渐进式加载

概述

通过分层按需加载模型解决"知识库越大、Token 消耗越多"的矛盾，使知识可无限增长而每次对话成本几乎固定。存在三级（Skills）和四级（MemPalace）两种实现。

关键内容

三级加载模型（Skills 系统）：Level 0 返回目录（名称+描述，约 3,000 tokens 固定消耗）→ Level 1 加载特定技能的完整 SKILL.md → Level 2 加载技能目录中的特定参考文件
为什么固定 3,000 tokens：Level 0 只包含名称和一行描述，每个技能仅贡献约 30 tokens 的目录条目，无论有 10 个还是 100 个技能，目录大小基本固定
实际工作流：用户请求 → Agent 查看 Level 0 目录 → 发现相关技能 → 调用 skill_view 加载完整内容 → 按技能文档执行任务
设计目标：可以积累上百个技能，而不用担心 Token 成本爆炸，实现记忆库无限增长与每次对话成本可控的平衡
API 接口：skills_list() 返回 Level 0 目录，skill_view(name) 加载 Level 1，skill_view(name, path) 加载 Level 2
四级渐进式加载（MemPalace）：从全局地图到精确原文，按需按量加载，解决"如何在有限的 Token 预算内精准注入最相关记忆"的核心工程问题
Level 1 — Palace Overview（宫殿鸟瞰）：~50-100 tokens，列出所有 Wing 名称和 Tunnel 连接。每次 Agent 启动时通过 mempalace_status 工具自动注入，让 AI 知道自己"拥有"哪些记忆
Level 2 — Wing Summary（翼摘要）：~100-200 tokens/翼，展开某 Wing 内所有 Room 列表、最近活动时间、内容方向。当用户问题涉及特定项目时触发
Level 3 — Room + Closet（房间 + AAAK 导航）：~120-300 tokens/房间，加载 Hall 分类信息（facts/events/discoveries/preferences/advice）和 Closet 中的 AAAK 压缩摘要。这是"按图索骥"的关键层，AI 已知有什么决策/事件/建议，可判断是否需要进入 Level 4
Level 4 — Drawer Content（抽屉原文）：~300-800 tokens/抽屉，加载特定 Drawer 的完整原始内容，一字不改。保障"不丢失推理链"，可见完整对话、决策背景、备选方案
Token 预算对比：典型 Agent 对话合计约 980 tokens（L1~80 + L2~150 + L3~250 + L4~500），对比全量注入 99 drawers × 400 tokens ≈ 39,600 tokens，节省约 97.5% Token 消耗
Know Before Speaking 协议：mempalace_status 每次响应注入软约束指令 "BEFORE RESPONDING... call mempalace_kg_query or mempalace_search FIRST"，确保 AI 不凭训练数据回答，而是先查询记忆
时序知识图谱层（Temporal KG）：处理"会随时间变化的事实"，维护 entity 的 timeline 数组记录不同时间点的状态和来源 drawer。AI 问"现在用什么部署策略"时自动返回最新状态，传统 RAG 无法区分时序关系

来源

NousResearch/hermes-agent — 2026 年 4 月版本，Hermes Agent 深度解析第四篇
mempalace_02_palace_architecture.md — MemPalace 深度解析第二篇
mempalace_04_progressive_loading.md — MemPalace 深度解析第四篇：4 级渐进式加载系统

渐进式加载

概述

关键内容

来源

相关