Agent从入门到精通 第一个出厂就带缰绳的AI Agent Nous Research 开源框架实战指南 The Agent That Grows With You 关键词：自改进Agent·跨会话记忆·Skill系统·MCP·多平台 适合读者：想搭建个人AI Agent的开发者和AI爱好者 版本：v260407 花叔 公众号「花叔」·B站「AI进化论-花生」 本手册基于 Hermes Agent 学习循环：Agent自己给自己造缰绳 §04 三层记忆：从金鱼到老友 §05 Skill系统：会自我进化的能力 §06 40+工具与MCP：连接一切 Part 3: 动手搭建 §07 安装与配置：三种方式 §08 第一次对话：让Hermes认识你 §09 多平台接入：在哪都能找到它 §10 自定义Skill：教Hermes新技能 §11 MCP集成：连接你的工具栈 Part 4: 实战场景 §12 个人知识助手：跨会话记忆的威力 §13 s的钥匙。 五组件映射 Harness Engineering讲的是方法论，是「你应该给AI造什么样的缰绳」。但方法论有一个问题：执行全靠人。你得自己写 CLAUDE.md，自己配hooks，自己搭记忆系统，自己设计工作流。 Hermes做的事情是：把这五个组件全部内建了。 Harness五组件 手动实现方式 Hermes内建系统 指令层 手写CLAUDE.md/AGENTS.md

The Creator 04 为什么这么火 Why So Popular Part 2: 技术架构 · Architecture 05 整体架构 Architecture Overview 06 记忆系统 Memory System 07 Agent 工作区 Agent Workspace 08 Session 与用户识别 Sessions & Authentication 09 设计哲学 你必须认真对待的事。 ## 05 整体架构 Architecture Overview OpenClaw采用 Gateway-Node-Channel三层架构，以WebSocket为通信总线，将控制平面、设备执行与消息渠道解耦。 ## 三层架构 Gateway·Node·Channel ![OCR图片](/uploads/documents/1/e/6/1e6a3f3d81e53ee4e0 作为24/7运行的daemon，持续监听所有已连接的Channel。它不像CLI Agent那样会话结束就丢失上下文，而是长驻运行，积累记忆。 ## 06 记忆系统 Memory System 记忆是OpenClaw区别于普通Chatbot的核心能力。四层记忆从不可变的身份内核到实时对话，构建完整的上下文连续性。 ## 四层记忆架构 ![OCR图片](/uploads/documents/1/e/6/1e6a3f3d81e5

创始人故事 The Creator 04 为什么这么火 Why So Popular Part 2: 技术架构 · Architecture 05 整体架构 Architecture Overview 06 记忆系统 Memory System 07 Agent 工作区 Agent Workspace 08 Session 与用户识别 Sessions & Authentication 09 设计哲学 Design 和成本控制是你必须认真对待的事。 05 整体架构 Architecture Overview OpenClaw采用 Gateway-Node-Channel三层架构，以WebSocket为通信总线，将控制平面、设备执行与消息渠道解耦。 三层架构 Gateway·Node·Channel 层级 职责 关键细节 Gateway 中央控制平面，维护WebSocket服务、管理Session、调度Agent 作为24/7运行的daemon，持续监听所有已连接的Channel。它不像CLI Agent那样会话结束就丢失上下文，而是长驻运行，积累记忆。 06 记忆系统 Memory System 记忆是OpenClaw区别于普通Chatbot的核心能力。四层记忆从不可变的身份内核到实时对话，构建完整的上下文连续性。 四层记忆架构 层级 存储位置 生命周期 说明 SOUL SOUL.md 永久不可变 Agent的人格

