Agent 评估的本质是把模糊的 “好用” 变成可定义、可测试、可度量的标准。Anthropic 的实践证明：评估不是额外开销，而是加速迭代、保障质量、降低线上风险的核心基建。尽早开始、用真实场景、组合评分器、重结果轻路径、持续读轨迹、长期维护。随着 Agent 走向多任务、多智能体协作，评估体系也需同步进化，成为 AI 产品从 Demo 走向规模化落地的基石。

摘要 Hermes Agent的上下文压缩功能通过三种条件触发：预检压缩（对话历史过长时预压缩）、循环中压缩（执行工具后检查token数）和错误恢复压缩（处理上下文溢出等错误）。压缩过程分为修剪工具结果和LLM总结两个阶段，首先快速删除旧工具数据释放空间，然后使用结构化提示让LLM总结中间对话轮次。系统通过动态调整上下文限制和优先级保护关键消息（如首尾对话）来优化压缩效果，确保在长对话中维持核心信

Hermes Agent 是一个基于工具调用的 AI 代理框架，核心功能由约 9200 行代码的 AIAgent 类实现，支持三种 API 模式（OpenAI、Codex 和 Anthropic）。其主要特点包括： 核心流程：提供两种接口（简单文本返回和完整结果字典），通过 run_conversation() 方法管理对话生命周期，包括提示词构建、上下文压缩和工具执行等步骤。

本文档详细梳理Hermes Agent中skill自进化的完整流程，以及大模型调用时提示词的组装和拼接机制

Hermes Agent的Profile架构基于HERMES_HOME环境变量实现轻量级隔离，每个Profile拥有独立的配置、记忆、会话、凭证和Gateway进程。针对多用户场景，推荐立即可用的三种方案：多OS用户模式实现完全隔离、Gateway共享模式支持多用户协作、多Profile混合方案适配不同团队。小团队建议使用多OS用户或多Profile，中型团队可用Gateway共享，大型企业可开发

大模型自回归推理存在重复计算量大、首字延迟高、GPU算力资源浪费、Token计费成本高等核心问题，缓存机制是低成本、高收益的推理优化核心方案。本文结合工业级落地实践，系统梳理大模型双层核心缓存架构、业务场景核心痛点、全维度优化方案、量化评估体系与质量保障策略，重点针对客服、工单问答、RAG知识库等含用户动态信息的典型业务场景，总结一套兼顾高缓存命中率、低推理延迟、零应答质量损耗的标准化落地方案，为

FunctionCall、MCP、CLI 三种 AI 工具调用全维度对比

FunctionCall、MCP、CLI 三种 AI 工具调用全维度对比

本文档详细梳理Hermes Agent中skill自进化的完整流程，以及大模型调用时提示词的组装和拼接机制

本文档详细介绍了Hermes Agent中Skill的执行流程。Skill作为可扩展指令系统，通过Markdown文件存储，包含YAML元数据和指令正文。核心流程包括：发现与扫描（获取目录、查找文件、解析元数据、过滤检查）、加载（路径规范化、内容加载）、安全检查（路径验证、注入检测）、环境变量检查（收集验证变量）、关联文件收集（参考文档、模板等资源）。整个过程通过多个核心文件协同完成，确保Skil