Hermes Agent 这个插件把我的AI日报跑通了：这次我建议你试一下

hlx

我现在越来越觉得，AI 日报真正难的不是写出来。写一份日报不难。抓几条新闻，排个列表，写几句摘要，今天就能交差。难的是明天。明天它还记不记得，我不想看那种“值得关注”？还记不记得，我要的是产品机会，不是新闻搬运？还记不记得，机会最好能落到 SaaS、SEO、自动化、低成本获客、Agent 工具链这些方向？如果这些话每天都要重新讲一遍，那这个 Agent 其实还是一个新来的实习生。这次我测 MemOS Local Plugin 2.0，想看的就是这件事：一次真实任务里的判断、偏好和修正，能不能留下来，变成下一次执行时能用的东西。这篇你可以当成一份实操笔记收藏。如果你也在用 Hermes Agent，或者正在折腾自己的 AI 助手，里面至少有三件东西能直接拿走：MemOS Local Plugin 2.0 接入 Hermes Agent 的安装命令；创建长期 AI 日报任务时，我用的完整 prompt；怎么检查时区、cron 和 Memory Viewer，避免任务看起来创建了，实际第二天没按点跑。我也建议你把这篇转给正在做 Agent 工作流的人。很多人现在不是缺模型，而是缺一套能让 Agent 越用越懂自己的方法。这次测了 MemOS Local Plugin 2.0我直接把它接到我日常使用的 Hermes Agent 上。我主要看三件事：能不能接到已有 Hermes Agent不要另起炉灶，也不要只停留在 demo。能不能被我看见和校正记忆系统如果完全黑盒，我是不放心的。至少我要知道它到底记了什么。能不能沉淀执行偏好尤其是 AI 日报这种长期任务里的判断标准，而不是只保存一段对话。它不是把聊天记录简单存起来，而是把 Agent 执行过程拆成几层：先用 Skill 给任务骨架，再用 Trace 补执行细节，最后用场域认知给同主题任务补背景。更关键的是，中间这份记忆不是只给一个 Agent 用。Hermes Agent 今天学到的经验，明天可以被 OpenClaw 或其他 Agent 继续复用。【图片1】所以我后面的实测，不是只看“它能不能记住一句话”。我更关心这条链路能不能跑通：从执行里捕获记忆，再把经验沉淀下来，最后让下一个任务少重复探索。下面直接看实操。先装上：接入 Hermes Agent 和 Memory Viewer我是在一台已经跑着 Hermes Agent 的环境里装的。安装前，我先做了备份。这类插件不是写个普通笔记，它会接到 Agent 的运行链路里。记忆系统可以强，但不能黑盒，更不能把原来的环境搞乱。然后执行安装脚本，让它自动识别当前 Agent。curl -fsSL https://raw.githubusercontent.com/MemTensor/MemOS/main/apps/memos-local-plugin/install.sh | bash【图片2】这个过程里，我主要看几个点：有没有识别到当前环境里的 Hermes Agent；插件有没有部署到本地目录；依赖有没有安装完成；Hermes 配置有没有被 patch；Memory Viewer 有没有本地启动；最后有没有提示 MemOS Local installed successfully。这一步我最关心的不是安装日志本身。我关心的是，它是不是真的接进了原来的 Hermes Agent 工作流。如果只是另起一个 demo，意义就小很多。安装完成后，打开本地 Memory Viewer，可以看到 MemOS 的记忆面板已经起来了。安装日志里还给了两个后续入口。一个是继续启动 Hermes：hermes chat另一个是打开本地 Memory Viewer：http://127.0.0.1:18800/【图片3】【图片4】里面把记忆、任务、经验、环境认知、技能这些东西分开看。左下角也能看到当前版本和记忆通道状态。这个 Viewer 很好，终于可以有可视化的memory了，Agent 记忆如果只告诉你“我记住了”，但你看不到它到底记了什么，那其实很难放心。再确认 Hermes Agent 还能正常干活现在先让 Hermes Agent 跑一句简单任务，确认它不是“插件装上了，Agent 挂了”。最小验证命令，不让它干复杂活，只确认 Agent 能不能正常响应：hermes chat -q "请用一句话确认 Hermes Agent 已正常启动。"【图片5】可以，Hermes Agent 已正常启动，可以继续接收和执行任务。创建一个真实长期任务：每天 9 点 AI 日报接下来才是这次测试的核心。我让 Hermes Agent 创建一个长期定时任务：每天北京时间早上 9 点，自动生成并推送一份 One 的 AI 日报到当前飞书对话。我没有让它“帮我总结 AI 新闻”。这个要求太泛了，最后大概率会写成一份新闻摘要。我明确告诉它，这不是新闻搬运，而是每天从高信号 AI 动态里，筛出真正值得看的模型、工具、框架和产品机会。当时发给 Agent 的任务大概是这样，我把正文放在截图前面，方便直接复制：请为我创建一个长期定时任务：每天北京时间早上 9 点，自动生成并推送一份 One 的 AI 日报到当前飞书对话。在创建任务前，请先检查当前运行环境的系统时区。如果系统时区是 Asia/Shanghai / CST / 北京时间，则定时表达式使用：0 9 * * *如果系统时区是 UTC，则定时表达式使用：0 1 * * *如果无法确认时区，请先告诉我，不要盲目创建。