Skills：程序性记忆

从这一章开始我们进入 Hermes 最有意思的部分——学习闭环。一个好 Agent 不应该每次 都从零开始，它应该把过去的成功解法存下来下次用。 这就是"程序性记忆"——区别于"情景记忆"（"我们上次聊过什么"），程序性记忆是 "做某类事情的方法"。

8.1认知科学的两种记忆

这个区分来自认知科学。人脑有两种长期记忆：

对 LLM Agent 来说，这两种都很重要，但实现机制完全不同：

• 陈述性记忆 → Memory 系统（向量库、SQLite 全文索引）。下章讲。
• 程序性记忆 → Skill 系统。本章讲。

8.2Voyager：让 Skill Library 成为研究范式

程序性记忆在 Agent 上的开山之作是 Voyager。我们之前提过一次，这里详细看：

Voyager 教会业界的事

1. Skill 是"可执行的"，不是描述性 prompt。Voyager 的 skill 是真的 JavaScript 函数。
2. Skill Library 是向量化检索的。任务描述 → 找最相似 skill → 直接调用或参考。
3. 每个 skill 在使用中 iterative refine。错了不要扔，要改。
4. Skill 抵抗 catastrophic forgetting：因为 skill 是 explicit storage，不是模型权重。

Hermes 的 Skill 系统继承了这些思想，但选择了一个更"人类友好"的表达：

8.3Hermes 的 Skill 是什么

Hermes 的 Skill 不是可执行代码，而是一份 Markdown 文档—— SKILL.md。它告诉 LLM "在什么情况下、按什么步骤、用什么工具"。

看一个真实的例子。skills/apple/apple-reminders/SKILL.md：

skills/apple/apple-reminders/SKILL.md
---
name: apple-reminders
description: "Apple Reminders via remindctl: add, list, complete."
version: 1.0.0
author: Hermes Agent
license: MIT
platforms: [macos]
metadata:
  hermes:
    tags: [Reminders, tasks, todo, macOS, Apple]
prerequisites:
  commands: [remindctl]
---

# Apple Reminders

Use `remindctl` to manage Apple Reminders directly from the terminal.
Tasks sync across all Apple devices via iCloud.

## Prerequisites

- **macOS** with Reminders.app
- Install: `brew install steipete/tap/remindctl`
- Grant Reminders permission when prompted
- Check: `remindctl status` / Request: `remindctl authorize`

## When to Use

- User mentions "reminder" or "Reminders app"
- Creating personal to-dos with due dates that sync to iOS
- Managing Apple Reminders lists
- User wants tasks to appear on their iPhone/iPad

## When NOT to Use

- Scheduling agent alerts → use the cronjob tool instead
- Calendar events → use Apple Calendar or Google Calendar
- Project task management → use GitHub Issues, Notion, etc.

## Quick Reference

\`\`\`bash
remindctl                    # Today's reminders
remindctl today
remindctl tomorrow
remindctl week
remindctl overdue
remindctl all
remindctl 2026-01-04         # Specific date
remindctl add "Buy milk" --due tomorrow
remindctl done <id>
\`\`\`

解剖这份 skill：

When to Use / When NOT to Use 是 Skill 的灵魂。LLM 看到这两块，就知道 在用户说"提醒我明天 9 点开会"时调用，在用户说"5 分钟后通知我"时不调用（那个应该走 cronjob）。

8.4Skill 被发现：scan_skill_commands

用户敲 /apple-reminders 启动 skill 之前，Hermes 必须先发现它。 扫描器在 agent/skill_commands.py:263-326：

agent/skill_commands.py:263-326 (节选)
def scan_skill_commands() -> Dict[str, Dict[str, Any]]:
    """Scan ~/.hermes/skills/ and return /command → skill info."""
    global _skill_commands, _skill_commands_platform
    _skill_commands_platform = _resolve_skill_commands_platform()
    _skill_commands = {}

    from tools.skills_tool import (
        SKILLS_DIR, _parse_frontmatter,
        skill_matches_platform, _get_disabled_skill_names,
    )
    from agent.skill_utils import (
        get_external_skills_dirs, iter_skill_index_files,
    )

    disabled = _get_disabled_skill_names()
    seen_names = set()

