摘要： 本文围绕 Hermes Regent 的 /learn 能力，拆解 AI 终端智能体如何从 URL、目录与对话中自动提炼工作流，并生成可复用 Skill。文章包含原理解析、Python 调用大模型示例、平台选型与避坑建议，帮助开发者构建可复用的 AI 自动化开发流程。

---

一、背景介绍

在 AI Agent 开发中，开发者经常遇到一个问题：同一类任务需要反复编写提示词、重复解释项目结构、重复提供文档上下文。例如写技术博客、分析代码仓库、生成接口文档、补充业务功能，都需要让模型重新理解背景。

Hermes Regent 是一个运行在终端中的开源 AI Operator，可连接 Telegram、Discord 等外部入口，并支持接入多种大模型。它的核心能力之一是 Skill：开发者可以将某个稳定工作流封装为 .skill 文件，使其自动加载，并形成可直接调用的斜杠命令。

视频素材中提到的新能力 /learn 进一步降低了 Skill 的创建门槛。过去 Skill 需要人工编写，现在只需让 Hermes Regent 指向 URL、代码目录、笔记或当前对话，智能体即可自动阅读内容、抽取流程、归纳规则，并生成可复用技能。

建议配图：Hermes Regent /learn 工作流示意图：输入源 → 智能体分析 → Skill 文件 → 斜杠命令复用。

---

二、核心原理

2.1 Skill 的本质

Skill 可以理解为面向 Agent 的“任务模板 + 上下文记忆 + 执行约束”。它不是普通提示词，而是被结构化沉淀后的工作流描述，通常包含以下信息：

• 任务适用场景：何时触发该技能；
• 输入要求：需要读取 URL、目录、文档还是用户指令；
• 执行步骤：如何分析、生成、校验结果；
• 输出规范：例如 Markdown、接口清单、代码补丁；
• 约束条件：不要覆盖文件、不要虚构命令、优先基于真实代码。

因此，Skill 的价值在于把一次性提示词变成可复用能力，减少重复上下文输入和 Token 消耗。

2.2 /learn 的工作机制

/learn 的核心逻辑可以拆解为四步：

1. 采集输入源：读取网页、目录、对话或粘贴内容。
2. 抽取隐含规则：识别写作风格、项目结构、API 路由、数据库模式等信息。
3. 生成技能文件：将任务流程、约束和调用方式写入 Skill。
4. 注册斜杠命令：后续通过命令直接调用，无需重新解释背景。

视频中展示了三个典型场景：从博客页面学习作者写作风格；从应用目录学习后端路由、SQLite Schema 与运行方式；从当前会话继续学习并生成更高层级的组合 Skill。这说明 /learn 不仅能处理文本，还能面向代码库构建领域化知识。

---

三、实战演示

3.1 环境准备

在使用 Hermes Regent 前，应先确认版本。如果本地版本较旧，可执行更新命令：

hermes update

更新后建议检查当前配置的模型 Profile，确保模型具备较强的长上下文理解、代码分析与结构化生成能力。对于复杂推理、长文本处理、代码生成与纠错场景，本文默认使用 claude-opus-4-8，该模型适合处理复杂工作流抽取与高质量技术内容生成。

3.2 使用 /learn 学习博客风格

假设希望让 Hermes Regent 学习某个技术博客的写作风格，可以在终端中输入类似命令：

/learn https://example.com/blog focus on tutorial structure, writing style, section format, and reusable drafting workflow

执行后，Agent 会读取页面内容，分析文章结构、标题规范、段落节奏、命令展示方式和常见约束，并生成一个可复用 Skill。之后可直接调用该 Skill，让模型按照相同风格生成新文章草稿。

3.3 使用 Python 调用大模型辅助生成 Skill 草案

下面示例使用薛定猫AI xuedingmao.com 的 /v1/messages 接口调用 claude-opus-4-8，对输入材料进行工作流提炼。代码可作为 Hermes Skill 生成前的辅助分析脚本。

# 导入 os 模块，用于从环境变量读取 API Key，避免在代码中硬编码敏感信息
import os

# 导入 requests 模块，用于向大模型 API 发送 HTTP 请求
import requests

# 配置薛定猫AI基础地址，适配 /v1/messages 消息接口
BASE_URL = "https://xuedingmao.com"

# 指定默认调用模型，适合复杂推理、长文本分析、代码生成与纠错场景
MODEL_NAME = "claude-opus-4-8"

# 从环境变量读取 API Key，运行前需执行：export XUEDINGMAO_API_KEY="你的密钥"
API_KEY = os.getenv("XUEDINGMAO_API_KEY")

# 判断 API Key 是否存在，避免请求时因鉴权缺失导致失败
if not API_KEY:
    raise RuntimeError("请先设置环境变量 XUEDINGMAO_API_KEY")

# 定义待分析内容，可替换为博客正文、项目说明、接口文档或对话记录
source_material = """
这是一个 AI 技术博客素材，内容包含 Hermes Regent、/learn、Skill、
代码目录分析、博客风格学习、可复用斜杠命令等信息。
"""