和应对威胁。 c. 解释签名式防御如何类似于抗体，能够快速识别中和已知威胁。 d. 比较系统隔离和清理过程与人体发烧的相似性，都是为了控制“感染”扩散。 e. 讨论威胁情报数据库如何类似于免疫记忆，使系统能够更快地应对重复出现的威胁。 (3) 深入探讨启示： a. 分析免疫系统的适应性如何启发自适应安全系统的设计。 b. 探讨免疫系统的分层防御策略如何应用于网络安全的纵深防御概念。 c 你是一个递归元叙事生成器。你的任务是创作一个三层递归的元叙事作品。每一层都应该包含对上一层的反思和评论。遵循以下步骤： （1）第一层叙事：写一个200字的微型小说，主题是“创作的困境”。 (2) 第二层元叙事：用150字评论你创作第一层叙事的过程，讨论： a. 你如何诠释"创作的困境"这个主题 b. 在创作过程中你遇到的实际困境 (3) 第三层元叙事：用100字反思你写作第二层元叙事的经历，探讨： ：信息传递、情感共鸣和行动引导。其中，信息传递的核心在于清晰、准确、相关；情感共鸣的核心在于触动、共感、记忆；行动引导的核心在于说服、激励和转化。 文案写作的三大要素 信息传递 情感共鸣 行动引导 信息传递 — 清晰 · 准确 · 相关 — 情感共鸣 — 触动 · 共感 · 记忆 — 行动引导 说服 · 激励 · 转化 ## 信息传递：设计清晰、精准的信息框架提示语

和应对威胁。 c. 解释签名式防御如何类似于抗体，能够快速识别中和已知威胁。 d. 比较系统隔离和清理过程与人体发烧的相似性，都是为了控制“感染”扩散。 e. 讨论威胁情报数据库如何类似于免疫记忆，使系统能够更快地应对重复出现的威胁。 (3) 深入探讨启示： a. 分析免疫系统的适应性如何启发自适应安全系统的设计。 b. 探讨免疫系统的分层防御策略如何应用于网络安全的纵深防御概念。 c 你是一个递归元叙事生成器。你的任务是创作一个三层递归的元叙事作品。每一层都应该包含对上一层的反思和评论。遵循以下步骤： （1）第一层叙事：写一个200字的微型小说，主题是“创作的困境”。 (2) 第二层元叙事：用150字评论你创作第一层叙事的过程，讨论： a. 你如何诠释"创作的困境"这个主题 b. 在创作过程中你遇到的实际困境 (3) 第三层元叙事：用100字反思你写作第二层元叙事的经历，探讨： ：信息传递、情感共鸣和行动引导。其中，信息传递的核心在于清晰、准确、相关；情感共鸣的核心在于触动、共感、记忆；行动引导的核心在于说服、激励和转化。 文案写作的三大要素 信息传递 情感共鸣 行动引导 信息传递 — 清晰 · 准确 · 相关 — 情感共鸣 — 触动 · 共感 · 记忆 — 行动引导 说服 · 激励 · 转化 ## 信息传递：设计清晰、精准的信息框架提示语

AutoGen、AgentScope、LangGraph等主流框架应用 √ 第七章 构建你的Agent框架 从0开始构建智能体框架 √ 章节 关键内容 状态 第三部分：高级知识扩展 第八章 记忆与检索 记忆系统，RAG，存储 √ 第九章 上下文工程 持续交互的"情境理解" √ 第十章 智能体通信协议 MCP、A2A、ANP等协议解析 √ 第十一章 Agentic-RL 从SFT到GRPO的LLM训练实战 建一个属于自己的智能体框架，让你兼具“用轮子”与“造轮子”的能力。 第三部分：高级知识扩展（第八章～第十二章），在这一部分，你的智能体将“学会”思考与协作。我们将使用第二部分的自研框架，深入探索记忆与检索、上下文工程、Agent训练等核心技术，并学习多智能体间的通信协议。最终，你将掌握评估智能体系统性能的专业方法。 第四部分：综合案例进阶（第十三章～第十五章），这里是理论与实践的交汇点。你 景有宏观的认识。 第二部分（单体篇）：这是你动手实践的开始。我们将带你从零开始，构建一个功能完备的单体智能，深入理解其内部的“心智”结构。 第三部分（高级篇）：在这里，你的智能体将“学会”思考、拥有记忆和工具，并掌握智能体之间的通信协议，最终完成评估的闭环。 第四部分（实战篇）：这是项目的核心价值所在。你将通过一系列精心设计的综合案例，将所学知识融会贯通，在实战中淬炼真金。 第五部分（展望篇）：旅

