你是否希望 Hermes Agent 能够牢牢记住你的代码风格偏好、项目中的特殊约束，以及上次调试时踩过的环境陷阱？我们都不愿每次重启对话后，还得重新向它解释一遍基础配置。掌握它的四层记忆架构正是解题关键——这并非简单的信息堆叠，而是严格按照信息的生命周期进行分层驻留。一旦选错层级，那些本应被永久保存的关键偏好，很可能被系统当作临时日志随意丢弃。
第一层：冻结提示记忆（随身笔记本）
你可以将这一层视为 Agent 启动时必须随身携带的笔记本。它的内容会在每次新会话开始时，以快照形式硬编码到系统提示词的前缀中，模型“睁眼”即可读取。但这里有一个关键设定需要注意：一旦会话开始，后续对 MEMORY.md 或 USER.md 文件的任何修改都不会在当前会话中生效。
操作十分简便。在终端输入命令 hermes mem edit，系统会自动唤起默认编辑器，打开位于 ~/.hermes/memories/ 目录下的 MEMORY.md 文件。
在这里，你应该写入那些稳定不变、长期有效的事实，总字符数建议控制在2200以内。例如：“本项目使用 Poetry 管理依赖”、“禁止在 prod 环境直接执行 raw SQL 语句”、“所有 API 响应必须携带 X-Request-ID 头”。
USER.md 文件同理，专门用于存放用户级别的长期偏好，比如：“我习惯编写英文注释，拒绝使用中文变量名”、“调试时，请优先分析 stack trace，而不是单纯依赖日志时间戳”。
保存退出后，这些改动只会在你下一次全新会话开始时被加载。当前正在进行的会话仍沿用旧快照——这种设计主要是为了保证提示词缓存的命中率，强制刷新反而可能导致不必要的 token 消耗激增。
第二层：会话归档（智能档案馆）
所有对话的原始记录都会自动存入本地的 SQLite 数据库 state.db 中。这层记忆不依赖大语言模型实时解析，而是凭借 FTS5 全文索引技术，实现毫秒级的信息召回。
调用方式主要有两种：
方法一：关键词检索
在任何会话中，直接输入指令 /search “git commit 失败”。此时，Agent 会从历史归档中提取出所有匹配该关键词的对话片段摘要，而不是把整段冗长的日志直接扔给你。
方法二：按时间回溯
输入 /history -n 5，可以列出最近5条会话的完整ID。随后使用 /session [ID] 指令，即可调取某次特定会话的全部内容。
需要注意的是，这层记忆库不会主动将信息推送给模型。它遵循“按需索取”原则，只有在显式触发检索指令时才会被读取。否则，海量的历史信息会瞬间撑爆模型的上下文窗口。
第三层：技能沉淀（武功秘籍）
当你连续多次成功完成某一类复杂任务后，系统后端的 Review Agent 便会自动行动。例如，你三次成功重构了 `utils.py` 文件中的 `validate_input` 函数，它就会默默生成一份对应的 Skill.md 文件，宛如一本记录独家经验的“武功秘籍”。
这个过程通常分为四步：
第一步：确认技能已生成
检查 ~/.hermes/skills/ 目录下，是否出现了类似 refactor-validate-input-async.md 这样的新文件。
第二步：验证触发条件
打开该文件，其开头必须包含清晰明确的触发规则。例如：IF user asks to “refactor validate_input with async support” AND file is utils.py。
第三步：手动修正技能逻辑
如果自动生成的步骤漏掉了某些环节（比如忘了加入 pytest 验证），你可以直接编辑这份 Skill.md 文件。在“执行步骤”区块的末尾，手动追加一行：- 运行 pytest test_utils.py::test_validate_input_async。
第四步：强制重载技能
在对话中输入指令 /skills reload，Agent 会立即识别并加载所有变更。下次遇到同类请求时，它将跳过复杂的推理过程，直接执行这份优化后的“秘籍”。
第四层：外部记忆扩展（可选知心朋友）
这一层属于可选的扩展能力。当你启用了 Honcho 插件后，Agent 便能动态构建一个关于你的用户画像图谱。它能将你不同时间点表达的相关偏好自动关联起来，比如，把“你上周提到讨厌冗余日志”和“今天又关闭了 debug 级别输出”这两件事联系到一起。
启用方式很简单：执行 hermes plugin install honcho 完成安装。之后无需额外配置，Honcho 插件会在每次会话结束时，自动提取对话中的语义节点，并更新本地的知识图谱。
这部分记忆有个特别之处：它不参与日常对话的提示词构建，只在接收到特定的检索指令（如 /search）或查询指令（如 /profile）时才会被调用。可以说，它像一位独立运营的顾问，只在你主动询问“我之前是怎么评价日志设计的？”这类问题时，才会给出基于长期观察的精准回答。