任务名称：One AI 日报｜每日 9 点任务要求：这不是新闻搬运，而是每天帮 One 从高信号 AI 动态里筛出真正值得看的模型、工具、框架和产品机会。信息源需覆盖全网 AI 最新动态，优先综合 GitHub、Hacker News、Hugging Face、OpenAI/Anthropic/Google/Mistral 等官方发布信息。固定输出结构：🚀 今日必看模型 / 工具 TOP 10（必须用 Markdown 表格，列名固定为：排名｜项目/名称｜核心亮点｜你的机会）1. 标题：AI 日报｜YYYY年M月D日2. 一句今日结论3. 今日必看模型 / 工具 TOP 10表格列名：排名｜项目/名称｜核心亮点｜你的机会4. 快速市场脉搏覆盖：模型发布、开源趋势、大公司动作、Agent/工作流、开发工具、内容/分发机会、价格/成本变化5. 深度延伸包括：最佳论文摘要 + 成本 / 增长 Hack 清单机会角度优先看：变现、SEO、自动化、Agent、内容、低成本获客、B2B SaaS、工作流升级。特别偏好：“你的机会”不要写“可关注”“可探索”这种空泛判断。要尽量落到具体可执行方向，例如：1. 能不能做 SEO 页面？2. 能不能做垂直 SaaS？3. 能不能变成自动化工作流？4. 能不能降低获客成本？5. 能不能形成 Agent 工具链里的一个小产品？【图片6】立马直接跑一次我直接让它测试运行一次。测试运行刚刚创建的「One AI 日报｜每日 9 点」任务输出结构基本符合预期：有今日结论，有 TOP10，有市场脉搏，也有增长 Hack 和机会判断。【图片7】它已经开始往企业 AI 工作流、合规型 Agent、API 成本优化、SEO 长尾页、自动化流水线、端侧 Agent、低成本模型池这些方向收。这比“建议持续关注”强很多。当然，一次输出不能说明全部问题。更关键的是：我今天指出来的标准，明天还会不会生效？我今天补充的偏好，会不会成为下一次任务的一部分？这才是记忆系统要解决的问题。最关键的是 Memory Viewer 里的那条记录跑完以后，我回到 Memory Viewer。里面出现了一条和这次执行相关的记忆。【图片8】【图片9】【图片10】【图片11】Memory Viewer 这条记录证明的是：这次执行里的偏好和判断标准，被留下来了。而且还会自主沉淀为 经验，技能skills，这才是这个可视化工具的关键所在，比如 AI 日报里的“你的机会”不要写空泛判断，而要往 SEO、垂直 SaaS、自动化工作流、低成本获客、Agent 工具链这些方向落。这就是“执行即学习”。不是我给 Agent 写一份永久说明书，然后每次都祈祷它遵守。而是我在一次真实任务里修正它，它把这些修正变成以后能复用的执行资产。这次我能确认的几件事我不会因为一条 memory 出现，就说它已经解决了所有 Agent 记忆问题。目前我能确认的是这几件事：安装链路跑通了MemOS Local Plugin 2.0 能接到本地 Hermes Agent 环境里。Hermes Agent 原来的执行没有被破坏安装之后，Agent 仍然可以正常启动和执行任务。长期任务能创建AI 日报任务被成功创建，并且处理了 UTC 和北京时间的换算。真实任务能跑出结果不是玩具问答，而是一次完整 AI 日报输出。执行偏好进入了 Memory Viewer关于“你的机会”这一列的判断标准，被沉淀成了可见的 memory。这已经比“记住一句用户偏好”更有说服力。因为它跑通的是一条完整链路：安装 → 接入 → 验证 → 创建任务 → 跑一次 → 生成结果 → 沉淀 memory。它不是在讲一个新插件多厉害，而是在讲一个更通用的问题：怎么让 Agent 从一次任务里学到下一次能继续用的东西。我的判断这次测下来，我不太愿意把 MemOS Local Plugin 2.0 叫成本地聊天记忆插件。这个说法太轻了。它更像是给 Agent 加了一层本地执行记忆：哪些偏好是用户反复强调的；哪些任务有固定结构；哪些输出标准不能退回模板化；哪些判断方式应该在下一次继续用；哪些经验可以跨任务、跨 Agent 共享。对个人用户来说，它能减少重复解释。对多 Agent 工作流来说，它的价值可能会更明显。因为一个 Agent 今天在 AI 日报里学到的判断标准，明天可能会影响 X 账号选题、公众号选题、产品机会库整理，甚至影响另一个 Agent 的执行方式。这些 memory 后续触发稳不稳定，多任务之间会不会互相污染，什么该记、什么不该记，边界怎么处理，都还要继续观察。至少从这次实测看，它已经不是停留在概念层。我现在越来越不关心一个 Agent 当场能不能写出一句漂亮话。我更关心它做完一件事之后，有没有真的变得更懂我一点。如果每次任务结束，下一次都还是从零开始，那它只是一个更会聊天的工具。Agent 真正的价值，不是这次回答得多漂亮。而是下次执行时，能不能少犯一次同样的错，少说一句空话，多保留一点上次已经学会的判断。兄弟们 快去体验吧上手文档：https://memos-docs.openmem.net/openclaw/hermes_local_pluginGithub 源码：https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin以上，内容来源于互联网[玫瑰]