Hermes Memory 系统 — 论文 + 开源项目延伸

范围: 最近 6 个月 (2025-12 ~ 2026-06) 关于 LLM agent memory 的代表性论文与开源项目 方法: Semantic Scholar API + GitHub search (2026-06-04) 上游: [[hermes_memory_design]] (Hermes 自身设计)

1. 学术论文 (10 篇代表)

1.1 Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents

• 作者: 团队未列出 (S2 摘要截断)
• 引用: 23
• 出处: 2026
• URL: Semantic Scholar
• 核心: 提出统一长短记忆管理框架, 解决 LLM agent 长程推理因 context window 有限而受限的根本问题
• 与 Hermes 对比: Hermes 走简单 file-backed 双 store 路线; 该论文走学习型框架. 两个方向互补

1.2 Memory Poisoning Attacks on Retrieval-Augmented Large Language Model Agents via Deceptive Resources

• 引用: 3
• 出处: 2026
• 核心: 攻击向 — 通过注入恶意检索内容污染 RAG agent 记忆
• 与 Hermes 对比: 直接相关 — Hermes 的 _sanitize_entries_for_snapshot 防御类似 attack vector, 但只针对 memory file. 第三方检索内容 (RAG) 是 Hermes 不管的

1.3 ACON: Optimizing Context Compression for Long-horizon LLM Agents

• 引用: 45 (最高)
• 出处: 2025
• 核心: 长程 agent 的上下文压缩, 优化 token 利用
• 与 Hermes 对比: Hermes 走"不压缩 snapshot, 限制 entry 数"路线; ACON 走"压缩整个 context"

1.4 InfMem: Learning System-2 Memory Control for Long-Context Agent

• 引用: 3
• 出处: 2026
• 核心: System-2 (慢思考) 控制 memory 加载, 智能选哪些进 context

1.5 Active Context Compression: Autonomous Memory Management in LLM Agents

• 引用: 8
• 出处: 2026
• 核心: 自主 memory 管理 — agent 自己决定 compress/expand

1.6 Experience Compression Spectrum: Unifying Memory, Skills, and Rules in LLM Agents

• 引用: 5
• 出处: 2026
• 核心: 把 memory / skills / rules 视为 spectrum, 统一压缩框架
• 与 Hermes 对比: Hermes memory 不与 skills/rules 混 — 这论文是反向思路

1.7 Goal-Directed Search Outperforms Goal-Agnostic Memory Compression in Long-Context Memory Tasks

• 引用: 3
• 出处: 2025
• 核心: 目标导向搜索优于无目标压缩 — 给定任务主动检索比全压缩保留更有效

1.8 Cross-Modal Memory Compression for Efficient Multi-Agent Debate

• 引用: 4
• 出处: 2026
• 核心: 多 agent 辩论场景的跨模态 memory 压缩

1.9 MemOCR: Layout-Aware Visual Memory for Efficient Long-Horizon Reasoning

• 引用: 4
• 出处: 2026
• 核心: 视觉 memory (text + layout + visual) — Hermes 文本 only, 这是扩展方向

1.10 Context Adaptive Memory-Efficient LLM Inference for Edge Multi-Agent Systems

• 引用: 1
• 出处: 2025
• 核心: 边缘多 agent 的 memory-efficient 推理

2. 开源项目 (10 个代表, 按 stars 排序)

2.1 mem0ai/mem0 — ★57K

• URL: https://github.com/mem0ai/mem0
• 定位: Universal memory layer for AI Agents
• 核心特性:
  • LLM-agnostic (OpenAI / Claude / 本地模型)
  • 自动 extraction + storage
  • Semantic search over memory
  • 跟 Hermes 比: 第三方服务化, 不是 file-backed. 外部 memory provider 之一
• Hermes 集成: 通过 plugins/memory/mem0/ (Hermes 官方支持)

2.2 volcengine/OpenViking — ★25K (字节跳动)

• URL: https://github.com/volcengine/OpenViking
• 定位: Open-source context database designed specifically for AI Agent
• 核心特性:
  • Hierarchical context (类似 Hermes 的 prefix cache 思路)
  • Volcengine 商业化背景
• 与 Hermes 对比: 比 Hermes 复杂得多, 是完整 context database, 不是 file-backed

