抽丝剥茧：深度解析 Hermes Agent 万字系统提示词构成
本文详细拆解了 Hermes Agent 长达 1 万 token 的系统提示词，将其分为 9 层结构进行分析。作者发现主要的 Token 消耗集中在 AGENTS.md 项目开发指南，并提供了通过调整 `TERMINAL CWD` 路径来减少 50% Token 消耗的优化技巧。文章还涉及 Memory 管理、Skills 索引及平台适配等技术细节。
相关文档
深度体验 EverOS Cloud：让 Agent 记忆与经验沉淀为技能的测评
文章针对 AI Agent 开发中记忆缺失、RAG 低信噪比切片、状态冲突与多主体污染三大痛点，测评了 EverOS Cloud（API v2）这一 Agent 记忆操作系统。核心机制包括语义事件切割、记忆整合消解冲突、多主体严格隔离，在 LoCoMo 基准上达 93.05% SOTA，减少 90% 以上 Token 消耗。其自进化技能引擎可将任务执行链路沉淀为 Case 并蒸馏为可复用 Skill，任务成功率最高提升 234.8%。接入仅需两行核心调用，支持记忆治理 API、多模态资料挂载、MCP 协议兼容 Claude Code 等工具，以及云/本地双模部署。作者认为其适合需要跨会话跟踪意图与沉淀业务 SOP 的场景。
用 Claude 自动设计评估与爬山优化
本文介绍如何设计可信的评估体系，并依据评估开展爬山优化，重点讲解 claude-api 技能中的 build-eval 和 hillclimb 两个命令。文章首先阐述良好评估的四个要素：任务反映生产环境、更强模型表现更好、保留提升空间、运行波动小，并强调对抗性采样的误区。随后说明 build-eval 如何通过生产流量采样、验证评分器、诊断检查建立评估。爬山优化部分介绍迭代成本低、效果可归因、目标明确等原则，以及通过拆分训练集与测试集防止过拟合。最后通过客服基准降本和 claude-api 技能提分两个案例展示实际效果。
斯坦福 CS146S 首周：200 行复现 Claude Code——Agent Loop、核心工具集与系统提示词拆解
斯坦福大学 Mihail Eric 教授开设的「AI 原生软件开发」课程 CS146S 首周资料公开。第一周主题是拆解 Coding Agent 内部机制：LLM 是无状态的文本到文本函数，agent 的能动性来自外部循环，即 agent = LLM + 工具 + 循环。课程用 200 行代码复现 Claude Code 骨架，讲解核心循环设计、read/write/edit/bash 四个最小完备工具集，以及 Claude Code、Cursor 等生产级 agent 系统提示词的结构分层：身份锚定、工具规则、工作流规范、安全边界和沟通风格。课程旨在 demystify：agent 没有魔法，骨架与产品的差距全是可学习的工程问题。
Jev + Agent：打造一个每小时自动更新的素材库
作者介绍了用 TypeSafe 新发布的判断型模型 Jev 与 Agent 协作搭建广告素材自动化筛选库的实践。Jev 不生成文本，只做选择题、打分和是非判断，单次判断 70-500 毫秒，输入价格极低。作者将 RollerAds 的 4,000 多条素材接入 Polaris 追踪系统，让 Jev 每条回答 12 个问题（钩子类型、优惠、CTA、审核风险等），400 条素材 20.6 秒即可读完。每小时自动为新素材补标签，再按规则筛选出置信样本交给 Agent 做二创和测试，大幅节省 Token 成本，实现高效的投放自动化工作流。
Loop Engineering for Sub-Dime Agents: Cutting Token Costs in AI Coding Harnesses
本文探讨如何通过循环工程降低自主编码 Agent 的 Token 成本。以一个 5 轮 PR 修复任务为例，未优化的 Harness 消耗 81,000 tokens（$1.53），而优化后仅需 12,050 tokens（$0.042）。核心机制包括：稳定的系统前缀以最大化 KV 缓存命中；基于 AST 的工具输出压缩，仅提取代码骨架；沙箱确定性工具预检与自动修复，避免浪费 LLM 推理；MCP 工具 Schema 的按需懒加载与 Code-Mode 执行；以及双层级模型路由（Workhorse 处理机械性任务，Frontier 处理复杂规划），并定义了四种确定性升级触发条件，实现亚角级（sub-dime）任务成本。
Anthropic 13页 Agent 记忆白皮书解读：5层记忆金字塔
文章推荐了一份13页的Agent记忆工程白皮书（民间整理，非Anthropic官方出品），将其拆解为5层记忆金字塔：工作记忆（上下文窗口）、情景记忆（交互日志）、语义记忆（知识图谱）、程序记忆（技能固化）和遗忘引擎（矛盾消解）。文章指出缺乏记忆分层的Agent会不断重复踩坑、成本高企，而引入该架构后Mem0的Token消耗降低90%、延迟降低91%，Snowflake准确率提升20%。核心观点是：不要迷信更大的上下文窗口，应把记忆做成可检索、可进化、可修剪的工程资产。
