Cranot/super-hermes

解决的问题

Super Hermes 解决了 AI 代理仅提供通用代码审查或表面级漏洞检测的局限性。它防止了‘盲点’问题——即代理识别出某种模式，却无法解释代码为何以特定方式编写，也无法报告分析过程中遗漏的内容。

工作原理

Super Hermes 不使用标准提示，而是采用“棱镜”——一种结构化的分析程序，强制模型遵循特定的构建协议（例如，构建一个主张，攻击它，并推导出结构不变量）。

它通过以下几种专业技能运作：

• 动态透镜生成：/prism-scan 技能在执行前生成一个针对特定问题定制的分析透镜。
• 多角度分析：/prism-3way 技能从三个正交方向（何处、何时、为何）分析问题，并整合结果。
• 自我意识：/prism-reflect 技能生成一份“约束报告”，明确列出分析中最大化的内容和牺牲的内容，并将这些盲点保存到 .prism-history.md 文件中。
• 成长循环：后续分析会读取 .prism-history.md 文件，调整其透镜以覆盖之前遗漏的角度。

适用人群

需要对代码库进行深度结构分析、识别“守恒定律”（无法通过工程手段消除的权衡）以及透明理解 AI 代理分析局限性的开发者和研究人员。

主要亮点

• 已验证的棱镜：包含 7 个经过实战检验的分析透镜，用于错误容错、优化和时间预测。
• 约束透明性：明确报告盲点，让用户清楚知道分析未覆盖的内容。
• 结构洞察：超越漏洞列表，识别根本性的架构权衡。
• 模型无关性：虽然专为 Hermes Agent 设计，但核心棱镜可作为系统提示用于任何 LLM（如 Claude、GPT）。
• 项目式学习：通过本地历史文件，从自身以往的盲点中学习，实现项目内的持续进化。