MemOS —— 给Hermes打造永续记忆 ✍ 雪踏乌云🕐 2026-04-28📦 7.1 KB 🟢 已读 𝕏 文章列表 文章探讨了如何利用 MemOS 插件为 Hermes Agent 构建长期记忆系统。作者指出,单纯的模型能力不足以支撑持续成长的 Agent,关键在于记忆的组织与沉淀。MemOS 通过全量写入、语义切块、去重合并、混合检索及任务归纳等机制,将对话转化为结构化的经验记录,并配合可视化面板实现了记忆的本地化管理。这使得 Hermes 能够记住用户习惯与上下文,从“一次性工具”进化为“越用越顺手”的生产力系统。 HermesMemOS长期记忆Agent记忆系统本地化可视化生产力工具 # MemOS —— 给Hermes打造永续记忆 **作者**: 雪踏乌云 **日期**: 2026-04-28T06:58:25.000Z **来源**: [https://x.com/Pluvio9yte/status/2049020395874075090](https://x.com/Pluvio9yte/status/2049020395874075090) ---  最近一段时间,Hermes 的讨论度明显起来了。它开始把 Agent 从“一次性的工具”,往“可持续成长的系统”推了一步。 听起来有点难以理解,但换成一句更直白的话就是: > AI 不再是这次记住了会了,但是下次又忘了 而这,也是我后来去转到了 MemOS Hermes Agent Local Plugin (一个知名开源Agent记忆系统的插件)的原因。 因为当我真的开始把 Agent 当成日常生产力工具来用时,我越来越觉得 Agent 的最重要的是记忆,是: - 它能不能记住我是谁 - 能不能记住我做过什么 - 能不能在下一次任务里记住上一次的上下文 - 能不能把经验沉淀成真正可复用的东西 如果不能,那再聪明的模型,也始终像一个“每次都刚认识你”的临时工。 如果能,那 Agent 才有点像一个真正会积累、会进化、会越来越顺手的系统。 而在这件事上,Hermes 和 MemOS 的组合,就能给 Agent 补上记忆的最后一环。  一开始很多人对 AI memory 的感知很简单: - 记住更多内容 - 下次检索出来 - 问题解决 听上去很合理,但实际用起来,你很快会发现,问题根本没这么简单。 因为记忆系统的关键不是没记住,其实是: - 记得太乱 - 记得太多 - 找不回来 - 召回了一堆不相关的噪音 这就像一个人什么都往脑子里塞,但没有整理、没有筛选、没有索引、没有优先级。这最后的结果不是更聪明,而是更混乱。 很多 memory 产品做到最后,其实都容易卡在这里: > 有存储,没有组织;有召回,没有判断;有历史,没有结构。 而这也是 MemOS 让我觉得比较有意思的地方。 它想解决的,不只是“把 Hermes 的对话保存下来”,而是进一步往前走了一层: - 全量写入 - 语义切块 - 去重和合并 - 混合检索 - 时间衰减 - 任务归纳 - 技能沉淀 - 多 Agent 隔离和共享 也就是说,它不是把聊天记录丢进一个数据库就结束了,是在试图把记忆真正做成 Agent 的工作底层。 我为什么会开始使用 MemOS ? 像 MemOS 此类的记忆功能,它的价值不是那种瞬间可感知的,是能够被人看见并理解和感知到。 你不是第一次用它时就立刻觉得差异巨大,而是在几天之后,开始发现自己越来越少重复解释、越来越少重复提供背景、越来越容易把过去做过的事情重新接起来  我实际体验下来,MemOS 最值得讲的不是“它能记住”,而是“它会组织记忆” 如果只看表面,你可以把 MemOS 理解成一个给 Hermes 增强长期记忆的本地插件。但实际看下来,它做的事情要比“记住”复杂得多。 它不是简单地存对话,而是会把对话组织成任务 这点我觉得很关键。因为很多时候,我们真正想找回的不是一句原话,而是: - 上次做那件事时的目标是什么 - 中间用了哪些步骤 - 踩过哪些坑 - 最后是怎么解决的 所以MemOS 在这个层面上的思路是,把对话慢慢组织成 task,再对 task 做结构化总结。 于是记忆不再只是松散片段,而开始变成: - Goal - Key Steps - Result - Key Details 这一下就从“聊天记录”变成了“经验记录”。这是一个非常大的区别。  一句话总结我现在的感受就是: Hermes 让 Agent 能干活,MemOS 让它越干越聪明。 如果说以前我们看 AI,重点是“这次答得好不好”,那以后看 Agent,可能更重要的是: - 它能不能记住 - 能不能沉淀 - 能不能成长 - 能不能协作 而长期记忆,可能就是这条分水岭。 > 此外,memos最令我惊艳的是推出了一个可视化Hermes记忆面板 Memory Viewer 安装插件后,直接在本地链接打开即可 Memory Viewer  输入初始账号密码之后,就能够进入可视化面板  进入后,可以用图形化方式查看 Hermes 的记忆存储与检索结果。相比只在命令行中调用记忆能力,这种可视化方式更方便理解和验证 Hermes 的长期记忆机制。 这让原本“看不见、摸不着”的 Agent 记忆,第一次变得可观察、可检索、可管理,体验非常惊艳。 而且,这个插件的价值并不只是“把记忆显示出来”这么简单。它本身还补上了不少非常实用的能力。 比如,它支持对历史记忆进行搜索。