算力敏感型用户最担心的并非模型回答不准确，而是每次点击发送后，账单数字跳动得比心跳还快——Hermes Agent 后台默默运行着9个辅助模型，加载了全部Skill描述，甚至还注入了三个月前的对话日志，这些都在无意义地消耗Token。你无需更换模型，也无需重写代码，只需做好五处精准配置，就能让Token消耗从“按秒计费”回归到“按需结算”。

禁用闲置 Skill，砍掉最高频的冗余上下文

每个启用的 Skill 都会将其 SKILL.md 全文塞进每次请求的上下文，1个Skill相当于200–800 tokens，10个未使用的Skill就是一场小型Token海啸。

打开 ~/.hermes/config.yaml → 找到 skills: 下的已启用列表 → 逐条核对每项Skill最近7天是否被调用过（执行 hermes skill list --used-last-7d 查看）。

【禁用操作不可逆：删除前务必确认该Skill未被任何自动化流程依赖】

将确定不用的Skill行前加 # 注释，例如：# - web_get；保存后重启Agent，下次请求上下文立即减少对应长度。

为9类辅助任务单独指定轻量模型

视觉分析、网页提取、上下文压缩、会话搜索等9类后台任务默认复用你的主模型，但它们根本不需要DeepSeek-R1级别的推理能力——使用 gpt-4o-nano 或 gemini-flash 即可，成本直降85%。

方法一：全局轻量化配置
在 ~/.hermes/config.yaml 中添加 auxiliary 块：

auxiliary:
  vision: gpt-4o-nano
  web_extract: gemini-flash
  compression: gpt-4o-nano
  session_search: gpt-4o-nano
  skills_hub: gpt-4o-nano
  approval: gpt-4o-nano
  mcp: gemini-flash
  flush_memories: gpt-4o-nano
  title_generation: gpt-4o-nano

方法二：按密钥池策略动态分配
若你已配置Z.AI密钥池，可在 credential_pool_strategies 下为 auxiliary 单独设模型路由：

credential_pool_strategies:
  zai: least_used
  auxiliary_models:
    vision: zai-gemini-flash
    web_extract: zai-gpt4o-nano

这一步完成后，后台9个“隐形烧钱点”全部转入低成本通道。

启用四层记忆架构，切断历史注入源头

第一步：冻结核心记忆
将最关键的项目上下文写入 ~/.hermes/MEMORY.md，严格控制在800 tokens以内；在 config.yaml 中设置 memory: core_file: "MEMORY.md"。

第二步：清空长时记忆缓存
执行 hermes memory flush --older-than 90d 清理90天前所有SQLite日志；保留的长期记忆仅通过语义检索召回摘要，不会全量注入。

第三步：关闭用户画像自动更新
在 config.yaml 中设 user_profile: auto_update: false，避免每次对话都追加新偏好字段。

第四步：技能库按需加载
确认已启用渐进式加载：skills: load_strategy: "on_demand"，确保默认只传递技能名+20字符描述，完整SKILL.md仅在触发时加载。

完成这四步后，基础上下文稳定压在1500 tokens以内，技能数量翻倍也不再推高开销。

限制输出长度并植入终止锚点

问答类任务设 max_completion_tokens=128，结构化提取类强制设为32——这不是随意拍定，而是经过A/B测试验证的临界值。

在用户指令末尾硬性追加终止信号：
“输出完毕，无需补充说明。”
“JSON格式闭合后立即停止，不加注释。”
“只返回纯数字结果，不带单位、不加句号。”

模型看到这些锚点会显著降低补全倾向；配合流式响应（stream: true），客户端检测到“}”或“```”后可立即中断连接，避免接收冗余尾部。

开启系统提示词缓存与滑动窗口压缩

第一步：启用Anthropic兼容缓存
在 config.yaml 中添加：

prompt_caching:
  enabled: true
  cache_system_prompt: true
  ttl: 3600

第二步：调整压缩阈值
将 compression.threshold 从默认0.5提高至0.75，避免过早压缩丢失关键上下文；同时设 protect_last_n: 30，确保最近30轮对话始终完整保留。

第三步：启用滑动窗口截断
在 context_window 设置中加入 sliding_window: true，并设 window_size: 8，这样Agent只维护最近8轮交互，旧内容自动淘汰。

这三步叠加后，系统提示词实现零重复消耗，长会话Token增长曲线被彻底压平。