    # 扫多个目录：本地 + 外部
    dirs_to_scan = []
    if SKILLS_DIR.exists():
        dirs_to_scan.append(SKILLS_DIR)
    dirs_to_scan.extend(get_external_skills_dirs())

    for scan_dir in dirs_to_scan:
        for skill_md in iter_skill_index_files(scan_dir, "SKILL.md"):
            # 跳过 .git / .archive 等
            if any(p in {'.git', '.archive'} for p in skill_md.parts):
                continue

            content = skill_md.read_text(encoding='utf-8')
            frontmatter, body = _parse_frontmatter(content)

            # 平台不匹配跳过（macOS-only skill 在 Linux 上不显示）
            if not skill_matches_platform(frontmatter):
                continue

            name = frontmatter.get('name', skill_md.parent.name)
            if name in seen_names or name in disabled:
                continue

            # 把 "Apple Reminders" → /apple-reminders
            cmd_name = name.lower().replace(' ', '-').replace('_', '-')
            cmd_name = _SKILL_INVALID_CHARS.sub('', cmd_name)

            _skill_commands[f"/{cmd_name}"] = {
                "name": name,
                "description": frontmatter.get('description', ''),
                "skill_md_path": str(skill_md),
                "skill_dir": str(skill_md.parent),
            }
            seen_names.add(name)

    return _skill_commands

设计要点：

1. 多目录扫描：内置 skills/、用户 ~/.hermes/skills/、外部 ~/.hermes/external_skills/。
2. 平台过滤：platforms: [macos] 的 skill 只在 macOS 上显示。
3. 禁用列表：用户可以在 config 里 skills.disabled: [foo] 显式禁用。
4. 命名空间：名字 → kebab-case slash command。"Apple Reminders" → /apple-reminders。
5. 同名优先：先扫到的赢。本地覆盖外部，外部覆盖内置。

结果是个全局 dict _skill_commands，TUI 的 tab 补全直接读它。

8.5Skill 被加载：作为 User Message

这是 Hermes Skill 系统最聪明的设计。回顾第 5 章： system prompt 不能改，会破 cache。但我们想动态启用 skill 怎么办？

答案：把 skill 作为 user message 追加，不动 system prompt。 agent/skill_commands.py:160-183：

agent/skill_commands.py:160-183
def _build_skill_message(
    loaded_skill, skill_dir, activation_note,
    user_instruction="", runtime_note="", session_id=None,
) -> str:
    """Format a loaded skill into a user/system message payload."""
    from tools.skills_tool import SKILLS_DIR

    content = str(loaded_skill.get("content") or "")

    # 模板变量替换（{{config.foo}} 等）
    skills_cfg = _load_skills_config()
    if skills_cfg.get("template_vars", True):
        content = _substitute_template_vars(content, skill_dir, session_id)

    # Inline shell 展开 — 实验功能，默认关
    if skills_cfg.get("inline_shell", False):
        timeout = int(skills_cfg.get("inline_shell_timeout", 10) or 10)
        content = _expand_inline_shell(content, skill_dir, timeout)

    parts = [activation_note, "", content.strip()]
    # 拼好后作为 user 消息追加
    return "\n".join(parts)

activation_note 长这样：

[IMPORTANT: The user has invoked the "apple-reminders" skill, indicating they want
you to follow its instructions for the upcoming request. Read the skill content
below carefully and apply it to your next response.]

# Apple Reminders

Use `remindctl` to manage Apple Reminders directly from the terminal.
...

这条 user message 被追加到 messages 末尾：

messages = [
    {"role": "system", "content": "...(stable + context + volatile)"},
    {"role": "user", "content": "你好"},
    {"role": "assistant", "content": "嗨..."},
    {"role": "user", "content": "[Skill activated: apple-reminders]\n# Apple Reminders\n..."},
    # ↑ 新加的 — 不动前面任何一条
]

cache 命中分析：

• System prompt 没改 → stable+context+volatile 缓存命中。
• 前面的 user/assistant 历史没改 → 前缀命中。
• 新追加这条 user message 是 cache miss，但它之前的内容全部命中。

对比：错误做法

如果你天真地用"system prompt 加 skill"：

# BAD
def load_skill(skill_name):
    agent.system_prompt += f"\n\n--- Skill: {skill_name} ---\n{SKILL_MD_CONTENT}"
    # 立刻破 cache

