Hermes Agent 调教实录二给 AI Agent 写记忆的学问——粒度、归属与时机实测Hermes Agent 调教实录 · 2/8 | 实验批次HERMES-102基于 Hermes Agent v0.20.0 实测2026-08deepseek-v4-flash 摘要记忆写多了没用写少了也没用。48 次实验发现粗粒度记忆5 条一句话偏好成本比不写还低 20%纪律写进记忆触发弱写进身份文件触发 3/3自主沉淀质量高但会把猜测当事实——只沉淀验证过的事实。场景记忆写了一大堆Agent 一条没记住给 Agent 配记忆最常见的两种翻车第一种写太少。记忆文件里就一句话「用户喜欢表格」——结果 Agent 在交付文档里用了三种不同的表格格式来源列时有时无。你质问它它很委屈「你没说清楚啊」。第二种写太多。生怕 Agent 忘了什么把用户画像、项目背景、历史决策、行业术语一股脑塞进记忆——结果每次会话光读记忆就吃掉一大截上下文成本肉眼可见地涨Agent 反而抓不住重点重要纪律被淹没在信息海里。记忆到底该怎么写多细合适写几条放在哪我们做了第四批实验HERMES-10248 次会话专门测记忆的「粒度、归属、时机」。实验设计三种写法 一条接力链实验载体不变Hermes Agent v0.20.0 deepseek-v4-flash独立 profile。变体记忆配置测什么A 基线记忆为空无记忆对照B 粗粒度5 条一句话如「用户偏好表格化呈现」粗粒度够不够C 细结构化10 条分类记忆用户画像/环境事实/纪律条目含细节细粒度是否更有效D 自主沉淀预置为空但每个任务后要求 Agent「把关键经验写入记忆」写入时机与自主沉淀质量D 变体是这次实验最特别的设计——它模拟真实交付Agent 边干活边积累经验后面轮次用前面沉淀的记忆。实测结果最省钱的不是「不写」是「粗粒度」先看达标率和成本变体达标率成本关键行为A 无记忆94.1%1.00×基线B 粗粒度94.1%0.80×有偏好提示少走弯路C 细结构化98.0%1.24×达标率略升成本上升D 自主沉淀~88%2.49×沉淀质量高但成本爆炸三个反直觉的发现第一粗粒度记忆比「不写」还省钱。B 变体成本只有基线的 0.8 倍——5 条一句话偏好表格化/中文标题/先查技能/写完自测/标来源给了 Agent 方向感减少了探索和返工。记忆的性价比第一档就拉满。第二细结构化的收益有限。C 变体达标率 98% vs B 的 94.1%只高了不到 4 个点成本却贵了 55%。细粒度记忆的边际收益在递减——除非任务本身高度依赖具体细节比如行业术语、字段规范否则粗粒度足够。第三自主沉淀是双刃剑。D 变体的 Agent 每轮结束后真的会沉淀记忆——质量还相当高每轮 8-9 条可复用经验清洗逻辑、敏感信息分级、来源标注规范。但代价是成本 2.49 倍每轮读入的上下文包含前面所有沉淀。更关键的是它会把「对环境的猜测」也写进记忆——我们在 D 的沉淀记录里发现Agent 把「输出文件是框架预建的占位文件」这种误解当成了事实存进记忆。关键结论记忆是信息不是纪律这次实验最重要的发现是「归属」问题。我们的第一版记忆里写了一条「任务匹配技能时先加载技能再动手」——和第一篇实验里铁律一模一样。结果呢Agent 触发技能检查的次数远低于把它写在身份文件SOUL里的对照组。对比数据写法载体技能检查触发「先加载技能」铁律SOUL身份文件3/3 全触发「先加载技能」纪律MEMORY记忆文件1-2/3 弱触发记忆是「参考信息」身份是「自我要求」。Agent 对记忆的态度是「我知道有这么回事」对身份的态度是「我就是这样的 Agent」。行为纪律放身份层信息环境事实、用户偏好、项目约定放记忆层——这是两批实验合起来得出的分层原则。