Hermes Memory CN

给AI装一个「人脑级」记忆系统。它能记住你说过的一切重要信息，下次聊天自动想起来。 不用云端、不用API Key、不花一分钱——全部数据存在你自己的电脑上。 说「记住这个」它就记住，问「我上次说了什么」它就找到。自动整理、自动遗忘过时信息。 适合：想让自己的AI助手拥有长期记忆的用户。 触发词：记忆、记住、之前说...

Hermes-Memory 本地向量记忆系统

你的AI助手是不是每次聊天都像失忆了？ 这个skill就是解决这个问题的。

Hermes-Memory 给AI装上了长期记忆：记住你的偏好、持仓、策略、教训……下次聊天自动关联上下文，就像跟一个老朋友说话一样。

为什么用它？

• 完全本地，隐私零风险 —— 数据存在你电脑上的SQLite文件里，不传任何云端
• 零成本 —— 不需要API Key，不需要付费服务，本地embedding模型免费跑
• 中文优化 —— 专用中文向量模型，搜索准确率远超英文通用模型
• 开箱即用 —— 安装依赖后直接使用，不需要额外启动数据库服务（不像Qdrant/Milvus那样需要单独部署）
• 越用越聪明 —— 自动去重、自动衰减过时记忆、实体关系图谱越建越丰富
• 类型自由定制 —— 内置交易、策略、教训等类型，也可以随时自定义任何新类型

和其他方案对比

vs 纯文本记忆（MEMORY.md / 每日笔记）

纯文本是大部分AI助手的默认方案——把记忆写在Markdown文件里，每次对话让AI自己翻。

维度	Hermes-Memory	纯文本记忆
查找方式	语义搜索（"我之前说过什么止损规则"→精准命中）	关键词匹配或全文翻阅
记忆容量	千条级，搜索毫秒级	几百条就开始乱、遗漏
去重	向量相似度>0.95自动合并	手动检查，重复越积越多
过期处理	自动衰减+归档	永远在文件里，越堆越旧
结构化	按类型/实体/关系组织	平铺在一个大文件里
实体关系	多跳图谱（某股→板块→策略→教训）	无
Token消耗	只搜索需要的记忆，按需加载	每次要把整个文件喂给AI

一句话： 纯文本适合记10条备忘；Hermes-Memory适合构建一个真正可用的知识库。

vs AGENTS.md 内置记忆逻辑

很多用户会在AGENTS.md里写一段记忆规则，让AI自己维护Markdown文件。这个方案能用，但有几个本质限制：

维度	Hermes-Memory	AGENTS.md规则+Markdown
存储引擎	SQLite + 向量索引 + FTS5	纯文本文件
搜索能力	向量语义搜索 + 全文搜索 + 关系查询	只能靠AI逐行读文件
可靠性	确定性——CLI命令执行即写入，不依赖AI"记得去写"	不确定——AI可能忘写、写错格式、漏写
写入触发	CLI工具一键写入（memdb.py add / memory_tool.py check）	依赖AI每次对话后主动执行，无强制保证
跨会话	SQLite文件是唯一真相源，任何session读取一致	多个daily note + MEMORY.md，容易不一致
关系推理	实体图谱支持多跳查询（"跟这只股票相关的所有教训"）	无结构化关系，全靠AI自己关联
自动维护	decay归档+去重+export，cron一条命令搞定	需要AI手动整理文件，容易堆积垃圾
可扩展性	类型自定义、关系自由扩展	文件越大AI越容易遗漏

核心差异： AGENTS.md记忆规则是"靠AI自觉"——提示词让它记，但执行没有保证。Hermes-Memory是"工具保证"——CLI命令执行就写入，搜索就返回，不依赖AI的注意力。

vs 云端向量库（Qdrant / Milvus / Pinecone）

维度	Hermes-Memory	云端向量库
部署难度	pip install即可	需要启动独立服务或注册云服务
隐私安全	✅ 完全本地	⚠️ 需自建或信任第三方
成本	免费	云服务按量计费 / 自建服务器成本
大规模性能	千条级优秀	百万级优秀
中文支持	✅ 专用中文模型	⚠️ 需额外配置embedding

一句话： 个人使用千条级别，Hermes-Memory更简单更安全；企业级百万条数据，上云端方案。

快速开始

所有命令必须用 Python 3.12+（支持OpenSSL 3.0+），macOS推荐 /opt/homebrew/bin/python3.12。

# 搜索记忆（语义搜索，支持中文）
python3 scripts/memdb.py search "止损策略" --limit 5

# 添加记忆
python3 scripts/memdb.py add "内容" --type portfolio --entity 某科技股

# 智能检测关键词并写入
python3 scripts/memory_tool.py check "用户说的内容"

# 建立实体关系
python3 scripts/memdb.py relate "某科技股" "属于" "医药板块"

# 查看实体关系（支持多跳）
python3 scripts/memdb.py relations "某科技股" --depth 2

# 统计
python3 scripts/memdb.py stats

记忆类型

类型完全开放，可自由扩展。以下是内置推荐类型：

通用类型

type	用途	示例
preference	用户偏好	数据源用东财、回复用中文
user-profile	用户画像	用户基本信息和背景
fact	事实/决策	用户的重要决定
note	笔记	其他
lesson	教训（带severity）	缺乏风控导致亏损

交易/投资类型（内置，可按需使用）

type	用途	示例
portfolio	持仓变动	买入某科技股、清仓某消费股
strategy	策略规则	主线共振策略买点、情绪周期L4
market-view	大盘/板块判断	大盘缩量反弹，半导体主线
trade-plan	交易计划	某股跌破MA20则止损
stock-note	个股研究笔记	某股：行业龙头，产能扩张期
watchlist	关注标的	关注某股回调至20日线
review	复盘结论	本周操作：胜率40%，亏损来自追高

