Hermes

Honcho 是 Plastic Labs 开源的 AI Agent 持久化记忆引擎。它以 PostgreSQL + pgvector 存储记忆向量，用 LLM 做辩证推理（dialectic），为 Agent 提供跨会话的用户画像、语义搜索与推理能力——让 AI 助手真正"记住你、了解你、主动调用关于你的结论"。 但它原生的一切都是英文的：Prompt、输出格式、文档。在国内网络、DeepSeek 模型、纯中文需求的叠加下，部署过程布满隐蔽陷阱。本文记录我们把它完整中文化、并沉淀成一套可复用技能的过程。 架构 PostgreSQL（pgvector）← Honcho API（:8000） Deriver —— 实时观察提取 Embedding —— bge-base-zh-v1.5（768 维，:8080） Dialectic —— 辩证推理（5 个级别） Dream —— 离线画像演绎（deduction + induction） Summarizer —— 会话压缩 踩过的坑 pip install honcho 装错包——PyPI 上的是进程管理器，不是记忆系统，必须从 GitHub 克隆。 国内网络下 GitHub 与 HuggingFace 都无法直连，源码克隆与模型下载都要走代理。 DeepSeek 的 structured_output 静默失败：Honcho 默认用 json_schema，DeepSeek 不支持，9 个 model_config 块必须全部改成 json_object，缺一个 Deriver 就静默产出空观察。 Embedding 维度不匹配：alembic 默认建 1536 维列，bge-base-zh-v1.5 是 768 维，需显式调整。 HF 下载模型用 cache_dir 会 symlink 断链，必须用 local_dir 平铺。 9 处英文 Prompt 中文化，漏一处就出现中英混杂。 复用 Hermes 自己的 venv 跑 Honcho——Hermes 升级会重建 venv，把 Honcho 依赖（sqlalchemy、sentry-sdk、sentence-transformers）一并冲掉，三个服务全崩、embedding 空转十多万次。必须给 Honcho 建独立 venv（uv sync），彻底与 Hermes 解耦。 成果 最终跑通了一条纯中文管道：观察（observation）、画像（peer card）、语义搜索、辩证推理全部中文输出。整个方案沉淀为 agent-honcho-zh 技能，从裸机初始化到全链路中文化一步到位，还附带 Hermes 插件的一个 observer bug 修复（已提交上游 PR）。 ...