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

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

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

I到下一个精度 $ ^{[5]} $ 。 中文名 啟合成化 播出时间2023年3月14日 技术突破：数仓虚拟化 $ ^{[12]} $ - 云原生存算分离架构：运用元数据-计算-数据分离的三层架构，实现云上存储资源与计算资源的独立管理。云上计算资源可弹性分配，有查询计算任务的时候按需启动，按照使用时间和规模计算成本。 $ ^{[1]} $ eMPP分布式专利技术 $ ^{[1]} $ 数据时效 - LLM训练数据有截止日期，不包含最新信息，无法准确回答相关信息 私域数据 - LLM训练数据多来源于公开渠道，无法接触到私域数据，对特定领域的生成任务质量不高。 • 长期记忆 - LLM本身却没有长期记忆能力，对长时间交互的上下文 Query LLM Response ## 检索增强生成(RAG) - 将辅助增强数据通过embedding过程转换为向量，加载到向量数据库中并做索引

$ 提出时间 2023年3月14日 $ ^{[4]} $ ## 技术突破：数仓虚拟化 $ ^{[12]} $ - 云原生存算分离架构 $ ^{[9]} $ ：运用元数据-计算-数据分离的三层架构，实现云上存储资源与计算资源的独立管理。云上计算资源可弹性分配，有查询计算任务的时候按需启动，按照使用时间和规模计算成本。 $ ^{[11]} $ - eMPP分布式专利技术 $ ^{[9]} 用云上无限计算资源和弹性保证了虚拟数仓永远在线可用，S3存储和跨云灾备能力保证了永不丢数。 ## PieCloudDB技术突破：数仓虚拟化 ## 云原生存算分离架构 运用元数据-计算-数据分离的三层架构，实现云上存储资源与计算资源的独立管理。云上计算资源可弹性分配，有查询计算任务的时候按需启动，按照使用时间和规模计算成本。 ## 全新的存储「简墨」和缓存架构设计 在计算层，各个计算节点针对 a/7/7ba7d687363b394535b9914cff1a0499/p19_2.jpg) ## πDataCS 计算引擎之 PieCloudVector 云原生向量数据库，为大模型提供独特记忆 ## πDataCS的第二个计算引擎 πCloudVector ![Image](/uploads/documents/7/b/a/7/7ba7d687363b394535b9914cff1a0499/p19_3