Hermes Wiki

Hermes上下文工程对照分析 - 对标Manus

Properties1
tagsai/context-ai/agent

12分钟阅读

Hermes 上下文工程对照分析

对标：AI 代理的上下文工程：构建 Manus 的经验教训

作者：季逸超（Yichao “Peak” Ji），Manus 联合创始人

发表日期：2025 年 7 月 18 日

分析日期：2026-06-02

Manus 原文七条核心经验速览

季逸超团队四次重建 agent 框架，把过程称为「手搓 SGD」。放弃微调模型路线，全押上下文工程。如果模型进步是上涨的潮水，agent 要做漂浮的船，不是钉在海床上的柱子。

七条经验：

  1. KV 缓存命中率 — 生产环境最重要指标，别在系统提示放时间戳
  2. 屏蔽原则 — 工具定义永远不变，用 API 层级控制动作空间
  3. 文件系统作为扩展记忆 — 128K 窗口不够，文件系统无限持久
  4. 注意力操纵 — Todo 列表让模型注意力偏向目标
  5. 保留失败信息 — 别隐藏错误，模型从中学习
  6. 警惕少样本陷阱 — 重复模式让模型陷入惯性
  7. 上下文工程是实验科学 — 四次重构才找到局部最优

逐条对照 Hermes 源码

1. KV 缓存命中率

Manus 说的：最重要指标，一个 token 差异就能让缓存全失效。别在系统提示开头放时间戳。

Hermes 怎么做：✅ 做得很好

  • 4 断点缓存：agent/prompt_caching.py 在 system prompt + 最后 3 条非系统消息上打 cache_control 标记，TTL 支持 5m/1h
  • SOUL.md 是纯静态：没有时间戳，没有动态变量，每次加载内容不变
  • Personality 是 ephemeral：agent/system_prompt.py 明确注释——“ephemeral_system_prompt is NOT included here. It’s injected at API-call time only”——不破坏会话缓存的系统提示
  • 系统提示不含时间：源码明确说「不注入当前时间戳，模型需要时自己调工具获取」

差距：没有 JSON 序列化确定性检查。如果用 yaml.dump 改 config.yaml 时改了 key 顺序，缓存会静默失效，不会被检测到。

2. 屏蔽原则（工具定义不动，用 API 控制）

Manus 说的：别动态修改工具定义——缓存全失效，旧上下文引用不存在的工具导致模型困惑。用 logits 掩码控制动作空间。

Hermes 怎么做：✅ 基本对齐

  • 工具定义只在会话初始化时注册一次：tools/registry.py → 启动时 discover_builtin_tools() 一次性加载所有工具 schema
  • Toolsets 控制粒度：hermes tools enable/disable NAME → 改变的是「哪些工具被加载到当前 session」，而不是「先加载再动态删除」
  • /reset 后才生效：工具变更需要新会话，这天然避免了 Manus 说的「上下文引用已不存在的工具」
  • 工具 schema 在整个 session 中不变：JSON 序列化一次，后续不会重新序列化

差距：Hermes 没有 Manus 那种「通过 token 前缀掩码 logits」的细粒度状态机控制。tool_call 时模型完全自主选择，极端情况下可能选错工具。Manus 的做法更激进——所有浏览器工具以 browser_ 开头，通过前缀直接限制可用工具组。

3. 文件系统作为扩展记忆

Manus 说的：128K 窗口不够，文件系统是无限的外部记忆。模型学会按需读写，URL 还在就把网页内容从上下文踢出去。

Hermes 怎么做：✅ 多层级外部记忆

  • 短期：上下文窗口 + context compression（agent/context_engine.py）
  • 中期：state.db（SQLite + FTS5），sessions 可回溯，session_search 检索
  • 长期：Memory 系统，跨 session 注入用户偏好和环境事实
  • 持久：Skills 系统，可复用程序知识，文件系统存储
  • 外挂：Obsidian vault + wechat-articles 目录，无限容量

关键差距：Hermes 的上下文压缩是有损的。context_engine.py → should_compress() 在 token 超阈值时触发 → 用 auxiliary model 做摘要压缩。这正是 Manus 警告的「过度激进压缩导致信息丢失」。Manus 的做法是「只要 URL 保留，网页内容就可以从上下文移除」——这是一种智能的引用置换，Hermes 没有。

