这次 v2.1.152 不是一个只适合发更新日志的版本。它给开发者和团队都提供了一个信号：AI 编程工具正在从“问答式助手”进入“工程化运行时”阶段。个人开发者看到的是：/code-review --fix 更省事、/reload-skills 更顺手、fallback-model 更稳定。团队负责人看到的应该是：Skills 可以沉淀经验，disallowed-tools 可以约束能力，Hook

Cursor 的核心价值，不是“让不会写代码的人变成高级工程师”，而是让已经懂工程的人，把重复劳动、上下文搜索、样板代码、测试修复、文档整理交给 AI。你越懂项目，越会给上下文，越会拆任务，越会审查结果，Cursor 就越强；你越想让它一步到位、替你负责，它就越危险。所以最好的使用姿势是：人定方向，AI 做执行；人控边界，AI 提效率；人做审查，AI 给候选方案。把这套流程跑顺，Cursor 才真

LLM 的基本原理，可以压缩成一句话：基于 Transformer 的大规模神经网络，通过海量预训练学习语言规律，再通过指令微调和偏好对齐变成可交互的 AI 助手。LLM 的能力边界，也可以压缩成一句话：它擅长语言理解、归纳、生成和模糊任务协作，但不天然保证事实正确、实时更新、精确计算、稳定复现和责任可审计。最终结论。

很多系统的“压缩”只是让模型把聊天记录总结成一段话。这种做法能省 Token，但不一定能让 Agent 变聪明。真正有用的压缩，应该把原始历史变成结构化资产。建议每次压缩都输出固定字段，而不是自由发挥：goal：当前任务目标，最好一句话说清楚。constraints：硬约束，例如预算、技术栈、域名、合规边界。decisions：已经做出的关键决策，避免下次反复推翻。facts：可复用事实，必须带来

中段历史不会被一句话带过，而是会按结构化模板进行总结。摘要里会包含 Goal、Constraints & Preferences、Progress、Key Decisions、Relevant Files、Next Steps、Critical Context 等内容。这类结构化摘要对 Agent 特别重要。因为 Agent 接下来不是要“回忆聊天”，而是要继续工作：继续修测试、继续改文件、继续执

问题在于，真实世界的工具太多了：GitHub、数据库、文件系统、浏览器、工单系统、CRM、内部 API、支付系统、监控平台、知识库……在核心工具发现之后，MCP 工具也会被发现并注册。从整体链路看，Hermes 的工具系统可以分成三层：第一层是模型输出 tool_call，第二层是 Hermes 的 Tool Registry 负责查找和调度，第三层才是真正执行动作的工具实现。使用 MCP 后，这

问题在于，真实世界的工具太多了：GitHub、数据库、文件系统、浏览器、工单系统、CRM、内部 API、支付系统、监控平台、知识库……在核心工具发现之后，MCP 工具也会被发现并注册。从整体链路看，Hermes 的工具系统可以分成三层：第一层是模型输出 tool_call，第二层是 Hermes 的 Tool Registry 负责查找和调度，第三层才是真正执行动作的工具实现。使用 MCP 后，这

第一，模型不直接执行动作。它输出的是结构化 tool_call，请求 Hermes 去调用某个工具。第二，工具必须先注册、过滤、暴露。Registry 管工具，Toolsets 管范围，check_fn 管可用性。第三，执行由 Agent Runtime 负责。run_agent.py、model_tools.py、registry.py 串起派发链路。第四，工具结果会回到对话历史。role=to

官方文档对 session_search 的描述很关键：它会跨过去所有会话做 FTS5 全文搜索，并且返回数据库里的真实消息，不做 LLM 总结，不做截断式想象。这个设计让它更像“聊天记录搜索”，而不是“模型凭感觉回忆”。Session Search 有三种典型使用方式：第一是 Discovery，传入关键词，找到相关会话；第二是 Scroll，围绕某条消息继续向前或向后看更多上下文；第三是 Br

收集身份、记忆、用户画像、项目规则、技能目录和平台环境信息；对外部文本做扫描与截断；按稳定性和优先级分层组装；把稳定部分作为 cached system prompt，把当次临时内容作为 ephemeral layer；最后交给 AIAgent 和 provider 执行模型调用。Hermes Agent 的 Prompt Builder 并不是简单拼接几段提示词，而是在做系统级上下文编排。