内建上下文闭环：让 Agent 在自己的主循环里学习

​

内建上下文闭环的核心思想是：不直接修改模型参数，而是让 Agent 把经验写入记忆、反思文本、会话索引或技能目录，在下一次任务中重新取用。​

​

这类系统的优点是轻量、部署快、解释性强。它们不需要训练集群，也不需要复杂的在线 RL 基础设施。缺点也很明确：如果底层模型能力不足，单靠上下文和记忆很难突破上限；如果没有治理机制，错误记忆和错误反思也会持续污染后续行为。​

Hermes Agent：把学习闭环做进 Agent 本体​

Hermes Agent 是这一类中最值得单独展开的工程项目。它面向 self-improving AI agent 这条路线：强项不在于某一个单项功能，而在于把多种「会在使用过程中变硬」的机制塞进同一个对话主循环。典型的几块拼图包括：由 Agent 主动维护的持久记忆（MEMORY.md / USER.md 等）、按需触发的跨会话检索（SQLite + FTS5，配合摘要）、技能的渐进加载与在使用中被创建或改写，以及安全面上的命令审批与多后端终端隔离等。​

​

图 2 Hermes Agent​

​

可以把 Hermes 的自进化想象成一条贴紧主循环的轻量闭环：用户任务 → Hermes 主循环 → 工具 / 终端 / 消息网关 → 执行反馈与用户纠正，产出分叉写入 策展记忆 与 Skills；记忆经 session_search 与技能一并汇入 下一轮上下文，再回到主循环。​

这条路线的意义在于，「学习」发生在日常真实调用路径上。例如一次复杂排错结束后，Agent 可以把命令习惯、环境约束、失败原因和最终修复路径写进记忆或技能；以后再遇到同类问题时，不必从零试探整片搜索空间。​

不过，Hermes 的主要更新对象仍然是上下文、记忆和技能，不是在线更新模型权重。因此它更适合被看作"内建上下文闭环的成熟工程形态"，而不是权重层自训练系统。​

Agent Zero：把项目记忆、动态工具和子智能体放进主循环​

Agent Zero 适合归入内建上下文闭环。它面向真实任务的 dynamic, organic agentic framework：不把 Agent 做成单一用途脚本，而是给它可用的操作系统级环境（终端、代码执行、文件、浏览器自动化等），并允许在任务演进过程中按需创建或改写工具。这与离线微调权重无关，更像「工作台状态」随着项目和会话不断累积。​

工程上有几件与闭环直接相关的积木：Project 隔离工作区、说明、记忆、密钥、知识库、仓库与模型预设，可把仓库克隆进独立项目上下文；Skills 遵循开放的 SKILL.md 约定，可按全局、项目或当前会话启用；Agent Profiles 用来切换行为、提示覆盖、工具链与模型配置而无需重写整套系统；协作面则强调上级 Agent 创建 subordinate agents，由下属各自守住更小上下文并回报结果。它还支持 MCP、插件与可检视的 prompts/、tools/ 布局，Web UI 侧还有 Universal Canvas、浏览器注解等面向人机共演的可视化能力（详见官方文档）。​

​

图 3 Agent Zero​

​

在同一视角下，主干回流可以压成一条链：任务与目标 → Project → Chat → Skills / MCP / 插件 → 从属智能体 → 反馈与产出 → Project（画布、浏览器注解等产品能力此处从略）。​

Agent Zero 与 Hermes 的档位相近：二者都是「随使用加厚上下文」的个人或团队侧 Agent 宿主，而不是单一论文算法。Agent Zero 还交叉带有技能资产化（SKILL.md）与多智能体分工色彩，但本章仍把它的主标签落在内建上下文闭环上，因为最容易审计的增长首先发生在项目边界、会话状态、工具配置与实际执行痕迹之中。​

​