功能描述

给AI装一个「人脑级」记忆系统。它能记住你说过的一切重要信息，下次聊天自动想起来。不用云端、不用API Key、不花一分钱——全部数据存在你自己的电脑上。说「记住这个」它就记住，问「我上次说了什么」它就找到。自动整理、自动遗忘过时信息。适合：想让自己的AI助手拥有长期记忆的用户。触发词：记忆、记住、之前说...

使用说明 (SKILL.md)

Hermes-Memory 本地向量记忆系统

Name: Hermes Memory CN
Author: dream978

你的AI助手是不是每次聊天都像失忆了？ 这个skill就是解决这个问题的。

Hermes-Memory 给AI装上了长期记忆：记住你的偏好、持仓、策略、教训……下次聊天自动关联上下文，就像跟一个老朋友说话一样。

为什么用它？

完全本地，隐私零风险 —— 数据存在你电脑上的SQLite文件里，不传任何云端
零成本 —— 不需要API Key，不需要付费服务，本地embedding模型免费跑
中文优化 —— 专用中文向量模型，搜索准确率远超英文通用模型
开箱即用 —— 安装依赖后直接使用，不需要额外启动数据库服务（不像Qdrant/Milvus那样需要单独部署）
越用越聪明 —— 自动去重、自动衰减过时记忆、实体关系图谱越建越丰富
类型自由定制 —— 内置交易、策略、教训等类型，也可以随时自定义任何新类型

和其他方案对比

vs 纯文本记忆（MEMORY.md / 每日笔记）

纯文本是大部分AI助手的默认方案——把记忆写在Markdown文件里，每次对话让AI自己翻。

维度	Hermes-Memory	纯文本记忆
查找方式	语义搜索（"我之前说过什么止损规则"→精准命中）	关键词匹配或全文翻阅
记忆容量	千条级，搜索毫秒级	几百条就开始乱、遗漏
去重	向量相似度>0.95自动合并	手动检查，重复越积越多
过期处理	自动衰减+归档	永远在文件里，越堆越旧
结构化	按类型/实体/关系组织	平铺在一个大文件里
实体关系	多跳图谱（某股→板块→策略→教训）	无
Token消耗	只搜索需要的记忆，按需加载	每次要把整个文件喂给AI

一句话： 纯文本适合记10条备忘；Hermes-Memory适合构建一个真正可用的知识库。

vs AGENTS.md 内置记忆逻辑

很多用户会在AGENTS.md里写一段记忆规则，让AI自己维护Markdown文件。这个方案能用，但有几个本质限制：

维度	Hermes-Memory	AGENTS.md规则+Markdown
存储引擎	SQLite + 向量索引 + FTS5	纯文本文件
搜索能力	向量语义搜索 + 全文搜索 + 关系查询	只能靠AI逐行读文件
可靠性	确定性——CLI命令执行即写入，不依赖AI"记得去写"	不确定——AI可能忘写、写错格式、漏写
写入触发	CLI工具一键写入（memdb.py add / memory_tool.py check）	依赖AI每次对话后主动执行，无强制保证
跨会话	SQLite文件是唯一真相源，任何session读取一致	多个daily note + MEMORY.md，容易不一致
关系推理	实体图谱支持多跳查询（"跟这只股票相关的所有教训"）	无结构化关系，全靠AI自己关联
自动维护	decay归档+去重+export，cron一条命令搞定	需要AI手动整理文件，容易堆积垃圾
可扩展性	类型自定义、关系自由扩展	文件越大AI越容易遗漏

核心差异： AGENTS.md记忆规则是"靠AI自觉"——提示词让它记，但执行没有保证。Hermes-Memory是"工具保证"——CLI命令执行就写入，搜索就返回，不依赖AI的注意力。

vs 云端向量库（Qdrant / Milvus / Pinecone）

维度	Hermes-Memory	云端向量库
部署难度	pip install即可	需要启动独立服务或注册云服务
隐私安全	✅ 完全本地	⚠️ 需自建或信任第三方
成本	免费	云服务按量计费 / 自建服务器成本
大规模性能	千条级优秀	百万级优秀
中文支持	✅ 专用中文模型	⚠️ 需额外配置embedding