Your Agent Harness Should Repair Itself
文章探讨 Agent 系统如何在不更新模型权重的情况下自我改进。作者阐述了两条反馈路径：成功运行产生可复用的程序性记忆（以 Hermes 的 SKILL.md 文件和 GEPA 离线优化为代表），失败运行则通过 Opik 的执行 trace 进行诊断，定位故障源头（模型、工具、配置或代码），提出修复方案，经人工审核后重跑并添加回归测试。文章强调失败必须被记录为可验证的预期行为和测试用例，才能转化为可复用的知识，并详细介绍了 trace 结构、失败检测与根因分析的工作流程。
机器人界的 Android 开源了：Autonomous OS
Autonomous OS 是一个开源机器人操作系统，被称为机器人界的 Android。它接入 Hermes、Claude Code 等推理引擎，让机器人能自主感知与决策，而非仅执行脚本。系统提供 Skill Store 技能包（看家护院、人脸识别、Gmail/GitHub/Mac 控制等），内置自我进化学习循环，且硬件通用——只需编写 ROBOT.md、SOUL.md、SAFETY.md、SKILL.md 四个文件即可接入任意设备。文章还介绍了技术接单、场景解决方案、内容变现、硬件极客等落地赚钱场景。
Developers Guide to using fewer Gemini Tokens with your Agents
本文介绍如何通过上下文压缩代理 headroom 减少 Agent 调用 Gemini 模型时的 token 消耗。作者指出 agent 上下文中大部分 token 来自工具输出的冗余 JSON、日志和搜索结果，而非精心设计的提示词。通过在 Gemini 3.8 Flash 前部署 headroom 代理，在四种生产级 agent 工作负载测试中，prompt token 减少 76%，任务准确率保持 100%，首 token 时间有所改善，建模成本下降约 70%。文章同时诚实探讨了压缩的有损性：压缩器保留模式、分布和异常值，但会丢弃普通记录，模型在数据缺失时会拒绝编造。项目开源且可复现。
Hermes Desktop 大师课 Part 4：Profiles——告别单一万能 Agent
本文是 Hermes Desktop 系列教程第四部分，介绍 Profiles（配置档案）机制。Profile 是拥有独立 Hermes home 的持久化环境，包含独立配置、SOUL.md、会话、记忆、技能、MCP、模型默认值等。文章厘清了 Session（做什么工作）、Project（在哪工作）、Profile（用哪个 Hermes 环境工作）三层概念的区别，并说明 Profile 才是会话与记忆的持久化边界，而非 UI 装饰。不同 Profile 可积累不同记忆与技能，连接不同 MCP 工具宇宙，设置不同模型与安全默认值，从而实现能力隔离与专业化。
The Hermes Agent FAQ
本文是 Hermes Agent 的常见问题解答合集。作者在首次发布后收集了社区 100 多条回复中最常出现的问题，结合 Reddit、X 和 Discord 上的高频提问，整理成一篇 FAQ。内容涵盖核心概念（session、project、profile、bot）、四大配置文件（SOUL.md、AGENTS.md、MEMORY.md、USER.md）、模型选择与切换、首次使用建议、远程服务器连接、成本优化、记忆机制、本地部署的硬件要求与常见问题（工具调用失效、首条消息慢、上下文窗口过小导致遗忘）以及子代理使用不同模型等高级用法。所有答案均经过官方文档核对，适合新老用户快速上手和排障。
Cherry Studio 2.0.10 预发布，更新内容有点多
Cherry Studio 2.0.10 预发布版本带来大量更新：Agent 成为新用户默认主入口并优化子 Agent 流程；Mini App 正式支持沙箱化的本地应用扩展；Code Mate 新增 Hermes Dashboard 与 Antigravity CLI；修复多模型兼容性（MiniMax M3、GLM-5.3-Flash、DeepSeek V4、Kimi、Gemini、OpenAI Responses API 等）；增强诊断体系，支持自动错误扫描和带签名的诊断报告；安全性采用 Consent + Sandbox + Fail Closed 策略；并进行了系统性的 Lazy Load 前端性能优化。整体方向收敛于统一 Agent Runtime、模型兼容层与标准化 Support 基础设施。
