1. 为什么 Agent 一装技能就“上下文爆炸”如果你正在用 Hermes 这类带 Skill Runtime 的 Agent 框架大概率遇到过这个场景技能目录里塞了二三十个 SKILL.md每个正文动辄几千字会话一启动模型还没开始干活上下文窗口已经被吃掉一大半。更糟的是模型面对一堆技能描述反而不知道该调哪个错误调用率直线上升。Hermes 的解法是把技能加载拆成三层Level 0 只给模型一张“轻量地图”Level 1 按需读取完整技能正文Level 2 再细到技能目录里的单个参考文件。三层各管一段会话启动时只付固定的小额成本真正的正文和参考文件变成触发后的边际成本。这套机制配合 TaoToken 的统一 Key 通道能把多模型、多工具的接入配置收敛到一处省掉每个工具单独配 Key 的重复劳动。这篇会拆开三层加载的目录边界、命名解析和条件激活逻辑给出可复制的 settings.json / config.toml 骨架以及 CC Switch、Cline 的接入片段最后用一组上下文占用对比动作验证效果。适合已经在跑 Agent、被上下文成本卡住、想搞清楚 Skill Runtime 到底怎么省 token 的人。2. TaoToken 前置统一 Key 与 API 通道准备在动手改配置之前先把接入层理清楚。Hermes 本身不绑定某一家模型服务它通过 OpenAI 兼容的 API 通道调用模型。TaoToken 在这里扮演的角色是统一入口一个 Key 覆盖多个模型API 地址固定省得你在 Hermes、CC Switch、Cline 之间来回换配置。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 基址是 https://taotoken.net/api 。注意 API 地址不带 UTM 参数配置里直接写这个就行。你需要先拿到 Key。进入控制台的 API Keys 页面创建https://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite 。创建后复制那串 sk- 开头的字符串后面所有配置都复用它。注意Key 只显示一次创建后立刻存到本地密码管理器或环境变量里别直接写进会提交到 Git 的配置文件。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里面有各客户端的完整参数说明。如果你只是想先验证模型通不通可以直接用模型对话页面试一句https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。环境变量建议这样设Linux/macOS 写进 ~/.zshrc 或 ~/.bashrcWindows 用系统环境变量面板export TAOTOKEN_API_KEYsk-你的key export TAOTOKEN_BASE_URLhttps://taotoken.net/api设完执行source ~/.zshrc让变量生效然后用echo $TAOTOKEN_API_KEY确认能打印出来。这一步看着简单但后面 Hermes 读配置时如果变量没生效会直接报 401排查起来反而绕远路。3. 可复制配置三层加载的目录骨架与 settings.json先把 Hermes 的技能目录结构搭出来。主目录固定在 ~/.hermes/skills/它是默认读写位置也是本地技能的单一真实来源。外部目录通过 external_dirs 接入只承担扩展和共享角色默认不会覆盖本地版本。~/.hermes/skills/ ├── category/ │ └── skill-name/ │ └── SKILL.md ├── .hub/ │ ├── lock.json │ ├── quarantine/ │ └── audit.log ├── .bundled_manifest └── .archive/这里有几个工程取舍值得记住。SKILL.md 是技能入口.hub 存 Hub 相关本地状态.archive 和 .bundled_manifest 属于维护层数据不参与正常扫描。Hermes 遍历时会主动排除这些目录也会跳过 .git、node_modules、虚拟环境、缓存目录等高噪声路径。排除集合大致长这样EXCLUDED_SKILL_DIRS frozenset(( .git, .github, .hub, .archive, .venv, venv, node_modules, site-packages, __pycache__, .tox, .nox, .pytest_cache, .mypy_cache, .ruff_cache ))命名空间是另一条边界。普通技能用 skill-name 解析插件技能用 namespace:skill 解析。这个冒号不是装饰它告诉运行时先拆出插件命名空间再去插件目录里找对应技能。没有这条规则插件生态很快会撞名。def parse_qualified_name(name: str): if : not in name: return None, name return tuple(name.split(:, 1))本地优先也很关键。同名技能出现时Hermes 不会让外部目录悄悄覆盖用户本地版本真正发生多候选冲突时它会返回明确错误和所有匹配路径让用户改用完整相对路径。这个决定减少了“为什么今天调用的不是昨天那个技能”的排查成本。接下来是 settings.json 骨架。