2.3 letta-ai/letta — ★23K

• URL: https://github.com/letta-ai/letta
• 定位: Platform for building stateful agents: AI with advanced memory
• 核心特性:
  • Stateful agents (核心卖点 — agent 跨 session 状态)
  • 高级 memory 管理
  • 完整 platform (UI + API + DB)
• 与 Hermes 对比: 比 Hermes 完整得多, 是 platform 不是 CLI agent. 适合团队部署

2.4 memvid/memvid — ★15K

• URL: https://github.com/memvid/memvid
• 定位: Memory layer for AI Agents. Replace complex RAG pipelines with serverless, single-file
• 核心特性:
  • Single-file memory (存到 .mp4 视频, 酷)
  • Serverless 部署
  • 替代 RAG pipeline
• 与 Hermes 对比: 创新存储 (视频编码) — Hermes 走 markdown 文件路线, 完全不同

2.5 MemoriLabs/Memori — ★15K

• URL: https://github.com/MemoriLabs/Memori
• 定位: Agent-native memory infrastructure. LLM-agnostic layer that turns agent runs into structured, queryable memory
• 核心特性:
  • 把 agent 行为自动结构化为可查 memory
  • 多 framework 集成
• 与 Hermes 对比: 零摩擦 — 不用主动 add, 框架自动记. Hermes 走"用户/agent 显式 add"

2.6 campfirein/byterover-cli — ★5K

• URL: https://github.com/campfirein/byterover-cli
• 定位: Portable memory layer for autonomous coding agents (file-based, syncable)
• 核心特性:
  • CLI-first (跟 Hermes 哲学一致)
  • File-based, 可同步 (git/syncthing friendly)
  • 专注 coding agent
• 与 Hermes 对比: 最接近 Hermes 哲学 — CLI + file + portable. 但不做 prefix cache 优化

2.7 MemMachine/MemMachine — ★3K

• URL: https://github.com/MemMachine/MemMachine
• 定位: Universal memory layer for AI Agents. Scalable, extensible, integrable
• 核心特性:
  • 后端可插拔 (DB/vector store/...)
  • 分布式

2.8 memodb-io/Acontext — ★3K

• URL: https://github.com/memodb-io/Acontext
• 定位: Agent Skills as a Memory Layer
• 核心特性:
  • 把 skill 当 memory — 创新思路
  • 与 Hermes "skill + memory 分离" 思路相反
• 反思: Hermes 明确把 skill 和 memory 拆开 (skill_manage 工具 + memory 工具), 这论文认为可以合二为一

2.9 OSU-NLP-Group/HippoRAG — ★3.5K (NeurIPS'24)

• URL: https://github.com/OSU-NLP-Group/HippoRAG
• 定位: RAG framework inspired by human long-term memory (hippocampal index theory)
• 核心特性:
  • 神经科学启发的 RAG
  • Personalized PageRank + OpenIE
  • NeurIPS'24 paper
• 与 Hermes 对比: 学术性强, RAG 路线; Hermes 走 file 路线

2.10 TencentCloud/TencentDB-Agent-Memory — ★5K

• URL: https://github.com/TencentCloud/TencentDB-Agent-Memory
• 定位: Fully local long-term memory for AI Agents
• 核心特性:
  • 腾讯云背景
  • 本地化, 隐私优先
• 与 Hermes 对比: 商业数据库, Hermes 走 file 路线

3. Awesome list (1 个, 必看)

IAAR-Shanghai/Awesome-AI-Memory — ★944

• URL: https://github.com/IAAR-Shanghai/Awesome-AI-Memory
• 定位: Curated knowledge base on AI memory for LLMs
• 价值: 唯一一个全面收集 AI memory 论文 + 工具 + benchmark 的 curated list
• 必读: 想深入研究 AI memory 的唯一入口

4. 趋势观察

4.1 学术趋势 (2025 H2 - 2026 H1)

