Evolver和Hermess Agent
目录
自进化实现（hermes-agent-self-evolution）
2. Hermes-Agent — "全能助手"（Nous Research出品）
一、前言
仅供参考，未经实验验证。
二、Evolver
Evolver (EvoMap)：https://github.com/EvoMap/evolver
一、Evolver (EvoMap) 架构设计
核心定位
Evolver 是一个基于 GEP（Genome Evolution Protocol，基因组进化协议）的协议约束型自进化引擎，将临时的提示词调整转化为结构化、可审计的进化资产。
三层架构体系
┌─────────────────────────────────────────────────────────────┐ │ GEP 协议层 (Protocol Layer) │ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────────────┐ │ │ │ Gene │ │ Capsule │ │ EvolutionEvent │ │ │ │ (基因/策略) │ │ (胶囊/方案) │ │ (进化事件/审计) │ │ │ └─────────────┘ └─────────────┘ └─────────────────────┘ │ └─────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────┐ │ 进化执行层 (Execution Layer) │ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────────────┐ │ │ │ Analysis │ │ Selection │ │ Execution │ │ │ │ (分析) │ │ (选择) │ │ (执行) │ │ │ │ 扫描日志提取信号 │ │ 匹配Gene/Capsule │ │ 生成GEP提示词 │ │ │ └─────────────┘ └─────────────┘ └─────────────────────┘ │ └─────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────┐ │ 网络协作层 (Network Layer) │ │ EvoMap Hub (A2A 协议 - Agent-to-Agent) │ │ hello → publish → fetch → report → decision → revoke │ └─────────────────────────────────────────────────────────────┘核心资产类型详解
资产类型 功能 数据结构 Gene 可复用的策略模板，定义如何处理特定问题模式 id,type,signals_match[],strategy,validation[]Capsule 经过验证的具体解决方案，带成功追踪 id,parent_gene,description,confidence,success_streakEvolutionEvent 不可变的审计日志，记录完整进化链路 id,parent_id,intent,signals,outcome10步主循环
根据 EvoMap 的对比分析，Evolver 的进化循环包含以下步骤：
Scan - 扫描日志和历史文件
Select - 选择匹配的 Gene/Capsule
Mutate - 构建变异指令
Validate - 执行验证命令
Solidify - 固化变更并提交
（以及后续的记录、报告等步骤）
技术栈
语言: Node.js (>= 18)
存储: Git 原生集成（用于回滚和影响范围计算）
网络: A2A (Agent-to-Agent) 协议
安全: 命令白名单（仅允许
node,npm,npx）
三、Hermes Agent
Hermes Agent (Nous Research)：https://github.com/nousresearch/hermes-agent
核心定位
Hermes Agent 是 Nous Research 开发的自进化 AI Agent，强调"与你共同成长的 Agent"，具备内置学习循环，能从经验中创建技能并持续改进 。
三层记忆架构
层级
类型
用途
对应 Evolver
Layer 1
Working Memory
当前会话上下文
-
Layer 2
Episodic Memory
跨会话事实和偏好 (
MEMORY.md+USER.md)
EVOLUTION_PRINCIPLES.mdLayer 3
Procedural Memory
自动创建的可复用 Skills (
SKILL.md)Gene/Capsule
历史层
SQLite FTS5
会话搜索 + LLM 摘要
events.jsonl闭环学习系统
┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ Observe │ → │ Execute │ → │ Reflect │ → │Crystallize│ → │ Reuse │ │ (观察) │ │ (执行) │ │ (反思) │ │ (结晶) │ │ (复用) │ └─────────┘ └─────────┘ └─────────┘ └─────────┘ └────┬────┘ ↑ │ └──────────────── 自动触发下一次循环 ──────────────────────────┘自进化实现（hermes-agent-self-evolution）
Hermes 的自进化功能在独立仓库
NousResearch/hermes-agent-self-evolution中实现，采用 DSPy + GEPA 引擎：
