hermes agent通过observe→execute→reflect→crystallize→reuse循环将复合指令分解为可并行子任务，结合语义匹配引擎、dag调度、上下文压缩与skill结晶化实现高效执行。
☞☞☞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☜☜☜
如果您向Hermes Agent发出一条复合型指令（例如“帮我搜集今天的热点新闻，每条分类并附简要分析”），它并非直接调用单一工具完成全部动作，而是自动将该任务分解为多个可执行、可并行、可验证的子任务单元。以下是实现该能力的具体机制：
一、Observe→Execute→Reflect→Crystallize→Reuse 循环驱动的任务识别
该循环是Hermes Agent主控逻辑的核心节律，其中Observe阶段即启动结构化任务解析：Agent通过模型推理识别用户输入中的显式意图、隐含约束与多目标层级，并生成初始任务图谱（Task Graph）。此过程不依赖固定模板，而是基于当前上下文与历史技能记忆动态推导。
1、Agent加载当前会话的短期推理记忆（上下文窗口）与过程性技能记忆（~/.hermes/skills/*.md）。
2、调用模型对原始指令进行语义原子化切分，识别出动词主干（如“搜集”“分类”“分析”）、对象实体（如“热点新闻”“科技/财经/社会”）、时序要求（如“今天”）及输出格式约束。
3、将切分结果映射至已注册工具的能力边界，确认web_search、classify_news、summarize_text等工具是否具备对应语义覆盖能力。
4、若存在未覆盖语义节点，则触发Skill自学习流程，生成临时抽象节点并标记为待结晶（crystallize_pending）。
二、多粒度工具语义匹配引擎
model_tools.py模块内嵌的语义匹配器不采用关键词硬匹配，而是结合工具元数据（toolsets.py中定义的description、input_schema、output_schema）与当前任务节点的嵌入向量进行余弦相似度排序，从而支持模糊意图到精确工具的映射。例如，“附上简要分析”可同时匹配summarize_text（摘要）与analyze_sentiment（情感分析），由后续Reflect阶段依据上下文选择最优路径。
1、提取当前任务节点的意图嵌入向量，使用与工具注册时一致的embedding模型（默认all-MiniLM-L6-v2）。
2、遍历tools/registry.py中所有启用工具，计算其input_schema描述与意图向量的相似度得分。
3、筛选得分高于阈值0.65的候选工具，按置信度降序排列并注入上下文供模型决策。
4、若最高分低于0.5，则跳过工具调用，进入Crystallize阶段生成新Skill草案。
三、子任务图谱动态构建与并行调度
在Reflect阶段，Agent基于任务依赖关系（DAG）构建可执行图谱：无前置依赖的子任务（如并发搜索多个信源）被分配至线程池并行执行；有强顺序依赖的（如“先提取正文再分类”）则插入等待队列并绑定回调钩子。图谱结构实时写入SQLite会话状态表，支持中断恢复与错误回溯。
1、解析任务节点间的数据流依赖，识别出source→extract→classify→summarize→format五级流水线。
2、为每个叶子节点分配唯一task_id，并标记其required_inputs（如classify_news需content字段）与produced_outputs（如category标签）。
3、启动concurrent.futures.ThreadPoolExecutor，最大并发数由config.yaml中max_parallel_tasks控制（默认4）。
4、任一子任务失败时，自动触发error_recovery.py，根据错误类型（网络超时/格式异常/权限拒绝）选择重试、降级或跳过策略。
四、上下文压缩与跨子任务状态注入
为避免子任务执行过程中上下文膨胀导致模型失焦，Hermes在每个子任务启动前执行定向压缩：仅保留与该子任务强相关的前序输出片段、用户原始指令锚点及必要元信息（如会话ID、时间戳）。压缩后的上下文经FTS5全文索引预检，确保关键实体不被截断。
1、从SQLite会话存档中检索最近3轮包含“新闻”“分类”“分析”关键词的交互记录。
2、使用LLM-guided压缩策略（prompt: “请提取以下文本中与【当前子任务】直接相关的信息，删除所有背景说明与重复描述，保持原始术语不变”）生成精简上下文。
3、将压缩后文本与当前子任务schema拼接，构造最小可行输入（MVI）。
4、执行前校验MVI长度，若超过模型上下文窗口70%，则触发chunk_and_merge机制，分片处理后合并结果。
五、Skill结晶化反馈闭环
当某类复合任务被重复执行≥3次且路径稳定（各子任务调用顺序、参数模式、返回结构一致性达92%以上），Background Review子系统自动将其抽象为结构化Skill文件，存入~/.hermes/skills/目录，并更新向量索引。此后同类指令将直接命中该Skill，跳过实时拆解过程，显著提升响应效率与稳定性。
1、后台进程定期扫描sqlite.db中session_events表，筛选action_type = 'task_decomposition'且success = 1的记录。
2、对满足频次与一致性阈值的事件组，调用crystallize_skill.py生成Markdown Skill文档，包含name、description、input_schema、steps、example_call等字段。
3、将新Skill文件写入磁盘后，触发vector_indexer.py对其description与steps字段重新编码并注入FAISS索引。
4、更新skills/registry.py缓存，使下一次会话中model_tools.py可立即发现并匹配该Skill。