行为纪律先查技能/写完自测信息偏好/环境事实/约定要写的条目是纪律还是信息身份层 SOUL触发强 3/3记忆层 MEMORY参考信息执行强度高按需参考写入时机沉淀可以但要设防D 变体证明「任务后沉淀」是有效的写入时机——Agent 能在任务完成后提炼出可复用的经验。但三个副作用必须设防副作用现象对策成本膨胀接力链上下文累积2.49 倍沉淀条目限量每轮 1-3 条定期清理过期条目猜测入脑「输出文件是框架预建的」这种误解被当事实写入只沉淀「验证过的事实」猜测标注「推断」汇报被压缩Agent 说「结果已在上方输出」最终回复极简沉淀与汇报分离沉淀进记忆汇报照常完整实战坑坑现象修复纪律写进记忆技能检查触发弱1-2/3纪律放身份文件记忆只放信息记忆写太细成本 1.24 倍收益 4%默认粗粒度细节按需补充任务后沉淀不限量记忆膨胀接力成本 2.49 倍每轮限 1-3 条定期清理不防猜测环境误解被当事实沉淀只写验证过的事实适用边界「粗粒度最优」适用于一般交付任务对高度依赖具体规范的任务医疗术语/金融字段细粒度记忆仍是必要的自主沉淀的成本问题在长对话场景会更严重——系列第五篇会讲多轮对话里的记忆表现记忆文件是全局共享的——给多个项目共用的 Agent 写记忆时环境事实要写「通用」的项目约定放项目级约束模板可直接复制粗粒度记忆最小模板5 条起步# 用户偏好 - 用户偏好表格化呈现、中文标题 - 具体数据必须标注来源 # 环境事实 - 本环境任务输入在 inputs/ 目录产物勿写回 inputs/ - 清洗类任务按去重、规整、脱敏三步 # 纪律提示可选仅作参考信息 - 任务匹配技能时优先考虑加载技能写记忆的三句话信息进记忆纪律进身份粗粒度起步细节按需补沉淀要限量只写验证过的事实。 你的 Agent 记忆里写了几条有没有「写了一大堆却没用」的经历评论区聊聊。下一篇Hermes Agent 调教实录三Agent 技能怎么写才不会被无视 Hermes Agent 调教实录（二）：给 AI Agent 写记忆的学问——粒度、归属与时机实测
Hermes Agent 调教实录二给 AI Agent 写记忆的学问——粒度、归属与时机实测Hermes Agent 调教实录 · 2/8 | 实验批次HERMES-102基于 Hermes Agent v0.20.0 实测2026-08deepseek-v4-flash 摘要记忆写多了没用写少了也没用。48 次实验发现粗粒度记忆5 条一句话偏好成本比不写还低 20%纪律写进记忆触发弱写进身份文件触发 3/3自主沉淀质量高但会把猜测当事实——只沉淀验证过的事实。场景记忆写了一大堆Agent 一条没记住给 Agent 配记忆最常见的两种翻车第一种写太少。记忆文件里就一句话「用户喜欢表格」——结果 Agent 在交付文档里用了三种不同的表格格式来源列时有时无。你质问它它很委屈「你没说清楚啊」。第二种写太多。生怕 Agent 忘了什么把用户画像、项目背景、历史决策、行业术语一股脑塞进记忆——结果每次会话光读记忆就吃掉一大截上下文成本肉眼可见地涨Agent 反而抓不住重点重要纪律被淹没在信息海里。记忆到底该怎么写多细合适写几条放在哪我们做了第四批实验HERMES-10248 次会话专门测记忆的「粒度、归属、时机」。实验设计三种写法 一条接力链实验载体不变Hermes Agent v0.20.0 deepseek-v4-flash独立 profile。变体记忆配置测什么A 基线记忆为空无记忆对照B 粗粒度5 条一句话如「用户偏好表格化呈现」粗粒度够不够C 细结构化10 条分类记忆用户画像/环境事实/纪律条目含细节细粒度是否更有效D 自主沉淀预置为空但每个任务后要求 Agent「把关键经验写入记忆」写入时机与自主沉淀质量D 变体是这次实验最特别的设计——它模拟真实交付Agent 边干活边积累经验后面轮次用前面沉淀的记忆。