hermes agent通过分层记忆实现长期可靠记忆：高频缓存层用冻结快照（memory.md/user.md）锁死llm前缀缓存，会话检索层依托sqlite+fts5毫秒级回溯历史，技能沉淀层自动提炼高价值执行路径生成skill.md，三者协同确保记忆精准、高效、闭环。
☞☞☞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☜☜☜
要让Hermes Agent真正记住你上周提的需求、上个月改过的偏好、甚至去年部署时踩过的坑，不能只靠SQLite存聊天记录或往向量库扔几段文本——它必须分层写入、冻结快照、闭环更新，否则记忆会膨胀、缓存会失效、检索会错位。
高频缓存层：用冻结快照锁死LLM前缀缓存
第一步：启动会话时，系统自动将 MEMORY.md（项目事实，上限2200字符）和 USER.md（用户画像，上限1375字符）内容读取为纯文本快照；
第二步：该快照注入系统提示词前缀，作为本次会话的“不可变上下文锚点”；
第三步：若会话中用户明确说“记住这个配置”，系统会原子写入对应.md文件，但【不刷新当前会话的提示词前缀】——这是冻结快照的核心设计，避免LLM重算KV缓存，实测可防止API成本飙升至原价的3倍以上。
这一步操作起来很简单，直接把文件拖进去就行。但如果你手动编辑.md后强制reload提示词，前缀缓存就彻底失效，后续每轮推理token开销翻倍，且无法恢复。
会话检索层：SQLite+FTS5实现毫秒级历史回溯
方法一：本地全量存储 → 所有对话自动落库到 state.db，每条记录含时间戳、会话ID、角色、内容、工具调用链哈希；
方法二：FTS5全文索引 → 每次写入同时触发索引更新，支持中文分词、模糊匹配、布尔逻辑（如“飞书日报 AND 失败 NOT Excel”）；
方法三：零LLM摘要 → 检索命中后，由Gemini Flash本地生成摘要，不走主模型通道，响应压在20毫秒内。
注意：该层不参与系统提示构建，仅用于人工回溯或Review Agent复盘调用。你查不到它，但它一直在记。
技能沉淀层：从失败路径中自动提炼可执行技能
① 触发条件必须同时满足：单次任务调用工具≥5次 + 至少1次错误修复 + 用户发出明确纠正（如“不对，应该先导出再清洗”） + 最终成功完成；
② Review Agent后台解析完整执行轨迹，剔除试探性调用与冗余步骤，提取输入模式、校验点、分支判断依据；
③ 生成 Skill.md 文件，存入 skills/ 目录，含YAML元数据（适用场景、成功率、最后验证时间）；
④ 下次遇到相似意图（如“整理飞书日报”），技能引擎优先加载该文件，绕过LLM重新规划，直接调度OpenClaw→Atropos→Llama 3.1流水线。
这层记忆不暴露给用户编辑，也不允许手动删除——它只接受A/B测试验证后的自动迭代。强行删Skill.md会导致下次同类任务回归原始试错路径。
