stephenschoettler/hermes-lcm

解决的问题

hermes-lcm 解决了 AI 代理中“有损”上下文压缩的问题。标准压缩通常会删除旧消息或将其总结为单个块，导致代理无法访问早期对话轮次的准确、逐字细节。该项目提供了一个无损上下文管理系统，在保持活动提示受限的同时，确保任何信息都不会被永久删除。

工作原理

该插件将标准的一次性压缩替换为基于 SQLite 的 DAG（有向无环图）上下文引擎。它通过几个关键机制运作：

• 持久化：所有原始消息都存储在带有全文搜索（FTS）元数据的本地 SQLite 数据库中。
• 分层摘要：较旧的上下文被压缩成“深度感知”的摘要节点。随着这些节点的积累，它们被浓缩为分层 DAG，允许代理从高级摘要导航到具体细节。
• 有界组装：活动提示由系统提示、最有价值的摘要以及受保护的最近消息“新鲜尾部”构建。
• 召回工具：代理获得一套工具（例如 lcm_grep、lcm_recall、lcm_expand），用于搜索、检查和检索精确的原始消息或子摘要，而不会淹没主提示。
• 外部化：过大的负载（如大型工具结果）被移动到可恢复的引用中，以防止它们挤占上下文窗口。

适用对象

它专为 Hermes Agent 的用户设计，这些用户需要长期记忆，并希望代理在复杂的多轮交互中自主恢复精确的历史数据。

亮点

• 无损记忆：原始消息在活动提示被压缩后仍被保留且可恢复。
• 摘要 DAG：使用分层结构进行摘要，以维护来源谱系和深度感知检索。
• 全面工具集：提供 15 个专业工具，用于搜索、召回、基于证据的计算和数据库健康诊断。
• 来源感知检索：基于后代来源谱系过滤原始行和摘要。
• 灵活控制：包括敏感模式编辑、时间记忆汇总和通过嵌入进行语义检索的选项。