Hermes Agent数据库操作方法

Hermes Agent 提供灵活、可扩展的数据库支持体系，涵盖轻量级本地 SQLite 全文检索、高性能 Qdrant 语义向量搜索及嵌入式 Chroma 向量检索，并推荐通过双路混合检索（FTS5 + 向量）融合关键词匹配与语义理解优势，显著提升 RAG 场景下的召回质量与鲁棒性——无论您是快速启动本地智能体、部署高并发知识服务，还是在资源受限环境中调试优化，都能找到适配的持久化与检索方案。

如果您在使用 Hermes Agent 过程中需要持久化存储技能数据、会话摘要或外部知识，需通过数据库进行结构化管理。Hermes 默认采用 SQLite 作为内置记忆后端，但支持扩展接入多种数据库系统。以下是具体操作方法：

一、启用并配置内置 SQLite 数据库

Hermes Agent 使用 SQLiteFTS5 引擎实现本地全文检索与轻量级持久化，无需额外服务进程，适用于单机部署与快速启动场景。该数据库默认位于 ~/.hermes/state/hermes_state.db 路径，自动初始化并随 agent 启动加载。

1、确认数据库文件存在：在终端执行 ls -l ~/.hermes/state/hermes_state.db

2、查看表结构：运行 sqlite3 ~/.hermes/state/hermes_state.db ".schema"

3、检查记忆表内容：执行 sqlite3 ~/.hermes/state/hermes_state.db "SELECT COUNT(*) FROM memories;"

二、连接并使用 Qdrant 向量数据库

Qdrant 是 Hermes 官方文档明确支持的向量数据库，适用于 RAG 场景下的高精度语义检索。其独立服务模式可支撑多用户、高并发的向量匹配需求，且支持 payload 元数据过滤与混合查询。

1、拉取并启动 Qdrant 容器：docker run -p 6333:6333 -v $(pwd)/qdrant_storage:/qdrant/storage qdrant/qdrant

2、验证服务可用性：curl http://localhost:6333/health 应返回 {"status":"ok"}

3、在 skills/mlops/qdrant/SKILL.md 中确认 collection 创建逻辑，确保 size=384（匹配所用嵌入模型维度）

4、修改 hermes_state.py 中的检索入口，将原 FTS5 查询替换为 Qdrant 客户端调用，并传入 embedding 编码后的向量数组

三、集成 Chroma 实现嵌入式向量检索

Chroma 以零依赖、Python 原生 SDK 和内存友好型设计见长，适合开发调试与资源受限环境。它可直接嵌入 Hermes 工具链，无需独立服务，通过 toolsets.py 注入检索能力。

1、安装 Chroma：pip install chromadb

2、在 tools/vector_retriever.py 中初始化客户端并加载嵌入模型：model = SentenceTransformer('all-MiniLM-L6-v2')

3、定义 add_documents 方法，将 skill 文档向量化后存入 collection，并附加 source 与 chunk_id 元数据

4、在 agent/context_compressor.py 中注入 retrieve_relevant_chunks 方法，调用 chroma_collection.query(query_embeddings=[emb], n_results=5)

四、构建双路混合检索管道

单一检索方式易受嵌入质量波动或关键词覆盖不足影响。Hermes 推荐采用“全文 + 向量”双路召回策略，在检索阶段并行触发两路子任务，再经重排序统一输出，提升结果鲁棒性与覆盖广度。

1、定位 run_agent.py 中的检索阶段代码块

2、并行启动两个子任务：一路调用 hermes_state.py 的 FTS5 搜索获取关键词匹配结果；另一路调用 Qdrant 客户端执行向量近邻查询

3、合并两路结果集，按相关性得分加权归一化后截取前 N 条

4、将融合结果传入 LLM 上下文压缩模块进行最终筛选与格式化

今天关于《Hermes Agent数据库操作方法》的内容介绍就到此结束，如果有什么疑问或者建议，可以在golang学习网公众号下多多回复交流；文中若有不正之处，也希望回复留言以告知！