阶段 目标 引擎 Phase 1 Skill 文件优化 DSPy + GEPA Phase 2 工具描述优化 DSPy + GEPA Phase 3 系统提示词优化 DSPy + GEPA Phase 4 工具代码进化 Darwinian Evolver Phase 5 持续改进循环 自动化流水线 优化循环架构
1. SELECT TARGET → 2. BUILD EVAL DATASET → 3. WRAP AS DSPy MODULE ↓ 6. DEPLOY (with approval) ← 5. EVALUATE & COMPARE ← 4. RUN OPTIMIZER ↓ Git Branch + PR (人工审核后合并)技术栈
语言: Python 3.11
存储: SQLite (FTS5 全文搜索)
部署: 支持 $5 VPS 到 GPU 集群，6种终端后端（Docker/SSH/Daytona/Modal等）
平台: Telegram/Discord/Slack/WhatsApp/Signal/飞书/钉钉等14+平台
三、核心设计对比
架构同构性（争议焦点）
维度 Evolver Hermes Agent 相似度 三层记忆 Gene/Capsule/Event Skill/SKILL.md/FTS5 结构一致 持久事实层 EVOLUTION_PRINCIPLES.mdMEMORY.md+USER.md功能对应 程序性记忆 JSON 资产 (genes.json) SKILL.md 文件 同构 历史记录 events.jsonlSQLite FTS5 功能对应 进化循环 10步 GEP 循环 5步闭环学习 逻辑相似 术语映射 Gene → Skill, Capsule → Skill instance 直接对应 系统性替换 关键差异
特性 Evolver Hermes Agent 协议约束 严格的 GEP 协议，仅生成提示词不直接改代码 更灵活，支持直接技能创建和代码优化 审计追踪 不可变的 EvolutionEvent 链 Git 分支 + PR 人工审核 网络协作 EvoMap Hub (A2A 协议) agentskills.io 开放标准 执行方式 生成 sessions_spawn(...)文本由宿主解释直接执行或生成 PR 安全模型 命令白名单 + 验证门 沙箱测试 + 人工审核门 语言 Node.js Python 开源程度 核心模块混淆保护 (GPL-3.0) 完全开源 (MIT) 时间线争议
日期 Evolver Hermes Agent 2026-02-01 首次发布，GEP 协议公开 - 2026-02-16 GEP 协议深度解析发布 - 2026-02-25 - Hermes Agent v0.1.0 发布 2026-03-09 - 自进化仓库创建（晚 36 天） 2026-03-12 - Skills 生态系统推出
四、设计哲学差异
Evolver: 协议优先的保守进化
核心信念: "Evolution is not optional. Adapt or die."
设计原则: 协议约束 > 自由创新，审计追踪 > 执行效率
生物隐喻: 基因组进化（Gene/Capsule/EvolutionEvent 命名体现）
Hermes Agent: 实用主义的持续学习
核心信念: "The agent that grows with you"
设计原则: 用户体验优先，多平台集成，实用技能生成
工程取向: 强调部署灵活性（$5 VPS 到 GPU 集群）和平台覆盖（14+ 消息平台）
总结
两个项目都实现了三层记忆架构 + 闭环自进化的核心设计，这在技术层面确实存在高度相似性。Evolver 更强调协议约束和审计追踪，适合需要合规和可追溯性的企业场景；Hermes Agent 更强调实用性和多平台部署，适合个人用户和多样化集成场景。争议的核心在于：这种架构相似是"趋同进化"（独立发现最优解）还是"代码清洗"（借鉴后重写），目前双方各执一词，社区尚无定论。
四、通俗解释
通俗解释一下两者的架构和设计思路，对于一个任务，各自是怎么执行的
1. Evolver — "进化引擎"（EvoMap出品）
核心比喻
想象一个生物实验室里的基因编辑师，它不会直接动手术，而是根据观察到的症状，写一份"基因改造指南"给你。
架构设计
┌─────────────────────────────────────────┐ │ 记忆层 (memory/) │ │ └── 运行时日志、错误信号、历史记录 │ └─────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────┐ │ 进化引擎 (Evolver Core) │ │ ├── 信号扫描：分析日志找问题模式 │ │ ├── 基因选择器：从基因库匹配解决方案 │ │ └── GEP协议：生成标准化的"进化提示" │ └─────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────┐ │ 输出层 │ │ └── 生成GEP提示文本 → 等待外部执行 │ └─────────────────────────────────────────┘关键概念
Gene（基因）：可复用的解决方案模板，比如"修复超时错误"的标准流程
Capsule（胶囊）：预打包的修复方案
GEP协议：Genome Evolution Protocol，一种标准化的进化指令格式
任务执行流程
扫描 → 读取
memory/目录的日志和错误匹配 → 用信号选择最相关的Gene/Capsule
生成 → 输出一段严格的GEP协议提示（不是代码补丁！）
记录 → 写入
events.jsonl留下审计痕迹等待 → 需要外部运行时（如OpenClaw）来执行这个提示
关键特点：它只生成提示，不直接改代码。像一个谨慎的顾问，把建议写在纸上，但不碰你的电脑。
2. Hermes-Agent — "全能助手"（Nous Research出品）
核心比喻
想象一个24小时待命的私人管家，能聊天、能干活、能学习，还能记住你的一切偏好。
架构设计
