化向导，完成：
LLM Provider 配置：支持 OpenAI、Anthropic、OpenRouter（含免费模型）
渠道配置：本文使用飞书机器人
4.2 部署 Milvus 2.6 Standalone
个人部署使用 Standalone 模式（单节点）足够：
curl -sfL https://raw.githubusercontent.com/milvus-io/milvus/master/scripts/standalone_embed.sh \ -o standalone_embed.sh bash standalone_embed.sh start 验证服务状态 docker ps | grep milvus4.3 创建知识库 Collection
Schema 设计决定检索能力上限。以下结构同时支持稠密向量检索和 BM25 全文检索：
from pymilvus import MilvusClient, DataType, Function, FunctionType client = MilvusClient( uri="http://192.168.x.x:19530", ) schema = client.create_schema(auto_id=True, enable_dynamic_field=True) schema.add_field("id", DataType.INT64, is_primary=True) # 原始文本（BM25 全文检索用） schema.add_field( "text", DataType.VARCHAR, max_length=8192, enable_analyzer=True, enable_match=True ) # 稠密向量（语义检索） schema.add_field("dense_vector", DataType.FLOAT_VECTOR, dim=1536) # 稀疏向量（BM25 自动生成，Milvus 2.6 特性） schema.add_field("sparse_vector", DataType.SPARSE_FLOAT_VECTOR) schema.add_field("source", DataType.VARCHAR, max_length=512) schema.add_field("chunk_index", DataType.INT32) # 告诉 Milvus 用BM25 把text 自动转换为 sparse_vector bm25_function = Function( name="text_bm25", function_type=FunctionType.BM25, input_field_names=["text"], output_field_names=["sparse_vector"], ) schema.add_function(bm25_function) index_params = client.prepare_index_params() # HNSW 图索引（稠密向量） index_params.add_index( field_name="dense_vector", index_type="HNSW", metric_type="COSINE", params={"M": 16, "efConstruction": 256} ) # BM25 倒排索引（稀疏向量） index_params.add_index( field_name="sparse_vector", index_type="SPARSE_INVERTED_INDEX", metric_type="BM25" ) client.create_collection( collection_name="hermes_milvus", schema=schema, index_params=index_params )Hybrid_search脚本
import sys, json from openai import OpenAI from pymilvus import MilvusClient, AnnSearchRequest, RRFRanker client = MilvusClient("http://192.168.x.x:19530") oai = OpenAI() COLLECTION = "hermes_milvus" def hybrid_search(query: str, top_k: int = 5) -> list[dict]: # 1. 向量化查询 dense_vec = oai.embeddings.create( model="text-embedding-3-small", input=query ).data[0].embedding # 2. 稠密向量检索（语义相关性） dense_req = AnnSearchRequest( data=[dense_vec], anns_field="dense_vector", param={"metric_type": "COSINE", "params": {"ef": 128}}, limit=top_k * 2 # 候选集适当放大，交给 RRF 做最终排序 ) # 3. BM25 稀疏向量检索（精确词项匹配） bm25_req = AnnSearchRequest( data=[query], anns_field="sparse_vector", param={"metric_type": "BM25"}, limit=top_k * 2 ) # 4. RRF 融合排序 results = client.hybrid_search( collection_name=COLLECTION, reqs=[dense_req, bm25_req], ranker=RRFRanker(k=60), limit=top_k, output_fields=["text", "source", "doc_type"] ) return [ { "text": r.entity.get("text"), "source": r.entity.get("source"), "doc_type": r.entity.get("doc_type"), "score": round(r.distance, 4) } for r in results[0] ] if __name__ == "__main__": query= sys.argv[1] if len(sys.argv) > 1 else "" top_k = int(sys.argv[2]) if len(sys.argv) > 2 else 5 output = hybrid_search(query, top_k) print(json.dumps(output, ensure_ascii=False, indent=2))环境与知识库就绪后，进入关键验证环节：观察 Hermes 的跨会话学习能力是否真实生效。
五、实战：Skills自动生成过程
Step 1 会话 1：首次指定脚本执行检索
打开 Hermes，在飞书发送指令，明确告知脚本路径和检索目标：
Hermes 通过 Terminal Tool 调用脚本，返回带本地文档来源的回答。此时 Skill 尚未创建，这只是一次普通的工具调用。
Step 2 重新提问
在飞书中清空对话记录，开启全新会话。不提脚本名称，不提路径，直接提问：
Step 3 从 Memory 更新到 Skill 正式创建
Learning Loop 触发，Memory 先行写入，Hermes 返回检索结果和回答，并明确告知：
这是 Learning Loop 的第一步动作。Memory 在此刻记录的是本次工作流的执行经验，包括：调用了哪个脚本、传入了什么参数、返回了什么结构的结果。这一步是积累，还不是固化。
Skill 正式创建
在跨会话触发确认复用价值后，Learning Loop 自动完成第二步，三个 Skill 被正式创建：
| Skill 名称 | 作用 |
| hybrid-search-doc-qa | 对 Memory 中的文档执行混合语义检索并生成回答 |
| milvus-docs-ingest-verification | 验证文档是否已正确摄取进知识库 |
| terminal | 执行终端命令，如运行脚本、设置环境变量等 |
需要注意，Memory 和 Skill 是两个不同层级的概念：Memory 是经验记录，Skill 是可被反复执行的封装能力。Memory 存的是发生过什么，Skill 存的是下次遇到同类问题，按什么步骤执行。Hermes 在这一刻完成的，是从积累经验到生成可复用技能的跃迁。
之后当用户提问时，Hermes 无需任何提示，自动识别意图、路由到对应 Skill、从 Memory 中召回相关文档片段，最终生成回答。用户不需要指定用哪个 Skill，这一切在后台自动完成。
另外，有一点值得单独说清楚。绝大多数 RAG 系统解决的是知识的存和取，但如何取这条链路是写死在代码里的，换个问法或者换个场景就可能失效。这套方案的不同之处在于：检索策略本身被存成了 Skill，变成了可持久化、可修改、有历史记录的对象。
在这之后💾 Memory updated · Skill ‘hybrid-search-doc-qa’ created. 出现，其实不是系统配置完成的标志，而是 Agent 第一次把某种行为模式判定为值得保留。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