自定义类型： --type 参数接受任意字符串，无需预定义。根据你的使用场景自由创造类型：

# 程序员用户可能用
type=bugfix type=architecture type=deploy

# 创作者用户可能用
type=idea type=draft type=publish

# 学生用户可能用
type=course type=exam type=schedule

实时写入规则

每次回复用户后，检查是否有值得长期记住的信息：

关键词触发（用 memory_tool.py check）：

• 买了/卖了/加仓/减仓/清仓/建仓/止盈/止损 → portfolio
• 新策略/改策略/情绪周期/买点卖点 → strategy
• 纠正我/不对/错误/教训/踩坑 → lesson
• 以后用/记住/偏好/改用 → preference

LLM判断（直接用 memdb.py add）：

• 隐含信息（用户随口提到的新方向、生活变化）→ fact
• 重要决策 → fact
• 根据对话领域自适应选择类型，不限于上表
• 遇到新模式可创造新类型，--type 无白名单限制

判断标准： 这条信息1周后还有用吗？是→写入，否→跳过。

实体关系图谱

写入记忆时，主动建立实体间关联：

# 股票→板块
python3 scripts/memdb.py relate "某科技股" "属于" "医药板块"
# 策略→组件
python3 scripts/memdb.py relate "主线共振策略" "包含" "买点规则"
# 教训→应用
python3 scripts/memdb.py relate "某股亏损" "教训应用于" "止损规则"

自动维护

• 衰减： memdb.py decay --days 30 标记30天未更新的记忆为expired
• 归档： memdb.py archive 将expired记忆移入archive表
• 导出： memdb.py export --dir ./entities 同步Markdown可读备份
• 导入： memdb.py import --dir ./entities 从Markdown导入

推荐Cron每晚23点执行：decay → export → stats。

CLI完整参考

# ── 记忆操作 ──
python3 scripts/memdb.py add "内容" --type <type> [--entity <实体>] [--severity high|medium|low] [--source manual|conversation|cron]
python3 scripts/memdb.py search "查询" [--type <type>] [--status active|expired] [--entity <实体>] [--limit N] [--format text|json]
python3 scripts/memdb.py list [--type <type>] [--status active] [--limit N]
python3 scripts/memdb.py relate "实体A" "关系" "实体B"
python3 scripts/memdb.py relations "实体" [--depth 1|2|3] [--direction from|to|both]
python3 scripts/memdb.py unrelate "实体A" "关系" "实体B"
python3 scripts/memdb.py decay [--days 30]
python3 scripts/memdb.py archive
python3 scripts/memdb.py export --dir <目录>
python3 scripts/memdb.py import --dir <目录>
python3 scripts/memdb.py stats

# ── Skill进化 ──
python3 scripts/skill_evolve.py record "操作模式" --tags "标签1,标签2"
python3 scripts/skill_evolve.py detect
python3 scripts/skill_evolve.py draft <pattern_id> [--name "skill-name"]
python3 scripts/skill_evolve.py promote <pattern_id> --name "skill-name"
python3 scripts/skill_evolve.py list

详细文档

• 安装指南： 见 references/install.md
• AGENTS.md集成： 见 references/integration.md

Skill进化系统

受 Hermes Agent 的闭环学习启发，hermes-memory-cn 增加了自动模式检测和skill提炼能力。

工作流

完成多步骤任务 → skill_evolve.py record → 向量检测相似模式
                                                ↓
                          同一模式出现≥3次 → 自动通知候选
                                                ↓
                          skill_evolve.py draft → 生成草案到 skill_drafts/
                                                ↓
                          用户审核 → skill_evolve.py promote → 正式skill

命令

# 记录操作模式
python3 scripts/skill_evolve.py record "步骤1→步骤2→步骤3" --tags "标签"

# 检测候选
python3 scripts/skill_evolve.py detect

# 生成草案
python3 scripts/skill_evolve.py draft <id> --name "skill-name"

# 确认升级
python3 scripts/skill_evolve.py promote <id> --name "skill-name"

# 查看所有模式
python3 scripts/skill_evolve.py list

与 Hermes Agent 对比

维度	Hermes Agent	Hermes Memory CN
定位	完整Agent框架（自研内核+工具+消息平台）	专注记忆层的工程优化
记忆存储	Markdown(3600字符硬上限)	SQLite+向量DB(千条级)
检索方式	FTS5+LLM摘要	向量语义搜索+FTS5+关系图谱
容量管理	硬上限强制精简	自动衰减+去重+归档
skill进化	✅ 自动沉淀（成熟）	✅ 模式检测+草案生成（新增）
冻结注入	✅ 保护prefix cache	❌ 无
中文优化	无	专用text2vec-base-chinese
实体关系	无	多跳图谱查询
部署门槛	低（一个CLI）	中（需装embedding模型）

关系定位： Hermes Agent 定义了"AI应该有长期记忆"的范式——反思循环、跨session持久化、skill自动沉淀。Hermes Memory CN 继承这个理念，在记忆存储层做了工程升级：从Markdown到向量数据库，从关键词搜索到语义检索，从几十条到千条级。两者互补，不是替代关系。

架构

用户对话 → LLM判断/关键词触发 → memdb.py add/relate → SQLite + 向量DB
                                                        ↓
                        Cron每晚 ← decay + export ← entities/ Markdown备份

技术栈：

• 存储层：SQLite（结构化数据）+ sqlite-vec（向量索引）+ FTS5（全文搜索）
• Embedding：text2vec-base-chinese（768维，本地运行，MPS加速）
• 关系层：relations表（实体关系图谱，支持多跳BFS查询）
• 去重：向量余弦相似度 >0.95 自动合并