当你和 Hermes 聊过很多内容之后,后续想找回某个项目、某个结论、某次报错,或者之前讨论过的某条配置,不需要再去翻很长的聊天记录,直接通过记忆检索就能更快定位。 除了普通搜索之外,它还支持按上下文回溯记忆。也就是说,不只是看到一条孤立的信息,而是能进一步查看这条记忆前后关联的内容。这样在排查问题、回顾任务过程、或者追溯某个决策是怎么形成的时候,会非常有帮助。 另外,这个插件的一个重要特点是:它是本地化的长期记忆方案。 也就是说,记忆数据并不是漂在一个你看不见的远程黑盒里,而是更接近“存放在自己本地、自己可控的记忆层”。对于比较在意隐私、可控性和可验证性的用户来说,这一点会很有吸引力。 从实际使用感受来看,它会让 Hermes 从“这一轮会话里很能干”,进一步变成“越用越懂你的工作流”。 例如: - 记住你常用的表达方式 - 记住你项目里的固定约定 - 记住之前解决过的问题和结论 - 在后续对话中更快进入上下文 这也是我觉得它和普通聊天记录最大的区别: 聊天记录只是被动保存内容,而记忆系统是在主动帮助 Agent 更好地理解你、配合你。 总的来说,这是一套更偏本地化、可控的长期记忆方案。它会让 Hermes 不只是“这一轮会话里工作”,也能够在持续使用中逐渐沉淀你的习惯、偏好和工作流,后续也能更快进入上下文。 ## 相关链接 - [雪踏乌云](https://x.com/Pluvio9yte) - [@Pluvio9yte](https://x.com/Pluvio9yte) - [9.6K](https://x.com/Pluvio9yte/status/2049020395874075090/analytics) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [2:58 PM · Apr 28, 2026](https://x.com/Pluvio9yte/status/2049020395874075090) - [9,639 Views](https://x.com/Pluvio9yte/status/2049020395874075090/analytics) - [View quotes](https://x.com/Pluvio9yte/status/2049020395874075090/quotes) --- *导出时间: 2026/4/28 20:02:23*
从 从「帮我做」到「做完记住」:Agent 记忆升级实录 本文记录了作者将 MemOS 2.0 本地插件集成到 Bloome Agent 的实战过程。通过引入「执行即学习」的记忆操作系统,解决了传统 Agent 仅依赖上下文窗口导致记忆丢失和经验无法积累的痛点。文章详细解析了 MemOS 的四层认知资产架构、云端沙箱的部署踩坑解决方案(如 ngrok 内网穿透)、历史记忆的迁移方法,以及跨 Agent 记忆共享的配置,展示了 AI 助手如何从被动工具进化为具备主动记忆能力的智能体。 技术 › Agent ✍ Berryxia.AI🕐 2026-05-28 AgentMemOS记忆系统BloomeHermesOpenClaw实战教程人工智能自动化记忆共享
这 这应该是目前最接近正解的 Agent 记忆方案 文章探讨了现有 Agent 记忆方案的局限性,即仅是“搜旧聊天”而非真正的学习。作者介绍了 MemOS Local Plugin,它通过 Reflect2Evolve 机制,从对话中自动提炼策略和技能。实测显示,它能跨 Session 应用写作偏好并积累经验,代表了从“存规则”到“学策略”的进步。 技术 › Agent ✍ Yanhua🕐 2026-06-04 AgentMemOS记忆机制HermesLinux本地插件RAG技能进化DeepSeek提示词工程
H Hermes Agent 记忆系统架构指南 本文详细介绍了 Hermes Agent 的记忆系统架构。作者指出,记忆是 Agent 区别于普通 Chatbot 的核心。Hermes 的记忆栈分为三层:开箱即用的原生层(包含本地数据库和两个 Markdown 文件)、可选的官方插件提供商层、以及社区构建的扩展层。文章深入解析了内存文件的运作机制,如字符上限、自动合并的误区以及 Agent 如何自主管理记忆。 技术 › Hermes ✍ Kevin Simback🕐 2026-05-24 Agent记忆系统HermesArchitecture开发者工具LLM技术栈插件系统
H Hermes 高级用法:多 Profile 协作搭建 OPC Agent 团队(上篇) 文章探讨了如何利用 Hermes 工具的多 Profile 协作功能来构建 OPC(一人公司)Agent 团队。作者指出单一 Agent 存在幻觉、记忆污染和角色混乱三大问题,并提出通过“长期员工”Profile 和“临时工”Subagent 的概念进行分工。文章详细拆解了四角色模型(协调员、研究员、作家、构建者)及各自的配置文件结构,旨在建立一套稳定、清晰的 Agent 工作系统。 技术 › Hermes ✍ 知野🕐 2026-04-30 OPCAgent多Profile团队协作工作流LLM自动化生产力工具HermesSubagent