时间	主题	代表
2025 早期	Context compression 优化	ACON (cite 45)
2025 后期	Goal-directed search	Goal-Directed Search
2026 早期	Autonomous memory management	Active Context Compression, InfMem
2026 近期	Unified memory spectrum (memory + skills + rules)	Experience Compression Spectrum
2026 关注	Security / attack	Memory Poisoning Attacks

核心趋势: 从"压缩以放更多" 转向 "自主决定放什么 / 何时取"。

4.2 开源生态

路线	代表	特点
Library / SDK	mem0, Memori, MemMachine	嵌入现有 agent
Platform / SaaS	letta, mem0ai cloud	完整产品
CLI / file-based	byterover-cli, Hermes 自身	开发者工具
Database / infra	OpenViking, TencentDB	重型基础设施
RAG-flavored	HippoRAG, memvid	学术 + 创新存储

Hermes 定位: 在 CLI/file-based 路线 几乎是唯一严肃项目 (byterover-cli 类似但生态小)。

4.3 Hermes 相对优势 / 劣势

优势:

• 设计简单 (file + 2200/1375 char limit) — 跟"复杂 platform"反方向
• Prefix cache 优化 (frozen snapshot) — 学术论文都在用, 但 Hermes 落实得最早最干净
• Pluggable provider (8 个 external options) — 比多数 project 灵活
• Threat sanitization — 安全意识领先

劣势:

• Char 限制 2200/1375 — 任何复杂 agent 都嫌少 (mem0/MemMachine 都没限)
• 无 semantic search — 全文匹配 / 短名 basename
• 无多模态 (文本 only)
• 无自动 extraction (用户/agent 显式 add)
• 无跨 session conflict resolution (lock 简单, 没 CRDT)

5. 对 Hermes 的具体建议 (按 Karpathy 4 原则)

按原则 #2 Simplicity First, 不建议加:

• ❌ Autonomous compression (学术研究, 用户没需求)
• ❌ Semantic search over memory (复杂度 ↑↑, 价值存疑)
• ❌ Multi-modal memory (严重复杂度)

按原则 #1 Think Before + #3 Surgical, 或许考虑:

• ⚠️ Char limit 提升 (2200→4400, 1375→2750) — 简单改动, 解决"满了" 抱怨
• ⚠️ memory(action=search, query=...) 工具方法 — 全文 grep / 子串匹配
• ⚠️ Auto-deprecate stale entries (90 天未访问则 [DEPRECATED] 标记)

按原则 #4 Goal-Driven, 仅当用户明确要求时再做。

6. 引用 (References)

学术 (按出现顺序)

1. Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management (2026, cite 23)
2. Memory Poisoning Attacks on Retrieval-Augmented LLM Agents (2026, cite 3)
3. ACON: Optimizing Context Compression for Long-horizon LLM Agents (2025, cite 45)
4. InfMem: Learning System-2 Memory Control for Long-Context Agent (2026, cite 3)
5. Active Context Compression: Autonomous Memory Management in LLM Agents (2026, cite 8)
6. Experience Compression Spectrum: Unifying Memory, Skills, and Rules in LLM Agents (2026, cite 5)
7. Goal-Directed Search Outperforms Goal-Agnostic Memory Compression (2025, cite 3)
8. Cross-Modal Memory Compression for Multi-Agent Debate (2026, cite 4)
9. MemOCR: Layout-Aware Visual Memory for Long-Horizon Reasoning (2026, cite 4)
10. Context Adaptive Memory-Efficient LLM Inference (2025, cite 1)

开源 (按 stars 降序)

1. mem0ai/mem0 — ★57K
2. volcengine/OpenViking — ★25K
3. letta-ai/letta — ★23K
4. memvid/memvid — ★15K
5. MemoriLabs/Memori — ★15K
6. TencentCloud/TencentDB-Agent-Memory — ★5K
7. campfirein/byterover-cli — ★5K
8. OSU-NLP-Group/HippoRAG — ★3.5K
9. MemMachine/MemMachine — ★3K
10. memodb-io/Acontext — ★3K

资源

• IAAR-Shanghai/Awesome-AI-Memory — AI memory 综合 curated list
• Semantic Scholar API — 论文元数据
• GitHub Search API — 开源项目