4. 注意力操纵（Todo 列表）

Manus 说的：Agent 创建 todo.md 边做边勾，用自然语言让模型注意力偏向目标。不需要架构变更。

Hermes 怎么做：✅ 已经有类似机制

  • Todo 工具：todo-system skill → 支持 pending/in_progress/completed 状态
  • Goal 系统：/goal 命令 → 设置持久目标，跨 turn 保持
  • Memory 注入：每轮开始把 memory 注入上下文，相当于「记住你要干什么」
  • SOUL.md + Personality：系统提示中预制行为模式，同样是注意力操纵
  • Skills 索引注入：可用 skills 列表在每轮开始时注入

差距：Hermes 的 todo 是给用户的视图，不像 Manus 那样是模型自己维护的注意力锚点。Manus 的 todo.md 是 agent 自己写、自己读的自我循环；Hermes 的 todo 更多是外部指令。这种差异意味着 Hermes 的模型缺少一个「长循环中自我提醒」的机制。

5. 保留失败信息

Manus 说的：最有效的方法就是保留失败信息。模型看到失败动作和堆栈跟踪，会隐式更新内部信念。清理痕迹是最蠢的做法。

Hermes 怎么做：⚠️ 部分做到

  • 工具错误确实返回给模型：model_tools.py → except Exception as e: return json.dumps({"error": ...}) → 错误作为 tool result 附加到上下文
  • 但错误被 sanitize 了：_sanitize_tool_error(error_msg) → 过滤敏感信息（路径、key 等）
  • 堆栈跟踪不完整：只返回 str(e)，不返回完整 traceback。完整 traceback 在日志里（logger.exception），但模型看不到日志

差距：Manus 强调的是「完整保留失败观察和堆栈跟踪」。Hermes 的异常处理返回 sanitized error，丢失了堆栈信息——而堆栈跟踪恰恰是模型做「自我纠错」最有价值的上下文。

6. 警惕少样本陷阱

Manus 说的：上下文中的重复动作-观察对会让模型陷入模式。审查 20 份简历时 agent 机械重复类似操作。解法：引入受控随机性——不同的序列化模板、替代措辞、微小噪音。

Hermes 怎么做：⚠️ 被动防护

  • Memory 系统：持久化的是「用户偏好」而非「过去的具体行动序列」，天然避免 few-shot 陷阱
  • Session 系统：session_search 可以回溯，但不会把整个历史 session 自动注入上下文
  • Skills 系统：skill 是「抽象的工作流」而非「具体的操作序列」，不会造成模式化
  • Context compression：压缩后的摘要丢失了原始动作-观察的模式细节

差距：Hermes 没有主动的「受控随机性」机制。如果一个 session 中出现 20 次类似的 tool call，没有任何东西来打破这个模式。Manus 的做法更主动——在不同序列化模板、替代措辞、顺序噪音中随机选择。

7. 上下文工程是实验科学

Manus 说的：四次重构 agent 框架才找到局部最优。分享的不是真理，是能让别人少踩坑的经验。

Hermes 怎么做：✅ 设计上就是实验平台

  • Skills 系统：每次解决复杂问题都能保存为 skill，积累迭代。这正是「手搓 SGD」的制度化版本
  • Curator 系统：自动追踪 skill 使用频率，标记过时 skill，归档维护。相当于自动化的经验管理
  • Profile 系统：可以开独立实例做 A/B 测试，不影响主环境
  • Cron 系统：定时任务自动运行，观察长期稳定性
  • 可插拔的 context engine：agent/context_engine.py 支持不同压缩策略，可以实验性替换

这正是 Hermes 设计哲学里「self-improving through skills」的体现。 Manus 说「我们四次重构」，Hermes 把这个过程做成了产品特性。

总评

Manus 原则Hermes 状态差距
KV 缓存命中率✅ 4 断点缓存 + 静态 SOULJSON 序列化不确定性未检测
屏蔽原则✅ 工具定义不动，toolsets 控制无 token 级 logits 掩码
文件系统记忆✅ 多层（state.db + memory + skills + Obsidian）无「引用置换」智能压缩
注意力操纵✅ SOUL + todo + goal + memory 注入todo 是外部指令非自我循环
保留失败信息⚠️ 错误返回给模型但 sanitized无完整 stack trace 给模型
少样本陷阱⚠️ memory/skills 天然避开无主动「受控随机性」
实验科学✅ skills + curator + profiles—

可改进方向

基于以上分析，Hermes 有三个值得关注的改进点：

  1. 引用置换压缩：在 context compression 中识别「可外部化的引用」（URL、文件路径），保留引用但移除内容，类似 Manus 的做法
  2. 保留完整错误上下文：tool error 返回时附带 sanitized stack trace，让模型能真正做自我纠错
  3. 受控随机性：在重复 tool call 场景中引入微小的序列化变化，打破少样本模式

📎 原文链接：https://manus.im/zh-cn/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus

关系图谱

反向链接