循环神经网络 11.3 梯度传播 11.4 RNN 层使用方法 11.5 RNN 情感分类问题实战 11.6 梯度弥散和梯度爆炸 11.7 RNN 短时记忆 11.8 LSTM 原理 11.9 LSTM 层使用方法 11.10 GRU 简介 11.11 LSTM/GRU 情感分类问题再战 11.12 预训练的词向量 类可以方便完成模型的批量训练，只需要调用设 定 batch_size 参数即可构建带 batch 功能的数据集对象，设定 shuffle 参数让 DataLoader 自动内部打乱数据之间的先后顺序，防止网络记忆住样本的标签信息。 为了方便理解 DataLoader 对象是如何产生批量数据的，可以试着加载一个批的数据并观察。代码如下： # 加载一个批数据，并观察数据形状 x, y = next(iter(train_loader)) }+\boldsymbol{b}_{3}\end{aligned} $$ 其中第一层神经元的输出值 $ h_{1} $ 作为第二层神经元模型的输入，第二层神经元的输出 $ h_{2} $ 作为第三层神经元的输入，最后一层神经元的输出作为模型的最终输出o。 从网络结构上看，如图 3.10 所示，函数的嵌套表现为网络层的前后相连，每堆叠一个(非)线性环节，网络层数增加一层。通常把输入节点 x 所

产品Kimi智能助手中实现“无损长上下文窗口（Lossless Long Context Window）”，支持20万汉字输入，实现对长文本的无损记忆。OpenAI和Anthropic到11月才在Context Length上追上来，且在精度（无损记忆）和中文能力上Kimi智能助手依然领先。 b. 聚焦底层技术创新，不走技术捷径。最早提出 “Lossless Long Context 可以解决 90% ChatBots” 产品中排在第一；月环比增长率 94.1%，增长速度也在大模型创业公司的第一位。 ## “Kimi 智能助手” 详细介绍 Kimi 是由月之暗面（Moonshot AI）提供的超长记忆 AI 助手，支持约 20 万汉字的上下文输入，具备显著的中文优势，随时为你回答问题、速读文件、整理资料、激发灵感、辅助创作。你可以与 Kimi 聊天，发送网址链接，上传文件。 提醒：对了，我们产品名字已更新为 ## 专访月之暗面杨植麟：lossless long context is everything Lossless long context is everything。这是我们跟杨植麟聊完两个小时后记忆最深刻的一个观点。 这个技术判断在 23 年 10 月已经被传递出来，当时杨植麟创立的月之暗面发布了首个模型 moonshot 和智能助手 Kimi，支持 20 万字的输入。做 “长” 是因为杨植麟判断

预训练模型思考深度不够 算力见顶，变成少数巨头游戏 预训练大模型难以通往AGI之路 > 推理模型如R1——通过逻辑链条推导答案， > 分解规划，自我反思 ➢ 预训练范式像是记忆和模仿，强化学习范式更像探索实践 记住很多东西只是基础，真正有价值的是融会贯通 R1找到了人类通往AGI的方向 ## 推理能力获得突破的关键是学会了「慢思考」 快思考 慢思考 例：课堂提问 速度快、准确性低 慢 快 人类真正智力表现的形式 例：课后作业、仔细思考 GPT、DeepSeek-V3擅长的思考方式 长思维链强大的推理能力是真正人类智力的体现 ➢ 预训练大模型是人记忆和学习的能力，推理模型是对复杂问题进行规划、分解、预测的能力，实现了真正的慢思考 # DeepSeek颠覆式创新——技术创新 ## DeepSeek-R1是AI发展史上的重要里程碑 ## Alpha 61f0c042a91e785ad/p41_1.jpg) - 第一层工作在感知层面：用雷达侦测到前面有障碍物 - 第二层工作在语言理解的认知层面：加上大模型后，可以知道前面是什么东西 - 第三层工作在互动理解的认知层面：如果大模型具备对世界物理性质的了解，知道前面的障碍物是软的，是可以撞开的，大模型就敢做决策。 ## 大模型上车范式 ![Image](/uploads/document