# Hermes Agent使用体验分享

上期视频测试了herme agent的安全性和skill自主迭代能力。本期继续讲解herme agent的高级用法。

上期视频发布后，很多粉丝留言说herme这个单词的H不发音。制作上期时，我问了chtGPT Herme的发音，chtGPT给出了美式和英式音标，H都是发音的。

这个单词一般指希腊神话中的奥林匹斯神赫尔墨斯，他是众神的使者。维基百科有专属词条介绍荷美斯，它是希腊神话中奥林匹斯神之一。页面详细介绍了赫尔墨斯，还有他的雕像。

所以hermeagent的命名来源于希腊神话，跟爱马仕奢侈品毫无关系。谷歌翻译中发音也是herme Herme。这个项目的命名跟爱马仕没有关系。大家再提到hermeag时，千万不要再说它是爱马仕智能体了。

今天hermeag已经原生支持个人微信。通过微信扫码就可以连接，支持私聊群聊，还支持图像视频文件语音等。下面测试用微信连接herme效果。

按照官方文档先运行两条命令安装依赖。新开终端命令行，运行第一条命令。完成后再运行第二条命令。安装完成。

执行herme agent的安装命令，将hermes升级到最新版。然后执行第三条命令启动设置，完整复制到终端执行。

看到微信选项，选中后提示开始使用二维码登录。输入是，生成二维码，在浏览器中打开扫描登录微信。

扫描后提示有新的open cloud连接到微信，点继续。回到终端命令行，选择第一项禁用群聊，第二项允许所有群聊，第三项仅允许列表中的群聊。提示微信连接成功，输入试，连接成功。

在手机上测试。手机输出配对方式，给出命令，在终端命令行输入命令配对。提示成功。

在手机上测试。提示对方正在输入，很快给出回复。问它是什么模型。发送。提到它是min maxax模型。让它列出编程skill。列出与编程相关的skill。

这样就可以在微信中与hermes交互。下面在herme agent中实现and分享的大模型知识库工作流，以及LLM wki。

在上升期视频中，分享了一款可以在cloud code以及codeex中使用的复刻 and知识库工作流的开源项目graphify。但这个项目更适合分析代码库，对于日常工作学习积累的笔记等文档，使用graphify不太适合。

所以可以使用hermesag内置的复刻 and的LLM w相关的工作流。hermes官方提到已经将and的LLM w，通过skill的方式内置到了hermesag中。在hermesag中，就可以通过skill的方式来创建管道以及使用and分享的LLM wki。

测试一下。在终端命令行中使用hermeag。大家也可以在自己最熟悉的聊天工具中使用hermeitag。在终端命令行中输入斜杠命令加LLM wki。提示这是andre的大模型知识库。使用这个sll构建知识库，为知识库添加文档或笔记等内容。

先测试一下。输入提示词：创建一个用于存储大模型微调论文的知识库，直接发送，让 agent调用这个ki构建知识库。

提示vicki已经存在。这个vicki用于研究AI和大模型。现有结构覆盖大模型微调。这个已经存在的用于AI和大模型研究的VK是我之前创建的，提示继续使用这个VK，还是新建独立的VK。选择新建独立的VK，按下int键，重新创建。

提示Vkey放在哪个路径下，按照建议的路径发送。提示目录创建完毕，正在写入核心文件。创建成功，下一步就可以设入微调相关的论文了。支持直接把PDF给他，还支持archive的链接。先自动提取内容，保存到路径，更新concepts，还有ent页面下的内容，还会更新index文件。

问想设入哪些论文，先搜索一些与大模型微调相关的论文。搜索到多篇论文，找三篇论文测试。回到ag，输入三篇论文的链接，直接发送，自动提取论文。

提示这几篇论文一起抓取。抓取论文时，先看一下LRMV的架构全景。为什么使用基于的这个模式。

首先看三层架构LLMVK能将知识组织为三个清晰分离的层次，包括不可变层，还有agent拥有的这个层，还有协同进化层。

第一层原始来源，包含文档类型的论文、文章、图像、数据文件、会议纪要的，还有访问策略，大模型只读不改。将这些文件存储到路径下，核心角色是事实的唯一源头。

第二层Vki页面，专门为agent打造，包含摘要实体概念、综述、综合分析等页面文件，还包含导航文件如index文件，还包含交叉引用以及维护机制，由大模型创建、更新交叉引用，保持一致。