一句话： 个人使用千条级别，Hermes-Memory更简单更安全；企业级百万条数据，上云端方案。

快速开始

所有命令必须用 Python 3.12+（支持OpenSSL 3.0+），macOS推荐 /opt/homebrew/bin/python3.12。

# 搜索记忆（语义搜索，支持中文）
python3 scripts/memdb.py search "止损策略" --limit 5

# 添加记忆
python3 scripts/memdb.py add "内容" --type portfolio --entity 某科技股

# 智能检测关键词并写入
python3 scripts/memory_tool.py check "用户说的内容"

# 建立实体关系
python3 scripts/memdb.py relate "某科技股" "属于" "医药板块"

# 查看实体关系（支持多跳）
python3 scripts/memdb.py relations "某科技股" --depth 2

# 统计
python3 scripts/memdb.py stats

记忆类型

类型完全开放，可自由扩展。以下是内置推荐类型：

通用类型

type	用途	示例
preference	用户偏好	数据源用东财、回复用中文
user-profile	用户画像	用户基本信息和背景
fact	事实/决策	用户的重要决定
note	笔记	其他
lesson	教训（带severity）	缺乏风控导致亏损

交易/投资类型（内置，可按需使用）

type	用途	示例
portfolio	持仓变动	买入某科技股、清仓某消费股
strategy	策略规则	主线共振策略买点、情绪周期L4
market-view	大盘/板块判断	大盘缩量反弹，半导体主线
trade-plan	交易计划	某股跌破MA20则止损
stock-note	个股研究笔记	某股：行业龙头，产能扩张期
watchlist	关注标的	关注某股回调至20日线
review	复盘结论	本周操作：胜率40%，亏损来自追高

自定义类型： --type 参数接受任意字符串，无需预定义。根据你的使用场景自由创造类型：

# 程序员用户可能用
type=bugfix type=architecture type=deploy

# 创作者用户可能用
type=idea type=draft type=publish

# 学生用户可能用
type=course type=exam type=schedule

实时写入规则

每次回复用户后，检查是否有值得长期记住的信息：

关键词触发（用 memory_tool.py check）：

买了/卖了/加仓/减仓/清仓/建仓/止盈/止损 → portfolio
新策略/改策略/情绪周期/买点卖点 → strategy
纠正我/不对/错误/教训/踩坑 → lesson
以后用/记住/偏好/改用 → preference

LLM判断（直接用 memdb.py add）：

隐含信息（用户随口提到的新方向、生活变化）→ fact
重要决策 → fact
根据对话领域自适应选择类型，不限于上表
遇到新模式可创造新类型，--type 无白名单限制

判断标准： 这条信息1周后还有用吗？是→写入，否→跳过。

实体关系图谱

写入记忆时，主动建立实体间关联：

# 股票→板块
python3 scripts/memdb.py relate "某科技股" "属于" "医药板块"
# 策略→组件
python3 scripts/memdb.py relate "主线共振策略" "包含" "买点规则"
# 教训→应用
python3 scripts/memdb.py relate "某股亏损" "教训应用于" "止损规则"

自动维护

衰减： memdb.py decay --days 30 标记30天未更新的记忆为expired
归档： memdb.py archive 将expired记忆移入archive表
导出： memdb.py export --dir ./entities 同步Markdown可读备份
导入： memdb.py import --dir ./entities 从Markdown导入

推荐Cron每晚23点执行：decay → export → stats。

CLI完整参考

# ── 记忆操作 ──
python3 scripts/memdb.py add "内容" --type \x3Ctype> [--entity \x3C实体>] [--severity high|medium|low] [--source manual|conversation|cron]
python3 scripts/memdb.py search "查询" [--type \x3Ctype>] [--status active|expired] [--entity \x3C实体>] [--limit N] [--format text|json]
python3 scripts/memdb.py list [--type \x3Ctype>] [--status active] [--limit N]
python3 scripts/memdb.py relate "实体A" "关系" "实体B"
python3 scripts/memdb.py relations "实体" [--depth 1|2|3] [--direction from|to|both]
python3 scripts/memdb.py unrelate "实体A" "关系" "实体B"
python3 scripts/memdb.py decay [--days 30]
python3 scripts/memdb.py archive
python3 scripts/memdb.py export --dir \x3C目录>
python3 scripts/memdb.py import --dir \x3C目录>
python3 scripts/memdb.py stats

# ── Skill进化 ──
python3 scripts/skill_evolve.py record "操作模式" --tags "标签1,标签2"
python3 scripts/skill_evolve.py detect
python3 scripts/skill_evolve.py draft \x3Cpattern_id> [--name "skill-name"]
python3 scripts/skill_evolve.py promote \x3Cpattern_id> --name "skill-name"
python3 scripts/skill_evolve.py list

