04 - 技能系统与自改进循环

学习目标

本章聚焦 Hermes Agent 的技能系统及其自改进能力。你将了解：

• Curator 后台系统如何自动归档过期技能
• 技能 Provenance（来源追踪）如何区分 Agent 创建和人工编写
• 可选技能分发（optional-skills/）如何避免启动时加载过多技能
• SKILL.md 的硬性写作标准

前置知识

本章涉及技能系统的通用原理，建议先阅读：

• Skill 渐进式知识管理

下文直接聚焦 Hermes 的自改进循环具体实现。

---

项目实践

Curator 后台技能维护

agent/curator.py 实现了后台自动技能维护系统：

状态转换管线：

关键不变量：

• 只处理 created_by: "agent" 的技能 — 内置和用户安装的技能不受影响
• 永远不会删除，最大破坏操作是归档到 ~/.hermes/skills/.archive/
• Pin 的技能不参与任何自动转换和 LLM 审查
• 归档的技能可随时通过 hermes curator restore 恢复

使用统计 Sidecar：~/.hermes/skills/.usage.json 跟踪每个技能的：

字段	含义
use_count	执行次数
view_count	查看次数
patch_count	修改次数
last_activity_at	最后活动时间
state	active / stale / archived
pinned	是否固定

CLI 动词：status、run、pause、resume、pin、unpin、archive、restore、prune、backup、rollback。

技能 Provenance 追踪

tools/skill_provenance.py 使用 ContextVar 标记每次技能写入的来源：

set_current_write_origin("assistant_tool")   # Agent 自主创建
set_current_write_origin("human")            # 人工编写

后台审查线程运行在独立线程上，带有独立的 ContextVar，确保写入来源正确标记。这使得 Curator 可以安全地只管理 Agent 创建的技能，不触碰人类编写的技能。

可选技能分发

Hermes 有两层技能分发：

目录	默认加载	安装方式	内容
skills/	是	自动可用	核心技能（25 分类）
optional-skills/	否	hermes skills install official/<cat>/<skill>	重型/小众技能

这种区分避免了启动时加载过多技能描述导致模型注意力分散。重型依赖（如需要特定 CLI 工具或大量参考文献的技能）放在 optional-skills/。

SKILL.md 硬性标准

Hermes 对技能文档有 CI 强制执行的写作标准：

标准	要求
description	≤ 60 字符，一句话，以句号结尾
工具引用	必须用反引号标注 Hermes 工具名（如 `terminal`）
platforms: 门控	必须与实际脚本导入一致
Section 顺序	标题 → 简介 → When to Use → Prerequisites → How to Run → Quick Reference → Procedure → Pitfalls → Verification
脚本位置	scripts/ 目录，不在 SKILL.md 中内联
测试位置	tests/skills/test_<skill>_skill.py

背景审查（Background Review）

agent/background_review.py 实现后台技能自我改进：

• 守护线程在 Agent 空闲时启动
• Forked agent 使用工具白名单（仅 memory 和 skill 管理工具）
• 继承父 Agent 的运行时（provider、model、credentials、prefix cache）
• Review 提示包含详细的信号检测指南（用户偏好、工作流修正、新技术等）

---

问题与规避

Curator 误归档活跃技能

问题：技能在后台被使用（如 cron 任务调用），但 usage tracker 未记录，导致被误标为 stale。

对策：bump_use() 在所有技能执行路径调用，包括 cron 和 delegate。如果仍有遗漏，可 Pin 关键技能豁免审查。

Provenance 在线程间泄漏

问题：ContextVar 设置在线程 A，但线程 B 的写入读取了 A 的值。

对策：后台审查线程在自己的线程上运行，带有独立的 ContextVar 值。主线程的 _memory_write_origin 不会泄漏到审查线程。

可选技能的依赖缺失

问题：用户安装了可选技能但缺少所需的 CLI 工具或依赖。

对策：每个工具的 check_fn 在注册时检查环境要求（如 API key、CLI 工具是否存在）。不满足条件的技能不会暴露给模型。

---

设计取舍

自动归档 vs 永久保留

方案	优势	代价
自动归档（Hermes）	技能目录保持精简，模型注意力集中在活跃技能	归档技能需要手动恢复
永久保留	所有技能始终可用	技能过多时模型注意力分散

Hermes 选择归档而非删除，保留了恢复的可能性。归档技能存放在 .archive/ 目录，不加载到模型上下文。

描述 ≤ 60 字符的硬限制

方案	优势	代价
严格限制（Hermes）	技能列表紧凑，模型可同时加载更多技能	复杂技能难以用一句话描述清楚
宽松限制	描述更充分	技能列表膨胀，注意力分散

Hermes 的假设是：描述的目的是让模型判断”这个技能是否与当前任务相关”，而不是教会模型如何使用。详细使用说明在 SKILL.md 正文中，按需加载。

---

参考来源

• 源码验证：agent/curator.py、tools/skill_usage.py、tools/skill_provenance.py、agent/background_review.py