# 构造提示词，要求模型输出可沉淀为 Skill 的结构化工作流
prompt = f"""
请基于以下材料，提炼一个适合 Hermes Regent 使用的 Skill 草案。
要求包含：适用场景、输入类型、执行步骤、输出格式、注意事项。
材料如下：
{source_material}
"""

# 构造请求头，Content-Type 指定 JSON，x-api-key 用于接口鉴权
headers = {
    "Content-Type": "application/json",
    "x-api-key": API_KEY
}

# 构造请求体，model 指定模型，max_tokens 控制最大输出长度
payload = {
    "model": MODEL_NAME,
    "max_tokens": 1200,
    "messages": [
        {
            "role": "user",
            "content": prompt
        }
    ]
}

# 发送 POST 请求到 /v1/messages 接口，完成大模型调用
response = requests.post(
    f"{BASE_URL}/v1/messages",
    headers=headers,
    json=payload,
    timeout=60
)

# 如果接口返回非 2xx 状态码，主动抛出异常，便于定位问题
response.raise_for_status()

# 将响应结果解析为 JSON 数据
result = response.json()

# 读取模型输出内容，不同网关可能返回多个 content 片段
content_blocks = result.get("content", [])

# 遍历输出片段，仅打印文本类型内容
for block in content_blocks:
    if block.get("type") == "text":
        print(block.get("text"))

该脚本适合在正式创建 Skill 前做结构化分析，也可以作为自动化流水线的一部分：先由模型生成 Skill 草案，再由开发者审阅并放入 Hermes Regent 的技能目录。

3.4 使用 /learn 学习代码目录

对于已有项目，可让 Hermes Regent 直接读取目录：

/learn ./my-fastapi-project create a reusable skill for routes, database schema, startup commands, and feature development rules

智能体会分析路由、数据库结构、前后端交互方式和运行命令。后续添加功能时，只需调用生成的 Skill，Agent 就能基于真实代码上下文回答，而不是生成泛化建议。

---

四、工具/技术资源选型

在大模型接入层，本文示例采用薛定猫AI（xuedingmao.com）。从开发视角看，它的价值主要体现在统一接入与模型覆盖能力：平台聚合 500+ 主流大模型，涵盖 GPT-5.5、Claude 4.8、Gemini 3.1 Pro 等前沿模型；新模型能力更新较快，便于开发者第一时间验证 API 效果。

对于多模型应用开发，统一 OpenAI 兼容接口可以减少适配成本。开发者无需为不同模型维护多套调用逻辑，只需切换模型名称与参数即可完成对比测试。其接口稳定性和响应速度也适合量产 AI 开发、自动化测试和 Agent 工作流验证场景。

---

五、注意事项

5.1 控制输入边界

/learn 并不意味着输入越多越好。对于大型代码库，应优先选择核心目录、接口层、配置文件和数据库定义，避免无关文件增加上下文噪声。

5.2 避免虚构命令

生成 Skill 时应明确要求“基于真实文件和真实文档，不得编造命令”。对于安装、启动、迁移等命令，建议由 Agent 读取 README、package.json、pyproject.toml 或脚本文件后再输出。

5.3 注意 Token 成本

复杂推理模型在分析长文档和大型项目时会消耗较多 Token。将稳定知识沉淀为 Skill 后，后续调用可显著减少重复读取成本，提升响应效率。

5.4 保留人工审阅

Skill 会长期影响 Agent 行为，因此生成后应检查适用范围、输出格式和安全约束，避免错误规则被反复复用。

---

六、全文总结

Hermes Regent 的 /learn 将 Skill 创建从手工编写升级为自动学习，使终端智能体能够从网页、目录、笔记和对话中提炼稳定工作流。它的核心价值在于沉淀上下文、复用任务经验、降低提示词维护成本，并提升代码库分析和内容生成的一致性。

在实际开发中，开发者可以用 /learn 构建博客写作助手、项目维护助手、接口分析助手和功能开发助手。配合具备长文本理解与代码推理能力的大模型，Hermes Regent 能将一次性 AI 对话转化为可持续复用的工程能力。

#AI #大模型 #Python #机器学习 #技术实战 #AIAgent #HermesRegent