详细文档

安装指南： 见 references/install.md
AGENTS.md集成： 见 references/integration.md

Skill进化系统

受 Hermes Agent 的闭环学习启发，hermes-memory-cn 增加了自动模式检测和skill提炼能力。

工作流

完成多步骤任务 → skill_evolve.py record → 向量检测相似模式
                                                ↓
                          同一模式出现≥3次 → 自动通知候选
                                                ↓
                          skill_evolve.py draft → 生成草案到 skill_drafts/
                                                ↓
                          用户审核 → skill_evolve.py promote → 正式skill

命令

# 记录操作模式
python3 scripts/skill_evolve.py record "步骤1→步骤2→步骤3" --tags "标签"

# 检测候选
python3 scripts/skill_evolve.py detect

# 生成草案
python3 scripts/skill_evolve.py draft \x3Cid> --name "skill-name"

# 确认升级
python3 scripts/skill_evolve.py promote \x3Cid> --name "skill-name"

# 查看所有模式
python3 scripts/skill_evolve.py list

与 Hermes Agent 对比

维度	Hermes Agent	Hermes Memory CN
定位	完整Agent框架（自研内核+工具+消息平台）	专注记忆层的工程优化
记忆存储	Markdown(3600字符硬上限)	SQLite+向量DB(千条级)
检索方式	FTS5+LLM摘要	向量语义搜索+FTS5+关系图谱
容量管理	硬上限强制精简	自动衰减+去重+归档
skill进化	✅ 自动沉淀（成熟）	✅ 模式检测+草案生成（新增）
冻结注入	✅ 保护prefix cache	❌ 无
中文优化	无	专用text2vec-base-chinese
实体关系	无	多跳图谱查询
部署门槛	低（一个CLI）	中（需装embedding模型）

关系定位： Hermes Agent 定义了"AI应该有长期记忆"的范式——反思循环、跨session持久化、skill自动沉淀。Hermes Memory CN 继承这个理念，在记忆存储层做了工程升级：从Markdown到向量数据库，从关键词搜索到语义检索，从几十条到千条级。两者互补，不是替代关系。

架构

用户对话 → LLM判断/关键词触发 → memdb.py add/relate → SQLite + 向量DB
                                                        ↓
                        Cron每晚 ← decay + export ← entities/ Markdown备份

技术栈：

存储层：SQLite（结构化数据）+ sqlite-vec（向量索引）+ FTS5（全文搜索）
Embedding：text2vec-base-chinese（768维，本地运行，MPS加速）
关系层：relations表（实体关系图谱，支持多跳BFS查询）
去重：向量余弦相似度 >0.95 自动合并

安全使用建议

This skill appears to implement a local memory system as described, but check a few things before installing: - Review and adjust hardcoded paths: change PYTHON and _MODEL_PATH to values appropriate for your machine (or ensure the recommended Python and model location exist). Hardcoded /Users/dream and /opt/homebrew paths are likely wrong for many users. - Inspect the model source: the install guide suggests downloading a model from HuggingFace or an 'hf-mirror.com' mirror. Only download model files from a source you trust; untrusted mirrors can host malicious model files. - Confirm where data is stored: memory.db and skill_drafts/ will be created in the scripts directory. If you want them elsewhere, move scripts or modify DB_PATH. Consider filesystem permissions and backups. - Understand agent integration: the recommended AGENTS.md integration runs memory_tool.py after replies. That gives the agent routine ability to run local commands that will write data — only enable automatic invocation if you trust the agent and the script behavior. - Review code yourself (or run in an isolated environment): the included Python files are the primary runtime surface; run them in a virtualenv or sandbox first and verify they behave as expected (search, add, decay, export) before using with sensitive conversations. If you can accept/mitigate the above (fix paths, trust the model source, run in a controlled environment), the skill is coherent with its stated purpose. If any of the defaults or the mirror suggestion worry you, treat this as suspicious and do not enable automatic integration until resolved.

功能分析

Type: OpenClaw Skill Name: hermes-memory-cn Version: 1.4.0 The Hermes-Memory skill bundle provides a local vector-based memory system using SQLite, sqlite-vec, and the text2vec-base-chinese embedding model. The code in memdb.py and memory_tool.py implements semantic search, entity relationship mapping, and automated memory categorization based on user-defined triggers (e.g., portfolio changes, preferences). A 'Skill Evolution' feature in skill_evolve.py allows the agent to detect repeated operational patterns and generate skill drafts for human review. The system operates entirely locally, lacks network exfiltration logic, and uses safe subprocess calls for internal tool execution. While it contains a hardcoded path (/Users/dream/) likely left over from development, there is no evidence of malicious intent or harmful prompt injection.