下次 API call，前缀完全变了。整个 cache 报废。一个简单 turn 可能成本 ×10。 这就是为什么 Hermes 选择"以 user message 注入"——不要碰前缀。

8.6Skill 的高级特性

模板变量

SKILL.md 里可以写 {{config.something}}，加载时被替换：

# Send Email via SMTP

Use SMTP server at {{config.smtp.host}}:{{config.smtp.port}}.
Auth user: {{config.smtp.user}}

变量来源是 config.yaml 的 skills.config.<key>。

Inline Shell 展开（实验功能）

SKILL.md 里的 $(command) 块在加载时被替换成 shell 输出：

# Project Context

Current branch: $(git branch --show-current)
Recent commits:
$(git log --oneline -5)

默认关（inline_shell: false），有安全顾虑。打开后注意： 这相当于让 SKILL.md 在加载时执行任意命令。只用于自己写的 skill。

Skill 附带 scripts

真正复杂的逻辑不该让 LLM 每次重新生成。把它存成脚本：

~/.hermes/skills/research/web_scrape/
├── SKILL.md                # 决策手册
├── scripts/
│   ├── extract_main.py    # 提取主内容的复杂 BeautifulSoup 逻辑
│   └── dedupe_urls.py
└── references/
    └── selectors.json     # 常见网站的 CSS 选择器

SKILL.md 里只说 "用 scripts/extract_main.py 提取主内容"，LLM 会用 execute_code 或 terminal 工具执行这个脚本。Hermes 在 execute_code 工具的 working directory 里把 scripts/ 加入 PATH。

8.7Skill 的来源与生态

Hermes 的 skills 有三个来源：

① 内置 (skills/)

仓库自带的，~30 个分类：

skills/
├── apple/                  apple-reminders, imessage
├── research/               web-deep-research, fact-check
├── devops/                 ci-cd-status, k8s-debug
├── data-science/           pandas-eda, sklearn-baseline
├── software-development/   conventional-commit, code-review
├── mcp/                    mcp-server-init
├── mlops/                  mlflow-experiment, training-monitor
└── ...

② 用户自创 (~/.hermes/skills/)

你随时可以扔一个 SKILL.md 在这个目录下，Hermes 重启自动发现。 或者让 Agent 自己用 skill_manage(action="create") 工具创建——这是核心 self-improving 机制。

③ Skills Hub (远程仓库)

Hermes 维护一个公开 skill 索引在 agentskills.io。 用户用 hermes skills install <name> 装。

这个标准被多个 Agent 框架支持（Claude Desktop、Aider、Cursor）—— 写一份 SKILL.md 可以被所有兼容工具用上。这是"skill 互操作性"方向，Hermes 团队主推。

8.8Agent 自己创建 Skill

最有趣的部分：Agent 自己学新本事并把它存下来。 Hermes 提供 skill_manage 工具：

# LLM 决定创建一个新 skill
skill_manage(
    action="create",
    name="data-processing-pipeline",
    skill_md="""---
name: data-processing-pipeline
description: 'Generic CSV-to-Parquet ETL with pandas/polars.'
version: 1.0.0
author: Hermes Agent
metadata:
  hermes:
    created_by: agent
    tags: [data, etl, pandas]
---

# Data Processing Pipeline

When the user asks to clean a CSV and produce Parquet output:

## Steps

1. Use read_file to inspect the CSV schema.
2. Use execute_code to run polars (faster than pandas for > 1GB):
   ```python
   import polars as pl
   df = pl.read_csv(input_path, ignore_errors=True)
   df.write_parquet(output_path, compression='zstd')
   ```
3. Verify with df.describe() ...
""",
)

触发条件由 LLM 自己判断——通常在 system prompt 里有这样一段建议：

After completing a non-trivial task that required figuring out a workflow, consider whether the pattern is general enough to be saved as a skill. Use skill_manage(action="create", ...) when you think future you would benefit from the recipe.