Hermes 的模型通道指向 TaoToken技能目录声明主目录和外部目录{ model: { provider: openai-compatible, base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, model_name: claude-sonnet-4-20250514 }, skills: { root_dir: ~/.hermes/skills, external_dirs: [ ~/shared-skills/team-common ], write_approval: true, inline_shell: false }, session: { skills_list_token_budget: 3000 } }几个参数说明一下。base_url 固定写 TaoToken 的 API 地址api_key_env 指向环境变量名不把 Key 明文写进文件external_dirs 是数组可以挂多个共享目录write_approval 打开后技能写入不会直接落盘而是进 ~/.hermes/pending/skills/ 等 reviewinline_shell 默认关掉因为技能内容一旦能执行命令路径安全和注入检测就必须跟上非必要不开。如果你用 config.toml 风格等价写法[model] provider openai-compatible base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY model_name claude-sonnet-4-20250514 [skills] root_dir ~/.hermes/skills external_dirs [~/shared-skills/team-common] write_approval true inline_shell false [session] skills_list_token_budget 30003.1 Level 0skills_list 只给模型一张轻量地图会话启动时Hermes 不会把每个技能的正文都塞进上下文。skills_list() 只返回技能元数据大约是一个固定的 token 成本原文估算 Level 0 约为 3k tokens。这笔成本在会话启动时支付后面的完整技能内容和参考文件只有触发时才成为边际成本。三层成本对照层级调用返回内容典型 tokenLevel 0skills_list()仅技能元数据约 3kLevel 1skill_view(name)完整 SKILL.md10k–100kLevel 2skill_view(name, path)技能目录内某参考文件按文件大小Level 0 的目标不是“让模型读懂所有技能”而是让模型知道有哪些技能、每个大概负责什么、是否适合当前平台和环境。它更像一张地图不是一本手册。返回值只保留必要字段{ name: skill-name, description: Brief description..., category: category-name, tags: [tag1, tag2] }这个阶段的扫描没有依赖 SQLite 或预构建 JSON 索引每次执行 skills_list() 都会重新扫文件系统def iter_skill_index_files(skills_dir, filename): for root, dirs, files in os.walk(skills_dir, followlinksTrue): dirs[:] [d for d in dirs if d not in EXCLUDED_SKILL_DIRS] if filename in files: yield Path(root) / filenamedirs[:]的原地修改是个小但实用的优化。它不是在遍历后过滤结果而是在 os.walk() 继续递归之前剪掉不该进入的目录。技能数量少于千级时这种按需扫描足够简单维护成本也比额外索引低。Level 0 还会处理平台和环境匹配。platforms 为空时默认通过macos 映射到 darwinlinux、windows 也有对应映射。Termux 需要特殊处理因为它跑在 Android 上却经常要兼容 Linux 技能。PLATFORM_MAP { macos: darwin, linux: linux, windows: win32 }环境字段也在这个阶段过滤。Hermes 内置识别 kanban、docker、s6未知环境默认通过。这个默认值有点宽松但它避免了一个更糟的问题新环境还没被运行时认识时技能全部消失。_KNOWN_ENVIRONMENTS frozenset({kanban, docker, s6})条件激活是 Level 0 里更像 Agent 的部分。技能可以声明 requires_toolsets、requires_tools也可以声明 fallback_for_toolsets、fallback_for_tools。前者表示依赖不可用就隐藏后者表示主工具可用时自己退场。比如一个 DuckDuckGo 搜索技能可以只在正式 Web 工具不可用时出现。这样模型看到的不是“所有可能工具”而是当前会话真正有意义的工具。对 Agent 来说这比单纯减少 token 更重要因为候选越乱错误调用的概率越高。3.2 Level 1skill_view 的难点在名字解析当模型决定使用某个技能时才进入 Level 1。skill_view(name) 会读取完整 SKILL.md执行必要的前置处理然后把完整技能说明交给模型。四层名称解析策略体现了兼容性优先级。