第三层协同进化层，包含chema配置，定义结构还有约束，核心作用是将大模型变为纪律联名的vicki维护者，演进方式是人类与大魔型共同维护和迭代。

对比传统rag和LLMvicki的区别。之前制作过很多期rag相关的视频，观看视频的粉丝有很多看过之前发布的rag相关的视频。所以肯定会问传统rag和LLMVki的区别是什么？

最大的区别是从无状态的碎片检索到有状态的知识编辑。因为rag检索每次都从零开始，而viki能实现知识复利增长，最终实现数据飞轮。

传统rag是无状态检索模式，每次查询都从零开始，知识不积累不关联，包括文档分块向量嵌入，相似度检索，临时生成，答案丢弃，每次查询重复发现相同的知识。比如问同一个需要综合五篇文档的问题，大模型每次都要找到这五篇文档，拼凑相关内容。

LLMV是有状态的编译模式，知识编译一次能够持续更新，复利增长。包括第一步完整摄入。刚才将论文链接发送给her每H，实现完整摄入。这一步大模型完整读取原文档，理解全文语义，还能与用户讨论关键要点，提取结构化知识。在hermeag中，开始讨论。wekey当前状态有13页，建议设入更多微调论文，积累到两篇以上建立对比页。问重点研究方向。输入防止过拟合，研究。

第二步知识编译。摄入完整内容后，写入摘要页面，创建更新实体和概念页面。第三步交叉引用。第四步编译查询。最后知识归档，将有价值的答案归档回Vki成为新页面。查询和探索能让知识库实现复利增长，知识编译一次，持续更新。这样就能实现范式跃迁、复利效应，还有零维护成本，因为有大模型承担所有。

回到hermeag，看刚才研究的如何防止过拟合是否完成。这是让他研究的内容。看怎么完成的。先检查一遍Vkey中是否有相关页面。在schema中已经存在标签，但还没有对应的文件，需要先创建文件。创建的文件内容，包括灾难性遗忘，具体定义，典型场景。生成的文档非常完整。

创建第二个文件，防止过拟盒提高泛化能力的定义，还有微调中用到的这些方法。开始更新index文件，还有log文件，在index文件中加入刚才提到的灾难性遗忘以及微调方式，还有防过拟合相关的这些内容。任务完成，新增了4个防过拟盒相关的页面。vicki当前有17个页面。

根据刚才的研究讲解如何防止过拟合。输入提示词根据刚才的研究，讲解如何防止过拟合，根据刚才的研究讲解。根据刚才Vkey中整理的论文，还有概念，讲解什么是过拟合，包括过拟合的本质，还有防止过拟合的方法。给出具体的方法。这样就完成了读取论文，将论文做成Vkey。根据研究方向生成Vki页面，再从生成的Vki中讲解提问的内容。

之前还创建了与大模型记忆相关的Vki。下面切换到这一个Vki。输入提示词切换到这一个Vki直接发送。切换到最早创建的VK。这样就可以在her中创建多个不同的VK，并且能够无缝切换到对应的Vki。

在agent的记忆相关的Vkey中添加与agent的记忆相关的论文。重新找两篇论文，回到meitagent，输入提示词设入这两篇论文，等将这两篇论文添加到这一个Vkey中。提示这两篇论文已经设入到这个wekey中。提到更新和创建了哪些内容，给出两篇论文的核心贡献对比。让他讲解论文中提到的生物认知启发的认知压缩，直接讲解。提到概念的核心思想，回答非常详细。

在obing中打开刚才创建的wiki。打开obing，找到刚才创建的vicki。打开与微调相关的wiki，点击graph。点击index。进入index页面，点击灾难性遗忘查看相关页面。给出定义，还有典型场景，还有主流解决方案，还有相关概念。点击进入页面。

me用sll生成的weki，就可以在中进行查看和编辑以及查询，还可以查看graph。点击Q laura微调相关。进入页面。这样就可以轻松使用hermeag构建自己的wiki。

为了方便演示，直接用论文生成wiki。大家可以用自己的学习笔记等各种文件让herme使用LMki这个ki生成对应的wiki。

还可以让herme agent合并这两个wiki。因为这两个wiki都是大模型或者agent相关的。输入提示词合并这两个wiki让herme自动合并。开始合并。给出合并结果，都合并到了主Vki中，一共有27页。

在op中打开主ki，打开后查看graph，比刚才更复杂很多。点击index查看。index导航文件，查看具体页面，比如agent相关。成功将两个Vki合并成一个Vki。

这样就可以在hermit中构建自己的Vki，在不断积累和使用中实现真正的数据飞轮。