H Hermes WebUI 终极指南:在浏览器中掌控你的 AI 终端 本文介绍了专为 Hermes Agent 打造的 WebUI 可视化控制台。该工具采用 Python 原生后端与 Vanilla JS 前端,旨在提供零框架、零构建的秒级启动体验。文章详细阐述了其核心功能,包括流式输出、思维链可视化、内嵌文件浏览器及安全护栏,并提供了原生与 Docker 两种部署方案及常见问题排错指南。 技术 › Hermes ✍ Mulight 沐光🕐 2026-04-29 AIAgentWebUI可视化部署指南Hermes前端DevOps工具教程
1 15 个你从未使用过的 Hermes Agent 功能 大多数用户仅将 Hermes Agent 视为简单的聊天机器人,浪费了其 92% 的潜力。文章介绍了 15 个改变游戏规则的高级功能,包括:SOUL.md 个性化设定、持久化记忆(MEMORY.md)、会话分支与回滚、供应商无关的模型切换、17 平台网关、实时语音交互、内置 Cron 定时任务以及上百个可用的 Skill 斜杠命令。掌握这些功能可以将 Hermes 从单纯的对话工具转变为全功能的自动化与生产力中心。 技术 › Hermes ✍ Sharbel🕐 2026-04-29 HermesAgentLLM自动化生产力工具技能模型切换DevOps提示工程
H Hermes Agent 进阶指南:记忆、技能与生产化部署 本文详细介绍了 Hermes Agent 的记忆系统架构,包括内置记忆、外部提供商及运行时上下文三层机制,并解释了 Agent 策展原理。文章进一步阐述了核心文件的正确用法、Super Memory 配置、技能自进化机制以及多 Profile 和 Sub-Agent 协作策略。最后,提供了包括 Systemd/Docker 部署、Cron 时区处理、Tirith 安全模块及 MCP 集成在内的生产环境实战要点,帮助用户让 AI 助手真正实现智能化与长期记忆。 技术 › Hermes ✍ 弘毅新征程🕐 2026-04-23 HermesAgent记忆系统技能生产部署Sub-AgentMCPProfileDevOps配置指南
H Hermes Agent 从中级到高级进阶指南 本指南面向已完成 Hermes 基础配置的用户,深入讲解进阶核心内容。涵盖记忆系统架构与 Agent-curated 机制、技能自进化与自动创建流程、多 Agent 协作与隔离、生产化部署配置及调试技巧。旨在帮助用户构建专属记忆系统,利用 Skill 沉淀经验,实现 Agent 的自我进化与生产级落地。 技术 › Hermes ✍ 爱丽丝呀!🕐 2026-04-15 HermesAgentLLM记忆系统技能进化多Agent生产部署配置指南自我进化AI工具
H Hermes Agent v0.9.0 全方位更新:迈向分布式智能 文章详细介绍了 Hermes Agent v0.9.0 版本的重大更新,该版本标志着从“聊天机器人”向“分布式智能”的范式转变。核心功能包括 Android/Termux 原生支持、多平台消息网关、实时日志监控、本地 Web 仪表盘、可插拔记忆系统以及凭证池等。这些更新使得 AI 能够作为一个主动的伙伴,跨设备跟随用户,实现离线推理、主动警报和无缝的上下文同步。 技术 › Hermes ✍ mr-r0b0t🕐 2026-04-15 HermesAgentLLMAndroidDevOps自动化更新日志隐私计算Termux本地化
H Hermes-Agent vs 自建OpenClaw Harness:Agent操作系统的记忆与架构实战对比 文章基于 Harness Engineering 三大支柱(评估闭环、架构约束、记忆治理),深度对比了 Nous Research 的 Hermes-Agent 与作者基于 OpenClaw 自建的 MemOS 系统。Hermes 主打“有界热记忆 + CLI 优先”,适合个人快速启动;自建方案则采用“无界记忆 + Hook 机制强制捕获”,实现多 Agent 协作与权限隔离,适合团队长期积累。 技术 › Agent ✍ huangserva🕐 2026-04-10 AgentHarness记忆治理HermesOpenClaw架构设计实战对比MemOSLLM多Agent系统
I I got tired of being a human AGENTS.md 作者受够了每次与编码代理沟通时重复上下文,因此开发了AsterMem,一个本地运行的内存服务器。它将记忆存储为Markdown文件,支持离线运行,并自动提炼用户画像供代理读取。用户可完全控制和编辑记忆,避免黑盒问题。 技术 › Agent ✍ Asterove🕐 2026-07-29 Agent本地化隐私保护MarkdownCursorClaudePythonFastAPIReact开源
H Hermes Agent Masterclass: 安装、配置与基础命令 本文介绍了开源 AI Agent Hermes 的安装与基础配置。Hermes 由 Nous Research 开发,支持多种模型和终端运行,具有会话复用和技能积累的独特设计。文章详细讲解了在 Windows、macOS 和 Linux 上的安装步骤、设置向导流程以及如何配置推理提供商。 技术 › Agent ✍ tonbi🕐 2026-07-29 HermesAgentAI安装教程CLI工具与效率开源