大家好，最近看到Hermes和EvoMap那件事，想说点自己的想法，也顺便分享一个自己在做的东西。
先说这个事本身吧。
10步主循环基本一一对应，术语系统性替换，Gene换成Skill，Capsule换成SkillSet。代码表面上看是“重新实现”，但结构和思路对得太齐了，连节奏都差不多。
更离谱的是后面的处理方式，不是解释或者沟通，而是直接反咬一口。这种就不只是“借鉴”了，多少有点难看。
看完其实挺矛盾的。一方面确实不太舒服，另一方面也更清楚一件事：
国内不是没人能做复杂系统，相反，是有人已经做出来了，只是生态和话语权还在慢慢补。
与其一直讨论对错，不如往前走一步，自己把东西做出来。
Cellium Agent就是在这个背景下开始做的。
简单说一下这是什么。
它是一个AI Agent框架，但我不太想用那种“很玄”的描述。
更直接一点，它解决的是：让一个模型不只是“回答问题”，而是能持续决策、执行任务、并根据反馈调整行为。
换句话说，是把“推理”变成一个可以运行的系统。
我在设计的时候，主要关注几件事。
第一，决策不是一次性的，而是循环的。
所以做了一个比较明确的决策环：
特征提取、规则评估、Action选择、执行、反馈、再更新。
关键点不在流程本身，而在“状态感知”。
Agent需要知道自己是不是卡住了，有没有在重复行为，任务有没有在推进。
这些信息会直接影响下一步决策，而不是盲目继续。
第二，策略不应该是写死的。
这里用了一个比较轻量的做法：贝叶斯Bandit + Thompson Sampling。
可以理解成，每种策略都有一个“成功概率”的估计，系统会动态去试、去更新，然后逐渐偏向更有效的路径。
不是那种很重的训练，但确实能让行为越来越稳定。
第三，记忆这块不想依赖外部系统。
所以做了三层结构：人格、会话、长期。
长期记忆这块用了一个比较工程化的方案：
FTS5做全文检索，配一个96维的LSH向量做近似匹配。
优点很直接：
不用向量数据库，纯本地就能跑，而且对中文做了一些适配（比如拼音）。
第四，是架构本身。
核心尽量小，只做调度和连接。
组件全部解耦，通过事件总线通信，配合依赖注入。
这样带来的一个好处是，组件可以独立开发、独立替换，甚至可以热加载，不用每次都重启整个系统。（和我另外一个开源python应用框架一致）
第五，是执行方式。
简单任务就直接走，不额外规划；
复杂任务会自动拆步骤；
如果中间某一步失败，不会全部推倒，而是只针对失败部分重新规划。
这个点在实际跑任务的时候，差别还挺明显的。
说实话，现在很多Agent框架的问题其实挺一致的：
要么特别重，一堆依赖、外部服务；
要么特别轻，只能做demo级别的东西。
我更想做的是一个中间态：
结构清晰、能跑复杂逻辑，同时又不依赖太多外部环境。
项目现在还在早期阶段，很多细节还在打磨。
如果你对Agent、系统架构、或者这种“把模型变成系统”的方向感兴趣，可以看看，也欢迎提点建议。
GitHub：
网页链接
最后简单说一句。
类似Hermes这种事情，其实不会是最后一次。
代码是可以被复制的，结构也可以被模仿，但系统能力和设计积累是很难一起复制走的。
先说这个事本身吧。
10步主循环基本一一对应，术语系统性替换，Gene换成Skill，Capsule换成SkillSet。代码表面上看是“重新实现”，但结构和思路对得太齐了，连节奏都差不多。
更离谱的是后面的处理方式，不是解释或者沟通，而是直接反咬一口。这种就不只是“借鉴”了，多少有点难看。
看完其实挺矛盾的。一方面确实不太舒服，另一方面也更清楚一件事：
国内不是没人能做复杂系统，相反，是有人已经做出来了，只是生态和话语权还在慢慢补。
与其一直讨论对错，不如往前走一步，自己把东西做出来。
Cellium Agent就是在这个背景下开始做的。
简单说一下这是什么。
它是一个AI Agent框架，但我不太想用那种“很玄”的描述。
更直接一点，它解决的是：让一个模型不只是“回答问题”，而是能持续决策、执行任务、并根据反馈调整行为。
换句话说，是把“推理”变成一个可以运行的系统。
我在设计的时候，主要关注几件事。
第一，决策不是一次性的，而是循环的。
所以做了一个比较明确的决策环：
特征提取、规则评估、Action选择、执行、反馈、再更新。
关键点不在流程本身，而在“状态感知”。
Agent需要知道自己是不是卡住了，有没有在重复行为，任务有没有在推进。
这些信息会直接影响下一步决策，而不是盲目继续。
第二，策略不应该是写死的。
这里用了一个比较轻量的做法：贝叶斯Bandit + Thompson Sampling。
可以理解成，每种策略都有一个“成功概率”的估计，系统会动态去试、去更新，然后逐渐偏向更有效的路径。
不是那种很重的训练，但确实能让行为越来越稳定。
第三，记忆这块不想依赖外部系统。
所以做了三层结构：人格、会话、长期。
长期记忆这块用了一个比较工程化的方案：
FTS5做全文检索，配一个96维的LSH向量做近似匹配。
优点很直接：
不用向量数据库，纯本地就能跑，而且对中文做了一些适配（比如拼音）。
第四，是架构本身。
核心尽量小，只做调度和连接。
组件全部解耦，通过事件总线通信，配合依赖注入。
这样带来的一个好处是，组件可以独立开发、独立替换，甚至可以热加载，不用每次都重启整个系统。（和我另外一个开源python应用框架一致）
第五，是执行方式。
简单任务就直接走，不额外规划；
复杂任务会自动拆步骤；
如果中间某一步失败，不会全部推倒，而是只针对失败部分重新规划。
这个点在实际跑任务的时候，差别还挺明显的。
说实话，现在很多Agent框架的问题其实挺一致的：
要么特别重，一堆依赖、外部服务；
要么特别轻，只能做demo级别的东西。
我更想做的是一个中间态：
结构清晰、能跑复杂逻辑，同时又不依赖太多外部环境。
项目现在还在早期阶段，很多细节还在打磨。
如果你对Agent、系统架构、或者这种“把模型变成系统”的方向感兴趣，可以看看，也欢迎提点建议。
GitHub：
网页链接
最后简单说一句。
类似Hermes这种事情，其实不会是最后一次。
代码是可以被复制的，结构也可以被模仿，但系统能力和设计积累是很难一起复制走的。
