hermes agent通过四步结构化推理处理复杂任务：一、目标驱动解析生成原子目标集；二、分层递归拆解子任务并排序调度；三、动态上下文感知执行与实时进度自检；四、跨会话自动沉淀高频技能。
☞☞☞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 提交一个涉及多步骤、跨工具、需判断与整合的复杂任务，它不会直接调用单个模型生成终稿，而是启动一套结构化推理流程。以下是 Hermes Agent 实现任务解构与思维链展开的核心逻辑：
一、基于目标驱动的初始任务解析
该步骤旨在将用户模糊或宽泛的指令转化为可执行、可验证、带约束条件的原子目标集。Hermes 不依赖固定模板，而是通过系统提示词中嵌入的「目标锚定规则」强制模型识别主谓宾、隐含前提、输出格式要求及失败判定边界。
1、接收原始输入后，Agent 首先调用 context_compressor.py 对历史上下文进行安全裁剪，仅保留与当前任务强相关的记忆片段（如 USER.md 中的「任务偏好」与 MEMORY.md 中的「常用部署路径」）。
2、将压缩后的上下文与用户输入拼接，注入预设的「目标解析 Prompt」，该 Prompt 明确要求模型以 JSON 格式输出：primary_goal、sub_goals[]、constraints、success_criteria 四个字段。
3、若解析结果缺失任一关键字段，或 sub_goals 数量超过迭代预算阈值（默认 7），则触发 IterationBudget 控制器 的降级机制，自动将任务标记为「需人工澄清」并返回结构化疑问列表。
二、分层递归式子任务生成
在确认初始目标结构有效后，Hermes 启动「Cognition 层」的递归拆解引擎。该引擎不采用线性展开，而是依据工具可用性、数据依赖关系与风险等级实施三维优先级排序，确保高依赖、高风险子任务优先调度。
1、对每个 sub_goal，调用 skill_discovery.py 扫描本地 Skills 目录与已注册的外部 Provider（如 Mem0），匹配是否存在已沉淀的对应 Skill；若存在，则直接复用其参数签名与错误恢复策略。
2、若无匹配 Skill，则进入「ReAct-Think」循环：先执行 observe（查询相关文档、API Schema 或上次同类任务的 MEMORY.md 记录），再进行 reason（判断是否需引入新工具、是否需前置验证步骤、是否应拆出校验子任务），最后决定 act（生成新子任务或调用工具）。
3、所有生成的子任务均被赋予唯一 trace_id，并写入临时 execution_plan.yaml，其中标注依赖关系（depends_on）、超时阈值（timeout_sec）与回滚动作（rollback_action）。
三、动态上下文感知的执行调度
此阶段不再由模型“一次性规划全部步骤”，而是由执行层根据实时反馈动态调整后续路径。Hermes 将传统静态 Plan 转化为带状态机的「活计划」，每轮执行后都重新评估全局进度与局部异常。
1、调度器从 execution_plan.yaml 中提取就绪子任务（所有 depends_on 已完成且未超时）。
2、对每个就绪任务，调用 memory_manager.py 注入与其语义最匹配的记忆块（例如执行 web_search 时注入上一轮提取的关键词权重，执行代码时注入项目目录结构快照）。
3、执行完成后，无论成功或失败，均触发 周期性 Nudge 机制：若当前轮次 mod 3 == 0，则强制插入一次「进度自检」步骤，要求模型比对 success_criteria 与实际输出，生成 delta_report.json 并更新 MEMORY.md。
四、跨会话技能沉淀的闭环触发
当同一类复杂任务被重复提交三次以上，且每次均完成全部 sub_goals，Hermes 自动启动技能固化流程。该流程独立于单次会话，运行在后台持久化线程中，确保不干扰前台响应。
1、后台线程扫描 SQLite 中最近 7 天内所有完成的 task_id，聚类相似 goal signature（基于编辑距离与工具调用序列哈希）。
2、对满足频次阈值（≥3）的聚类簇，调用 prompt_builder.py 构建「Skill 提炼 Prompt」，要求模型归纳通用输入模式、可配置参数、典型失败场景及推荐 fallback 策略。
3、生成的 Skill 定义被写入 skills/auto_generated/ 目录，并同步注册至 Skill Registry；下次同类任务触发时，skill_discovery.py 将优先命中该 Skill 而非重新拆解。