能力标签

requires-sensitive-credentials

能力评估

ℹ Purpose & Capability

The name/description (local long-term memory) aligns with the provided CLI scripts and DB code: memdb.py, memory_tool.py and skill_evolve.py implement a local SQLite+vector memory with search, add, decay, export and an evolution system. However there are odd hardcoded defaults (Python binary /opt/homebrew/bin/python3.12 and a model path under /Users/dream/.cache/...) which are platform/user-specific and not justified in the description.

ℹ Instruction Scope

SKILL.md explicitly tells an agent to run the included CLI tools after replies and suggests adding those calls to AGENTS.md and a nightly cron. That is consistent with a memory skill, but it grants the agent routine ability to execute local commands that write/modify files (memory.db, exported Markdown, skill_drafts/). The instructions do not ask to read unrelated system paths or external secrets, and the runtime commands are constrained to the skill's own scripts.

⚠ Install Mechanism

This is instruction+code only (no packaged install spec). The references/install.md asks you to pip install sqlite-vec, pysqlite3, sentence-transformers and to download a HuggingFace model (or use an 'hf-mirror.com' mirror). Using an unvetted mirror is a risk (malicious weights/config), and the reliance on sqlite-vec (native extension) and pysqlite3 may require building binary components. No archive downloads from unknown IPs are included by the skill itself, but the install instructions leave trust decisions to the user.

⚠ Credentials

The skill declares no environment variables or credentials (good), but the code contains hardcoded, user-/platform-specific paths: PYTHON = /opt/homebrew/bin/python3.12 and _MODEL_PATH = /Users/dream/.cache/.... Those defaults are inappropriate for many users and could cause confusion or accidental use of unexpected model files. No external credentials are requested, and the scripts do not contact external endpoints at runtime (they load local models), but the install guide instructs network downloads for the model.

ℹ Persistence & Privilege

The skill is not 'always: true'. It expects to be invoked by the agent (normal). It creates/writes local files: memory.db (in the scripts directory), exported Markdown, and skill_drafts/ when evolving patterns. That file-write behavior is consistent with its purpose but you should be aware it will persist user data locally and generate draft skill files that may incorporate user conversation content.

版本历史

v1.4.0

新增Skill进化系统：重复模式自动检测(≥3次)、skill草案生成、用户确认升级

v1.3.0

优化文案：通俗语言描述优势，新增与其他方案对比表

v1.2.0

开放记忆类型系统：内置通用+交易类型，支持自定义扩展，无白名单限制

v1.1.0

首个公开版本：基于SQLite+sqlite-vec的中文向量记忆系统，768维本地embedding，自动衰减，多类型记忆管理

v1.0.1

移除示例中的个人敏感信息

v1.0.0

首个发布版本：基于SQLite+sqlite-vec的中文向量记忆系统，768维本地embedding，自动衰减，多类型记忆管理

元数据

Slug hermes-memory-cn

版本 1.4.0

许可证 MIT-0

累计安装 0

当前安装数 0

历史版本数 6

常见问题

Hermes Memory CN 是什么？

给AI装一个「人脑级」记忆系统。它能记住你说过的一切重要信息，下次聊天自动想起来。不用云端、不用API Key、不花一分钱——全部数据存在你自己的电脑上。说「记住这个」它就记住，问「我上次说了什么」它就找到。自动整理、自动遗忘过时信息。适合：想让自己的AI助手拥有长期记忆的用户。触发词：记忆、记住、之前说... 它是一个面向 Claude Code / OpenClaw 的 AI Agent Skill 插件，目前累计下载 164 次。

如何安装 Hermes Memory CN？

在 OpenClaw 或 Claude Code 对话框中运行命令「/install hermes-memory-cn」即可一键安装，无需额外配置。

Hermes Memory CN 是免费的吗？

是的，Hermes Memory CN 完全免费，采用 MIT-0 许可证，可自由下载、安装和使用。

Hermes Memory CN 支持哪些平台？

Hermes Memory CN 跨平台运行，可在任意部署了 OpenClaw / Claude Code 的环境中使用（cross-platform）。

谁开发了 Hermes Memory CN？

由 DREAM978（@dream978）开发并维护，当前版本 v1.4.0。

Hermes Memory CN