Hermes Dojo——让 AI 助手自己变强的"道场"

从"教一遍忘一遍"到"越用越聪明"

你是否有这样的经历：花了好几分钟纠正 AI 助手的一个错误，下次它又犯了同一个毛病？或者辛辛苦苦写了一个 skill，过几天发现它根本不 work，但不知道哪里出了问题？

Hermes Dojo 就是来解决这个问题的——它是一个专为 Hermes Agent 设计的自我进化系统。简单来说：它像一个 24 小时在线的教练，盯着你的 AI 助手，发现弱点，修复弱点，验证效果，全程自动化。

为什么 AI 助手总在重复同样的错误？

传统 AI Agent 的问题是：没有反馈闭环。你纠正了它，下一次 session 它就忘了。Skill 存在，但没人知道哪个 skill 真正 work、哪个在默默失败。自进化（Self-Evolution）的概念早就有了，但没有人知道"该进化什么"。

Dojo 补上了这个缺口——它把"自进化"从概念变成了可操作的日常流程。

核心原理：一个持续改进的飞轮

Dojo 的工作流是一个自动化飞轮：

测量 → 找弱点 → 修复 → 自进化 → 再测量 → 报告

每一步都有对应的脚本支撑：

场景一：修一个高频失败的 Skill

假设 terminal_run 这个 skill 有 73% 的成功率，平均每次失败原因是"command not found"。

Dojo 的处理流程：

1. Monitor 扫描最近的 session，从 state.db 中提取所有 terminal_run 调用记录
2. Analyzer 识别出错误模式——7 次失败中 5 次是 PATH 找不到命令
3. Fixer 读取 terminal_run 的 SKILL.md，加入"执行前检查 PATH 环境变量"的逻辑
4. Tracker 记录修复前成功率 73%，等待下一次分析

第二天再跑一遍 Monitor，成功率从 73% 跳到 96%——改进有数字证明。

场景二：发现并填补 Skill 空白

如果用户反复提出某个需求，但没有任何对应 skill，Dojo 也能识别出来。例如用户连续 4 次要求"帮我处理 CSV 文件"，但没有 skill 负责这件事。

Analyzer 会把这个标记为"Skill Gap"，Fixer 就会基于历史 session 中用户成功完成 CSV 任务的步骤，自动创建一个 csv-handler skill——而不是凭空生成。

场景三：睡一觉醒来，Agent 变强了

Dojo 支持配置定时任务（/dojo auto），在每天早上 6 点自动运行 analyze → improve → report 全流程。第二天早上，用户会在 Telegram 收到这样一条报告：

🥋 Hermes Dojo — Overnight Report

📊 分析了 23 个 session，共 156 次工具调用
📈 总体成功率：78% → 85%（+7%）

✅ 已改进：
  • terminal_run: 73% → 96%（新增 PATH 检查）
  • web_extract: 81% → 95%（添加重试 + 超时处理）

🆕 新建 Skill：
  • csv-handler：处理 CSV 文件解析

📉 学习曲线：71% → 78% → 85%（3 天）

技术细节：Dojo 如何读取 Agent 的记忆？

Hermes Dojo 通过读取 ~/.hermes/state.db（SQLite 数据库）获取 session 历史。这是一个巧妙的工程选择——不需要额外的日志接口，直接读 Agent 的内部状态即可。

依赖关系上，Dojo 需要：

• Hermes Agent v0.2.0+（宿主环境）
• Python 3.10+（运行环境）
• hermes-agent-self-evolution（用于 GEPA 自进化，需单独克隆）

安装方式为标准的 bash 脚本：./install.sh，会自动把 skill 文件复制到 ~/.hermes/skills/hermes-dojo/。

局限与争议

这个项目有几个值得关注的限制：

• 依赖 Hermes Agent 生态：Dojo 不能独立运行，必须有宿主 Hermes Agent。对于非 Hermes 用户，这个项目完全没有参考价值。
• 自进化需要额外依赖：GEPA（Generative Experience-driven Programmatic Adaptation）需要单独安装 hermes-agent-self-evolution 仓库，增加了配置复杂度。
• Session 数据质量决定分析质量：如果 Agent 的 session 记录不完整（state.db 损坏或日志缺失），分析结果会失真。
• Skill 修改边界不清晰：SKILL.md 中明确说明"不要修改 Hermes Agent 内置的 skill"，但用户创建的新 skill 质量完全取决于 Fixer 的逻辑——目前是规则驱动的，还没有 AI 生成阶段。

行业意义：让 AI Agent 从"工具"走向"助手"

Hermes Dojo 最有意思的地方不在于某个具体功能，而在于它的思路：用数据驱动的量化方法去改善 AI 行为，而不是靠感觉调参数。

从增长数据看，174 stars、16 forks 的冷启动项目在 Nous Research 的 Hackathon 期间完成，后续活跃度取决于生态发展。如果 Hermes Agent 本身的用户群扩大，Dojo 的价值会随之提升——更多 session 数据 → 更准确的弱点分析 → 更大的改进空间。

它的存在也代表了 AI Agent 领域的一个新兴方向：元认知（Meta-Cognition）系统——让 AI 不只是执行任务，还要理解自己在哪些地方做不好，并主动改善。这个方向和 RLHF（人类反馈强化学习）、Constitutional AI 属于同一类思路——让 AI 学会自我约束和自我提升。

如果你正在使用 Hermes Agent，花 5 分钟装上 Dojo，设置好 /dojo auto，明天早上你会看到一个更聪明的版本。