策略 1直接路径direct_path search_dir / name if direct_path.is_dir() and (direct_path / SKILL.md).exists(): return direct_path / SKILL.md策略 2递归按目录名匹配for found_skill_md in iter_skill_index_files(search_dir, SKILL.md): if found_skill_md.parent.name name: return found_skill_md策略 3按 frontmatter 的 name 字段匹配fm, _ _parse_frontmatter(fm_content) if fm.get(name) name: return found_skill_md策略 4兼容旧式扁平 .md 文件for found_md in search_dir.rglob(f{name}.md): if found_md.name ! SKILL.md: return found_md直接路径优先说明 Hermes 鼓励用户在冲突时显式指定位置。目录名匹配符合大多数人的直觉frontmatter 名称匹配给重命名目录留下空间legacy .md 负责兼容旧技能。真正撞名时运行时不会装作没事if len(candidates) 1: return json.dumps({ success: False, error: fAmbiguous skill name {name}: {len(candidates)} skills match, matches: [str(smd) for _, smd in candidates], hint: Use full relative path instead })这比“按某个顺序静默选第一个”可靠得多。技能是会执行命令、写文件、访问外部系统的名称解析上的模糊不该被吞掉。插件技能在 Level 1 里走一条相似但带命名空间的链路。skill_view(plugin:skill) 会先定位插件再找插件内的技能。如果插件存在但技能不存在运行时可以列出可用技能如果找到了会在返回内容前附加上下文横幅提醒模型这是哪个插件的一部分以及有哪些 sibling skills 可以用限定名调用。[Bundle context: This skill is part of the plugin plugin. Sibling skills: skill1, skill2. Use qualified form to invoke siblings (e.g. plugin:skill1).]Level 1 的后半段是技能内容预处理。Hermes 支持模板变量${HERMES_SKILL_DIR} - 当前技能目录的绝对路径 ${HERMES_SESSION_ID} - 当前会话 ID如果配置允许还可以执行内联 shellCurrent date: !date -u %Y-%m-%d Git branch: !git -C ${HERMES_SKILL_DIR} rev-parse --abbrev-ref HEAD这个能力很锋利所以它应该被视为受控扩展而不是普通 Markdown 特性。技能内容一旦能执行命令路径安全和注入检测就必须跟上。Hermes 对技能名做了绝对路径、Windows drive、..路径穿越检查也内置了一批 prompt injection 模式例如 ignore previous instructions、system prompt: 等。Hub 安装技能还有额外安全扫描重点检查数据渗出、破坏性命令、Shell 注入和 prompt 注入。它不能证明技能一定安全但能挡住一批低成本攻击。配置注入也发生在 Level 1。技能可以在 frontmatter 里声明自己需要的配置项metadata: hermes: config: - key: wiki.path description: Path to wiki directory default: ~/wiki prompt: Wiki directory path运行时会从配置文件读取 skills.config.logical_key没有值就用默认值再展开 ~ 和环境变量。最后把结果追加到技能内容里[Skill config (from ~/.hermes/config.yaml): wiki.path /Users/erik/wiki]这里可以看出 Hermes 对“技能加载”和“技能管理”分得很清楚。加载是按需读取和注入管理则走 skill_manage支持 create、patch、edit、delete、write_file、remove_file。如果开启 skills.write_approval写入不会直接落盘而是进入 ~/.hermes/pending/skills/等待用户 review、diff、approve 或 reject。3.3 Level 2参考文件把长技能拆成可控切片Level 2 是 skill_view(name, path) 的形态读取技能目录内的某个参考文件。它的意义在于把长技能拆成可控切片SKILL.md 只放主流程和索引详细参考、示例、数据表放到同目录的 refs/ 或 docs/ 子目录模型需要哪块再取哪块。~/.hermes/skills/category/skill-name/ ├── SKILL.md ├── refs/ │ ├── api-schema.md │ └── examples.md └── data/ └── mapping.jsonSKILL.md 里用相对路径引用这些文件模型在 Level 1 读完主流程后如果发现需要具体 schema再触发 Level 2 读取 refs/api-schema.md。