关键元数据：created_by: agent——标记这是 Agent 自创， 为下章要讲的 Curator 提供归属信息。Curator 只管理 agent-created skill。

8.9Hermes Skill vs Voyager Skill

Hermes 这个设计的取舍：放弃 Voyager 的全自动化，换来用户可审计、可编辑、可分享。 对生产用户来说，"Agent 自己写了什么 skill"是必须可看的；不可读的代码会让人不敢信。

8.102025.12 — Skill 成为跨厂家开放标准

本章前面把 SKILL.md 当作"Hermes 内部约定"讲。2025 年 12 月一个事件改写了它的地位。

标准化之后的生态形态

2026 年 5 月时，Agent Skills 生态已经稳定下来，主要节点：

Hermes 的 SKILL.md 是否兼容标准？

几乎完全兼容——因为 Hermes 的格式就是参考标准（之一）。 Hermes 维护者参与了 standard 早期讨论。差异点不到 5%:

• frontmatter 字段名：标准定 name, description, version, license, platforms—— Hermes 已用相同字段。
• metadata.hermes.* 是 Hermes 私有扩展，标准不要求；其他 host 看到就忽略。
• 路径约定：标准建议 SKILL.md + scripts/ + references/ + templates/——Hermes 同样。
• 触发模型：标准强调"model-invoked"（让 LLM 自动决定何时用）。Hermes 同时支持 model-invoked 和 user-invoked (slash command)。

Agent Skills 与 MCP 的分工

同期 Anthropic 还推 MCP。两者经常被混淆，区别看一眼就清楚：

记忆口诀：MCP 是"接什么外部系统"，Skill 是"怎么用这些系统"。 一个 Excel skill 配 Excel MCP server——前者教 LLM "什么时候要做透视表"， 后者提供 "如何调 Excel API 真的去做"。

Voyager → 标准化：六年的路

把整条路线压成时间线：

timeline
  title Procedural Memory 在 Agent 中的演进
  section 概念期
    2023.05 : Voyager : 可执行代码 + 自动课程
    2023.10 : MemGPT : OS 类分层记忆
  section 工程化
    2024.06 : Hermes 原型 : SKILL.md 内部约定
    2025.01 : agentskills.io : 第一个跨工具免费 marketplace
    2025.06 : Anthropic Context Engineering : 把 skill 正名为"程序性记忆"工程实践
  section 标准化
    2025.12 : Anthropic Agent Skills spec : 开放标准发布
    2026.01 : OpenAI Codex CLI + ChatGPT : 采用同一格式
    2026.02 : agensi.io / skillsmp.com : 付费 marketplace 上线 (80/20 分账)
    2026.04 : Pre-built skills : Anthropic 自发 PowerPoint / Excel / Word / PDF skill

下一节我们看在标准化之后，怎么写一份跨工具兼容的 SKILL.md。

8.11SKILL.md 的写作规范

Hermes 的 AGENTS.md 里有八条 skill 写作硬规则。这些规则是 PR 评审标准：

1. description ≤ 60 字符，一句话，句号结尾。 避免营销词。
2. 引用工具时用 backtick，且必须是 Hermes 原生工具或 MCP server 名。 不要写 "use grep"，写 "use search_files"。
3. platforms gating 要和实际脚本 import 一致。 POSIX-only 的代码必须声明 platforms。
4. author 写真人，不写 "Hermes Agent"。
5. section 顺序固定：标题 → 简介 → When to Use → Prerequisites → How to Run → Quick Reference → Procedure → Pitfalls → Verification。
6. 复杂逻辑放 scripts/，不要让 LLM inline 写。
7. 测试在 tests/skills/test_<skill>_skill.py，只用 stdlib + pytest + unittest.mock。
8. .env.example 添加要清晰隔离，不污染周围内容。

8.12本章带走的

• Agent 的"程序性记忆"对应人脑的肌肉记忆。它是关于"做某类事情的方法"。
• Voyager (2023) 是开山之作：automatic curriculum + executable skill library + iterative prompting。
• Hermes 的 Skill 是 SKILL.md——人类可读的决策手册， 含 frontmatter、When to Use / NOT to Use、Prerequisites、Quick Reference。
• Skill 的核心工程招：作为 user message 追加注入， 不动 system prompt，保持 cache 命中。
• 三个来源：内置 / 用户自创 / agentskills.io。
• Agent 用 skill_manage(action="create", ...) 自己创建新 skill。 created_by: agent 让 Curator 知道哪些归它管。
• Hermes vs Voyager：放弃自动 retrieval 换来人类可审计可分享。
• 8 条 SKILL.md 写作硬规则——本质都是为了让 LLM/人/审阅者三方都满意。