Hermes 自进化机制：AI 如何学会自己成长

# Hermes 复盘流程伪代码
async def reflection_loop(task_result):
    # 1. 提取关键信息
    summary = await reflection_llm.analyze(
        task=task_result.task,
        actions=task_result.actions,
        outcome=task_result.outcome,
        errors=task_result.errors,
        prompt=f"""
        分析本次任务执行：
        - 任务目标：{task_result.task}
        - 执行步骤：{task_result.actions}
        - 最终结果：{task_result.outcome}
        - 遇到错误：{task_result.errors}
        
        请总结：
        1. 成功的关键步骤
        2. 可以改进的地方
        3. 是否有可复用的模式
        """
    )
    
    # 2. 写入长期记忆
    memory_store.add_experience(summary)
    
    # 3. 判断是否触发技能提炼
    if should_extract_skill(task_result):
        await skill_extraction(task_result, summary)

# 示例：自动生成的 SKILL.md

## 技能名称
CSV 数据清洗与导入

## 触发条件
当用户要求处理 CSV 文件、数据清洗、数据导入时触发

## 执行步骤
1. 读取 CSV 文件，检测编码（chardet）
2. 识别分隔符与引号风格
3. 检查列名一致性，自动修复常见问题
4. 类型推断：数值、日期、布尔、字符串
5. 缺失值处理：均值填充/删除/标记
6. 重复行检测与处理
7. 写入目标数据库或输出清洗后文件

## 常见错误与修复
- UTF-8 BOM 问题：使用 `encoding='utf-8-sig'`
- 混合分隔符：先用 csv.Sniffer 检测
- 日期格式混乱：统一用 pandas.to_datetime(dayfirst=True)

## 工具依赖
- pandas, chardet, csv

任务执行 → 结果记录 → 复盘分析 → 模式识别 → 技能提炼 → 结构化 → 测试校验 → 入库
   ↑                                                                    │
   └────────────────── 下次类似任务自动加载技能 ──────────────────────────┘

SKILL_EXTRACTION_PROMPT = """
基于以下任务执行记录，提炼一个可复用的技能文件（SKILL.md）：

## 任务记录
{task_history}

## 复盘总结
{reflection_summary}

## 生成要求
1. 技能名称：简洁明确，描述能力而非操作
2. 触发条件：什么情况下应该使用这个技能
3. 执行步骤：清晰的步骤列表，每步可执行
4. 常见错误：记录本次执行中遇到的问题及解决方案
5. 工具依赖：列出所需工具和库
6. 示例代码：至少一个可运行的代码片段

## 输出格式
遵循 SKILL.md 标准模板
"""

async def skill_self_repair(skill, failure_context):
    """技能自我修复：当技能执行失败时自动更新"""
    repair_prompt = f"""
    技能 {skill.name} 执行失败。
    
    原始技能内容：
    {skill.content}
    
    失败上下文：
    {failure_context}
    
    请分析失败原因并更新技能文件：
    1. 失败原因是什么？
    2. 哪些步骤需要修正？
    3. 是否需要添加新的错误处理？
    4. 更新后的完整 SKILL.md
    """
    
    updated_skill = await reflection_llm.generate(repair_prompt)
    skill_store.update(skill.id, updated_skill)
    
    # 记录修复历史
    skill.add_version({
        "version": skill.version + 1,
        "change": failure_context.error_summary,
        "timestamp": datetime.now()
    })

用户：帮我部署一个 Next.js 网站到 Vercel
Hermes：执行了 12 步，包括安装 Vercel CLI、登录、配置、部署
→ 复盘 LLM 记录经验，未触发技能生成（仅 1 次）

用户：再帮我部署一个网站
Hermes：识别到相似任务模式（3次），触发技能提炼
→ 生成 SKILL.md「Next.js 部署到 Vercel」

用户：部署到 Vercel，但用的是 pnpm
Hermes：加载技能，但 pnpm 导致构建失败
→ 技能自我修复：添加 pnpm 兼容处理步骤
→ SKILL.md 版本 v1 → v2

用户：部署网站
Hermes：秒级加载成熟技能，1 步完成部署
→ 用户惊讶：怎么这么快？

def should_extract_skill(task_result):
    # 质量门槛
    if task_result.tool_calls < 5:
        return False
    if not task_result.successful:
        return False
    if task_result.complexity_score < 0.6:
        return False
    return True

def select_skill(task, available_skills):
    task_embedding = embed(task.description)
    scores = []
    for skill in available_skills:
        sim = cosine_similarity(task_embedding, skill.embedding)
        # 加入历史成功率权重
        success_rate = skill.success_count / skill.total_count
        score = sim * 0.7 + success_rate * 0.3
        scores.append((skill, score))
    return max(scores, key=lambda x: x[1])[0]