Nous Research联合创始人Karan Malhotra认为，个人AI真正值得保存的并不是当前调用的模型，而是模型长期积累的用户记忆、行为边界与可复用技能。其开源个人Agent Hermes可以在不同模型之间切换，同时保留同一套记忆、人格和工作流程；完成复杂任务后，它还会把成功经验整理成技能，并在后续使用中修正这些技能。这样一来，Agent的能力不再随着一次会话结束而清零，而是像一名长期共事的助手一样逐渐了解用户。不过，“自我改进”在这里主要指更新外部记忆、提示词和技能文件，并不是模型自行训练或修改权重。相关访谈在过去24小时内获得较高传播：检索时X公开索引显示约2.21万次浏览、99个点赞、10次转发和13条回复，数据会随时间变化。
文章作者、来源：Peter Yang
“个人”不在模型里，而在模型之外
当人们谈到“个人AI”时，通常会把注意力放在模型的语气、表达方式或者它是不是足够聪明。但Karan Malhotra提出了一个不同的判断：真正让Agent属于你的，并不是底层模型，而是它在长期使用中积累的上下文。
这套上下文包括它对你的了解、你们过去完成过的任务、你纠正过的错误、已经确认的工作习惯，以及针对特定流程形成的技能。模型本身可以从一个供应商切换到另一个供应商，只要这些内容仍然保留，用户感受到的“同一个助手”就不会消失。
Karan在访谈中表示，随着Hermes积累了足够多的个人上下文，他在切换底层模型时，已经很少感觉到明显的人格变化。不同模型仍会在推理能力、速度和成本上存在差异，但“这个Agent是否了解我”的感觉主要来自外部记忆层，而不是模型权重。
这意味着个人AI市场中最重要的资产可能不是某一款模型，而是用户与Agent共同形成的上下文。如果上下文被锁在单一平台里，换模型就等于重新训练一名助手；如果记忆和技能可以携带，模型就会逐渐变成可以替换的计算引擎。
用SOUL.md约束人格，而不是反复写提示词
Hermes允许用户通过一个名为SOUL.md的文件定义Agent的基本人格。这里保存的不是某项具体任务，而是更加稳定的行为原则，例如应当真正帮助用户、不要一味迎合、在不确定时坦率说明，以及在群聊等环境中保护用户隐私。
Peter Yang提到，他在使用Hermes六个多月后，已经逐渐把自己的SOUL.md调整为三类内容：Agent必须遵守的核心原则、不能跨越的边界，以及让日常交流更自然的表达风格。
这与每次对话开头重新输入“不要讨好我”“回答得直接一些”不同。人格文件会成为Agent长期运行环境的一部分，使约束能够跨越会话和模型延续。访谈特别谈到了AI喜欢回答“你说得完全正确”的问题：如果只靠临时提示，模型很容易在下一次会话中恢复原有倾向；如果把避免谄媚写进稳定的人格层，约束更有机会持续生效。
不过，SOUL.md仍然只是提示和行为规则，并不能保证模型在所有情况下严格服从。它提高的是一致性，而不是提供数学意义上的安全保证。
记忆保存“是什么”，技能保存“怎么做”
Hermes把长期知识分成了两类。
第一类是记忆，例如用户的偏好、项目位置、常用工具、沟通方式和环境信息。官方文档显示，Hermes内置的核心记忆是有意限制长度的：MEMORY.md约为2200个字符，USER.md约为1375个字符。限制容量的目的，是迫使Agent保留真正需要频繁进入上下文的信息，而不是把每次对话全文都塞进提示词。
第二类是技能。技能记录的不是一个事实，而是完成某项工作的步骤、工具使用方法、失败路线和验证规则。例如，Agent第一次部署某个项目时可能需要搜索文档、尝试多条命令并修正配置；当任务成功完成后，它可以把正确流程保存成技能，下次遇到类似任务时直接调用。
