学习闭环

自进化：Agent 的根本问题 传统 AI Agent 面临一个根本矛盾：能力不会随使用增长。你用了 Agent 一千次，它还是第一次的水平。对话历史越来越长，但那是负担而非财富——context window 膨胀、响应变慢、成本上升。 Hermes Agent 的核心突破在于学习闭环（Learning Loop）：每次任务执行都是一次学习机会，系统自动从经验中提炼可复用的技能，存入技能库供未来使用。 学习闭环的三层架构 Hermes 的学习闭环分为三层，每层负责不同粒度的学习： 第一层：任务级学习（Task-Level Learning） 每次任务执行完成后，复盘 LLM 立即启动，对该次任务进行总结： # 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) 第二层：模式级学习（Pattern-Level Learning） 当相似任务出现多次，系统识别出重复模式，触发技能提炼。Hermes 的技能触发条件： ...