实测结果最省钱的不是「不写」是「粗粒度」先看达标率和成本变体达标率成本关键行为A 无记忆94.1%1.00×基线B 粗粒度94.1%0.80×有偏好提示少走弯路C 细结构化98.0%1.24×达标率略升成本上升D 自主沉淀~88%2.49×沉淀质量高但成本爆炸三个反直觉的发现第一粗粒度记忆比「不写」还省钱。B 变体成本只有基线的 0.8 倍——5 条一句话偏好表格化/中文标题/先查技能/写完自测/标来源给了 Agent 方向感减少了探索和返工。记忆的性价比第一档就拉满。第二细结构化的收益有限。C 变体达标率 98% vs B 的 94.1%只高了不到 4 个点成本却贵了 55%。细粒度记忆的边际收益在递减——除非任务本身高度依赖具体细节比如行业术语、字段规范否则粗粒度足够。第三自主沉淀是双刃剑。D 变体的 Agent 每轮结束后真的会沉淀记忆——质量还相当高每轮 8-9 条可复用经验清洗逻辑、敏感信息分级、来源标注规范。但代价是成本 2.49 倍每轮读入的上下文包含前面所有沉淀。更关键的是它会把「对环境的猜测」也写进记忆——我们在 D 的沉淀记录里发现Agent 把「输出文件是框架预建的占位文件」这种误解当成了事实存进记忆。关键结论记忆是信息不是纪律这次实验最重要的发现是「归属」问题。我们的第一版记忆里写了一条「任务匹配技能时先加载技能再动手」——和第一篇实验里铁律一模一样。结果呢Agent 触发技能检查的次数远低于把它写在身份文件SOUL里的对照组。对比数据写法载体技能检查触发「先加载技能」铁律SOUL身份文件3/3 全触发「先加载技能」纪律MEMORY记忆文件1-2/3 弱触发记忆是「参考信息」身份是「自我要求」。Agent 对记忆的态度是「我知道有这么回事」对身份的态度是「我就是这样的 Agent」。行为纪律放身份层信息环境事实、用户偏好、项目约定放记忆层——这是两批实验合起来得出的分层原则。行为纪律先查技能/写完自测信息偏好/环境事实/约定要写的条目是纪律还是信息身份层 SOUL触发强 3/3记忆层 MEMORY参考信息执行强度高按需参考写入时机沉淀可以但要设防D 变体证明「任务后沉淀」是有效的写入时机——Agent 能在任务完成后提炼出可复用的经验。但三个副作用必须设防副作用现象对策成本膨胀接力链上下文累积2.49 倍沉淀条目限量每轮 1-3 条定期清理过期条目猜测入脑「输出文件是框架预建的」这种误解被当事实写入只沉淀「验证过的事实」猜测标注「推断」汇报被压缩Agent 说「结果已在上方输出」最终回复极简沉淀与汇报分离沉淀进记忆汇报照常完整实战坑坑现象修复纪律写进记忆技能检查触发弱1-2/3纪律放身份文件记忆只放信息记忆写太细成本 1.24 倍收益 4%默认粗粒度细节按需补充任务后沉淀不限量记忆膨胀接力成本 2.49 倍每轮限 1-3 条定期清理不防猜测环境误解被当事实沉淀只写验证过的事实适用边界「粗粒度最优」适用于一般交付任务对高度依赖具体规范的任务医疗术语/金融字段细粒度记忆仍是必要的自主沉淀的成本问题在长对话场景会更严重——系列第五篇会讲多轮对话里的记忆表现记忆文件是全局共享的——给多个项目共用的 Agent 写记忆时环境事实要写「通用」的项目约定放项目级约束模板可直接复制粗粒度记忆最小模板5 条起步# 用户偏好 - 用户偏好表格化呈现、中文标题 - 具体数据必须标注来源 # 环境事实 - 本环境任务输入在 inputs/ 目录产物勿写回 inputs/ - 清洗类任务按去重、规整、脱敏三步 # 纪律提示可选仅作参考信息 - 任务匹配技能时优先考虑加载技能写记忆的三句话信息进记忆纪律进身份粗粒度起步细节按需补沉淀要限量只写验证过的事实。 你的 Agent 记忆里写了几条有没有「写了一大堆却没用」的经历评论区聊聊。下一篇Hermes Agent 调教实录三Agent 技能怎么写才不会被无视