┌─────────────────────────────────────────┐ │ 多入口界面层 │ │ ├── CLI终端（本地交互） │ │ ├── Telegram/Discord/Slack/Signal │ │ └── WhatsApp/Email/Home Assistant │ └─────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────┐ │ 核心Agent循环 │ │ ├── 对话管理：上下文压缩、会话历史 │ │ ├── 工具调用：40+内置工具 + MCP扩展 │ │ ├── 技能系统：自动创建/改进/复用技能 │ │ └── 记忆系统：跨会话持久化记忆 │ └─────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────┐ │ 基础设施层 │ │ ├── 多模型支持（OpenAI/Claude/自托管等） │ │ ├── 终端后端（本地/Docker/SSH/云端） │ │ ├── 定时任务（Cron调度器） │ │ └── 子代理并行（Spawn Subagents） │ └─────────────────────────────────────────┘关键概念
Skill（技能）：从经验中自动提取的"程序性记忆"，比如"如何部署Docker"
Memory：包含用户画像、对话历史、长期知识
Learning Loop：完成任务后自动总结并生成/改进技能
任务执行流程
接收 → 从任意平台（Telegram/CLI等）获取用户指令
规划 → Agent决定需要什么工具/技能
执行 → 调用工具（代码执行、文件操作、API调用等）
学习 → 复杂任务完成后，自动创建或改进Skill
记忆 → 关键信息存入长期记忆，下次对话还记得
关键特点：闭环执行 + 自我改进。它不只是建议，而是直接动手做，做完还会总结经验变成可复用的技能。
核心对比
维度 Evolver Hermes-Agent 角色定位 进化顾问/基因编辑师 全能执行助手/管家 执行方式 只生成提示，不直接执行 直接调用工具执行任务 改进机制 基于日志的协议化进化（GEP） 经验驱动的技能自动提取 记忆系统 审计日志 + 基因库 用户画像 + 技能库 + 对话历史 部署形态 可嵌入其他运行时（如OpenClaw） 独立运行，自带多平台网关 安全模型 严格只读，验证命令白名单 命令审批制 + 容器隔离 网络功能 EvoMap网络（可选）：技能共享、Worker池 自带多平台消息网关
通俗总结
Evolver = 一个严谨的"进化协议生成器"，适合需要审计追踪、渐进式改进、安全可控的场景。它像一位写处方的医生，不开刀。
Hermes = 一个能干的"数字管家"，适合需要端到端执行、多平台接入、持续学习的场景。它像一位既会做饭又会打扫还能记住你喜好的保姆，直接上手干活。
两者可以互补：Evolver负责制定安全的进化策略，Hermes负责执行具体的工具调用和日常任务管理。
五、自动创建和保存Skill
我怎么感觉跟以往OpenClaw之类的相比，核心思路是基于经验自动创建和保存Skill用于下次遇到相同类型任务的时候避坑是吗？
你的理解非常准确！这两个项目确实代表了 Agent 架构的进化方向——从"一次性执行"转向"经验沉淀与复用"。让我对比分析一下：
核心差异对比
维度 OpenClaw (传统) Evolver + Hermes (新范式) 核心思路 任务执行 → 结束 任务执行 → 提取经验 → 保存为可复用 Skill 避坑机制 每次重新踩坑 从错误中学习，下次自动规避 知识沉淀 对话历史（被动） 结构化 Skill / Gene / Capsule（主动） 进化方式 人工调 Prompt 自动进化（GEP 协议） 跨会话记忆 有限 深度用户建模 + 跨会话搜索
Evolver 的核心创新
运行时日志 → 信号提取 → Gene/Capsule 选择 → GEP 协议提示 → 可审计进化
Gene（基因）：可复用的进化策略单元，比如"修复循环检测"、"参数验证强化"
Capsule（胶囊）：针对特定错误的修复方案
Skill Store：可从网络下载/分享技能（
node index.js fetch --skill <id>）关键设计：Evolver 不直接改代码，而是生成协议约束的提示，由宿主运行时（如 OpenClaw）执行。这保证了安全性与可审计性。
Hermes-Agent 的核心创新
特性 说明 闭环学习 复杂任务后自动创建 Skill，并在使用中自我改进 主动记忆 定期自我提醒持久化知识，FTS5 会话搜索实现跨会话回忆 用户建模 基于 Honcho 的辩证用户建模，越用越懂用户 技能标准 兼容 agentskills.io开放标准，可跨平台复用多平台网关 Telegram/Discord/Slack/WhatsApp/Signal 统一接入
你的直觉为什么对？
"避坑" = 从失败中提取可复用经验
这正是 Procedural Memory（程序性记忆） 的核心：
第一次：遇到错误 → 分析原因 → 创建 Skill 记录解决方案 第二次：遇到相似场景 → 检索 Skill → 直接应用经验 → 跳过错误相比 OpenClaw 的"每次都从零开始"，Evolver 和 Hermes 都实现了：
错误模式识别（Signal Extraction）
经验结构化存储（Skill/Gene/Capsule）
相似场景匹配（Selector Logic / FTS5 搜索）
持续自我改进（Skill 在使用中进化）
一句话总结
OpenClaw 是"聪明的执行者"，Evolver/Hermes 是"会学习的执行者"——后者把每一次踩坑都变成未来避坑的资本。
这类似于人类从"新手反复试错"进化到"专家直觉反应"的过程。
这里是“一人公司”的成长家园。我们提供从产品曝光、技术变现到法律财税的全栈内容，并连接云服务、办公空间等稀缺资源，助你专注创造，无忧运营。
更多推荐
9
0- 0
已为社区贡献1条内容
所有评论(0)