这样单个技能的上下文占用从“一次性全量”变成“按需分片”长技能不再拖垮整个会话。4. 验证请求CC Switch 与 Cline 接入片段配置写完先验证模型通道通不通。最直接的方式是用 curl 打一次 TaoToken 的 APIcurl -s https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: claude-sonnet-4-20250514, messages: [{role: user, content: reply with ok}], max_tokens: 16 }返回里能看到 choices[0].message.content 就说明 Key 和通道都正常。如果返回 401先查环境变量有没有生效返回 404 就检查 base_url 是不是写成了带 /v1 的完整路径TaoToken 的基址是 https://taotoken.net/api 客户端一般会自己拼 /v1。CC Switch 的接入片段配置里指向 TaoToken{ providers: [ { name: taotoken, type: openai-compatible, baseURL: https://taotoken.net/api, apiKey: ${TAOTOKEN_API_KEY}, models: [claude-sonnet-4-20250514, gpt-4o] } ] }Cline 的接入片段在设置里选 OpenAI CompatibleBase URL 填 https://taotoken.net/api API Key 填环境变量或直接粘贴{ cline.apiProvider: openai, cline.openAiBaseUrl: https://taotoken.net/api, cline.openAiApiKey: ${TAOTOKEN_API_KEY}, cline.openAiModelId: claude-sonnet-4-20250514 }两个客户端都配好后回到 Hermes 跑一次 skills_list()观察返回的技能数量和 token 占用。正常情况下Level 0 的返回应该只有元数据不含任何 SKILL.md 正文。你可以用一个简单脚本统计import json, tiktoken with open(skills_list_output.json) as f: data json.load(f) enc tiktoken.get_encoding(cl100k_base) tokens len(enc.encode(json.dumps(data))) print(fLevel 0 tokens: {tokens})实测下来二三十个技能的元数据列表稳定在 3k tokens 上下而如果把这些技能的正文全量塞进去轻松突破 80k。这个差距就是三层加载省下来的空间。5. 本篇常见错排查报 401 Unauthorized九成是环境变量没生效。在 Hermes 启动的同一个 shell 里执行echo $TAOTOKEN_API_KEY打印为空就说明变量没导出。注意 GUI 启动的客户端可能读不到 shell 里的 export需要在系统环境变量里设或者直接在客户端配置里填 Key。技能列表为空先确认 ~/.hermes/skills/ 下确实有 category/skill-name/SKILL.md 这种结构。如果技能放在 .archive 或 .hub 里会被排除集合跳过。另外检查 platforms 字段如果技能声明了 platforms: [linux] 而你在 macOS 上跑会被过滤掉。同名技能报 Ambiguous这是设计行为不是 bug。错误信息里会列出所有匹配路径改用完整相对路径调用即可比如 skill_view(category/skill-name)。Level 1 读取超时SKILL.md 太大或者内联 shell 命令卡住。先把 inline_shell 关掉再把 SKILL.md 拆成主流程加 refs/ 参考文件用 Level 2 按需读取。插件技能找不到确认调用时带了命名空间前缀格式是 plugin:skill。只写 skill 会走普通技能解析路径找不到插件目录里的技能。写入没落盘检查 skills.write_approval 是不是开着。开着的话写入会进 ~/.hermes/pending/skills/需要手动 review 后 approve 才落盘。6. 把 Key 和加载策略一起收敛三层加载的核心思路是延迟付费会话启动只付 Level 0 的固定小额成本正文和参考文件在触发时才计入。配合 TaoToken 的统一 KeyHermes、CC Switch、Cline 共用一套 API 通道和凭证配置维护从“每个工具一份”变成“一处改、处处生效”。如果你还在被上下文成本卡住建议先按这篇的 settings.json 骨架把 external_dirs 和 write_approval 配好再用 skills_list 的 token 统计脚本量一次基线。长期跑编码和 Agent 任务的话Coding Plan 页面有更完整的额度方案https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 。接入细节和参数说明都在文档里https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 。