根据Hermes技能系统说明，当一项任务使用了五次以上工具调用、经历错误后找到解决方法、被用户纠正，或发现了具有复用价值的工作流时，Agent就可能创建新技能。此后它还可以对技能进行局部修补、整体改写或删除。
因此，Hermes所说的“自我改进”并不是Agent偷偷训练一个更强的新模型，而是把经验沉淀成外部程序化知识。模型权重保持不变，但下一次处理同类任务时，Agent不必从零探索。
技能越积越多，也可能成为负担
让Agent自动生成技能会产生一个很现实的问题：如果每完成一次任务都保存一份操作说明，技能库很快就会充满重复、过时或过于狭窄的文件。检索这些技能本身会消耗Token，错误技能还可能把Agent带向已经失效的流程。
Hermes因此加入了技能整理机制。它可以检查技能的使用频率和内容相似度，归档长期不用的项目，合并近似流程，并在实践中修正已经过时的步骤。用户也可以启用审批开关，要求所有技能写入先由人类确认，避免Agent把一次偶然成功误认为通用方法。
这是一项容易被忽略的设计：Agent的长期能力不仅取决于能否记住，更取决于能否遗忘。一个把所有历史记录都无差别保留下来的系统，最终可能比没有记忆的系统更混乱。
一次《索尼克》游戏改造展示了它的工作方式
在访谈的现场演示中，Karan让Hermes修改自己童年喜欢的《Sonic Adventure 2》。Agent需要理解游戏文件、寻找可修改内容、调用终端工具并不断验证结果。这不是单轮生成一段代码，而是一个包含探索、执行、失败和修正的连续流程。
更重要的是，任务完成后，Agent可以把其中可复用的方法保存下来。当它以后再处理游戏修改或类似文件操作时，不必重新发现全部路径。
这段演示未提供标准化评测，因此不能用来证明Hermes普遍优于Codex、Claude Code或其他Agent。但它很好地展示了Nous Research的产品理念：Agent的价值不只是这一轮任务做得怎样，还包括任务结束后是否留下了可供未来使用的经验。
开源的意义，是让上下文真正属于用户
Hermes可以连接Nous Portal、OpenRouter、OpenAI或用户自己的模型端点，并允许用户在不改动应用代码的情况下切换模型。它也可以部署在个人服务器、云端虚拟机或本地环境，通过Telegram、Discord、Slack、WhatsApp、Signal和命令行等渠道访问。
这种设计的核心不是“任何开源模型都与最强闭源模型一样好”，而是把模型选择权和上下文控制权分开。用户可以在困难任务上调用更强的闭源模型，在日常任务上使用成本更低或本地运行的模型，同时继续沿用同一份记忆和技能。
Karan在访谈中支持开放AI，认为只有用户能够检查和控制Agent的运行方式，才能真正拥有自己的数字助手。但开源也不等于天然安全：能够长期保存记忆、调用终端和自动执行任务的Agent，一旦权限过大、技能被污染或凭证管理不当，同样可能造成严重风险。Hermes提供记忆和技能写入审批机制，但最终安全性仍取决于部署隔离、权限范围和用户监督。
下一轮竞争可能发生在“上下文所有权”
过去，个人AI产品主要竞争谁接入了更强的模型。随着前沿模型能力逐渐接近、价格不断下降，这种优势可能越来越难长期保持。
Hermes代表的是另一种竞争逻辑：模型可以替换，但Agent与你共同积累的记忆、人格、技能和工作历史应当能够保留。真正的转换成本，不再只是更换一个聊天界面，而是是否会失去一个助手数月甚至数年积累的工作经验。
从这个角度看，未来个人AI最重要的问题可能不是“你正在使用哪一个模型”，而是“谁拥有你与AI共同建立的上下文”。如果记忆和技能属于用户，模型之间就可以自由竞争；如果这些内容只能留在某个平台内，用户购买的就不只是智能服务，也是在把自己的数字工作习惯逐渐交给平台保管。