最终目的是调整 LLM 参数，未来更好的完成任务。 概念 Atropos /ˈætrəˌpɒs/ ：一个 RL 训练/评测框架，并行跑任务 + 模型管理 + 收集轨迹 + 记录指标 reward：一个评分函数（compute_reward） environment：定义 LLM 执行前置条件，包括任务（prompt）+ 允许调用的工具 + 维护任务状态（文件、进程、沙箱）等 ...

benchmark 是为了多维度评估 Agent 的能力水平 评估指标 指标也需要覆盖多个环节 结果质量 pass_rate：任务通过率 reward / avg_reward：平均得分 accuracy：完全正确比例 partial_match_rate：部分正确比例 Agent 行为 turns_used：任务用了多少轮 LLM 调用 finished...

gateway = 多平台 adapter + session 路由 + 命令分发 + Agent 执行桥 + 消息回传 ┌─────────────────────────────────────────────────┐ │ GatewayRunner │ │ ...

核心：运行时主动反思 + Curator定时归纳，总结经验（Memory）和技能（Skills）。 运行时主动反思 后台异步 Agent 读取一份 messages_snapshot，使用复盘 prompt 判断用户是否表达了长期偏好和可复用流程。 触发条件： 本轮有正常 final_response 没有被用户打断 not interrupted memory 或 sk...

关键点：SQLite 存储会话 + FTS5 全文搜索召回 + context 压缩生成子 session SQLite 表结构 ~/.hermes/state.db (SQLite, WAL mode) ├── sessions — Session metadata, token counts, billing ├── messages — Full ...

核心思想是：稳定 system prompt + context 压缩 稳定 system prompt session 初始化时，会按照SOUL.md、工具schema、memory、skills、model等信息依次拼接组成 system prompt 且在多轮对话中保持 system prompt 不变 临时 plugin context 临时添加的 plugin co...

核心是：按需加载 + Curator定期自我更新（仅agent-created skills） 按需加载：系统 prompt 里只放轻量索引，真正需要时再用 skill_view 拉完整内容 Curator定期自我更新：见 八、自我提升

核心思想是：小而确定的事实进长期记忆 + 大而临时的对话留在会话历史 + 外部记忆系统做增强检索和同步 长期精选记忆 用内置的memory_tool管理 MEMORY.md：agent 自己的长期笔记，比如项目约定、环境事实、工具坑点。 USER.md：用户的长期画像，比如偏好、身份、沟通习惯 会话历史回忆 1、用内置session_search_tool全文搜索to...

关键点：ast 自动解析 + 工具集划分作用域 + 并发执行 tools 被发现和注册 1、每个工具文件(.py)都会调用registry.register(), 声明： name: 工具名 toolset: 所属工具集 schema: 参数格式 is_async: 是的异步 ... 2、AST 扫描工具文件，只有调用了registry.register...

关键点：Agent 循环引擎 + ReAct 模式 工作原理 1. 任务 ID生成：若未提供任务 ID 则生成一个 2. 追加历史消息：将用户消息添加到对话历史记录中 3. 构建 system prompt：构建或复用缓存的系统提示 4. 检查压缩：检查是否需要预压缩（超过 50% 的上下文） 5. 构建 LLM API 协议：从对话历史记录构建 API 消息 - chat_comp...