hermes agent 可通过四种方式集成 rnn：一、在 tool dispatch 层注入 rnn 状态管理器；二、构建独立 rnn 数据预处理器作为专用 tool；三、通过 acp 适配器桥接外部 rnn 服务；四、修改 prompt builder 启用隐状态 token 插入。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在使用 Hermes Agent 进行时序数据建模或状态依赖型任务时，发现模型无法维持长期上下文连贯性或历史状态衰减明显，则可能是由于原生架构未显式嵌入循环机制所致。以下是将 RNN 结构集成进 Hermes Agent 数据处理流程的多种可行路径：
一、在 tool dispatch 层注入 RNN 状态管理器
该方法通过扩展 model_tools.py 中的工具调度逻辑，在每次工具调用前后注入隐状态传递机制，使跨工具调用具备记忆延续能力。核心在于拦截 tool_dispatch 函数输出，并将其 hidden_state 作为 context 的一部分持久化写入当前 session 的 runtime context。
1、定位文件：打开 hermes/runtime/model_tools.py，找到 def dispatch_tool(...) 函数定义处。
2、引入 RNN 模块：在文件顶部添加 import torch.nn as nn 和 from torch.nn.utils.rnn import pack_padded_sequence。
3、初始化状态容器：在 HermesAgent 初始化阶段（如 run_agent.py 的 AIAgent.__init__ 中），为每个 session 创建 nn.LSTMCell(512, 512) 实例并绑定至 session.state.hidden_lstm。
4、修改 dispatch 流程：在 dispatch_tool 返回前，将当前 tool 输出向量送入 session.state.hidden_lstm，并将新隐状态存入 session.context["rnn_hidden"]。
5、启用状态注入：在 prompt_builder.py 的 build_prompt 方法中，当检测到 context 包含 "rnn_hidden" 键时，将其 base64 编码后附加至 system prompt 尾部的
二、构建独立 RNN 数据预处理器作为专用 tool
该方法不侵入 Hermes Agent 主干逻辑，而是将 RNN 封装为一个注册 tool，由用户显式调用。适用于需对原始输入序列（如传感器流、日志行序列）进行特征压缩或状态编码的场景，输出固定维度的状态向量供后续工具消费。
1、新建文件：在 tools/ 目录下创建 rnn_preprocessor.py。
2、定义 tool schema：在文件中声明 register() 函数，返回包含 name="rnn_preprocess"、description="对输入时间序列执行 LSTM 编码，输出最终隐状态向量" 的 JSON Schema。
3、实现 handler：使用 torch.load 加载预训练的 lstm_encoder.pt 模型权重，接收 list[float] 类型输入，执行 forward 得到 (1, 512) 形状张量，转为 Python list 后返回。
4、注册 tool：确保该文件被 tools/__init__.py 导入，且 registry.register() 调用成功。
5、调用示例：在用户指令中明确包含“请先对过去100条温度读数执行 rnn_preprocess”，Hermes Agent 将自动识别并调用该 tool。
三、通过 ACP 适配器桥接外部 RNN 服务
该方法利用 acp_adapter/ 模块的异步通信能力，将 Hermes Agent 与部署在 Modal 或 Docker 中的独立 RNN 推理服务对接。适用于已有成熟 RNN 微服务、或需 GPU 加速但本地无卡环境的部署场景。
1、确认 ACP 已启用：检查 gateway/run.py 中是否启用 acp_adapter，并确保 acp_config.yaml 中配置了 target_service_url 字段指向 RNN 服务地址。
2、定义 ACP schema：在 acp_adapter/schemas/ 下新增 rnn_v1.json，声明 input: { "seq": {"type": "array", "items": {"type": "number"}}, "seq_len": {"type": "integer"} }，output: { "state_vector": {"type": "array", "items": {"type": "number"}} }。
3、编写 handler：在 acp_adapter/handlers/ 新建 rnn_handler.py，实现 async def handle_rnn(...)，使用 aiohttp 发起 POST 请求至外部服务。
4、映射 tool 名称：在 acp_adapter/mapping.py 中添加 "rnn-remote": "rnn_v1" 映射条目。
5、触发调用：当 Hermes Agent 解析到工具名匹配 "rnn-remote" 时，将自动通过 ACP 协议转发请求，无需修改任何 core runtime 代码。
四、修改 Prompt Builder 启用隐状态 token 插入
该方法绕过模型内部 RNN 结构，在 prompt 层面模拟循环行为。通过将前一轮 tool 输出的摘要向量化后，以特殊 token 形式插入当前 prompt 的 user message 开头，形成人工构造的“状态回传”信号。
1、启用 compression 模块：确认 compression/ 目录下的 vector_cache.py 已激活，且支持 sentence-transformers/all-MiniLM-L6-v2 嵌入模型。
2、配置 prompt_builder：在 prompt_builder.py 中，查找 build_user_message 函数，在其返回前插入逻辑：若 session.has_previous_result()，则调用 vector_cache.encode(previous_result_summary) 并截取前 32 维，格式化为 [STATE:0.23,-0.87,...] 插入 message 开头。
3、更新 tokenizer：确保所用 LLM tokenizer 已将 [STATE:...] 视为不可分割的特殊 token，避免 subword 切分破坏语义。
4、设置 prompt 长度阈值：在 config.yaml 中添加 rnn_prompt_max_tokens: 2048，防止状态 token 累积导致超长截断。
5、验证 token 注入：启动 hermes 后执行一次带状态依赖的任务，检查 logs/prompt_trace.log 中是否出现 [STATE:...] 前缀，确认其出现在每轮 user message 的最前端。
