# Super Hermes

> 仓库地址：https://github.com/Cranot/super-hermes
> 作者/组织：Cranot
> 成熟度：experimental
> 分析日期：2026-04-15

## 一句话总结
自动生成定制化分析"棱镜"（prism），执行多维度结构化推理并透明报告分析盲区。

## 项目定位与架构
Super Hermes 解决的问题是：通用的 AI 分析往往流于表面。它通过生成 **domain-specific analytical procedures（分析棱镜）** 来实现深度结构化推理——不是使用预设的通用推理框架，而是让 agent 根据具体问题自动生成最优分析步骤。

核心机制是 metacognitive structure：agent 先分析"该如何分析这个问题"，生成 prism，然后执行分析，最后报告发现和分析局限性。7 个预建 prism 覆盖 error resilience、structural trade-offs、optimization safety 等领域。

## 关键技术特性
- **/prism-scan**：为特定 artifact 生成最优分析镜头，报告分析约束
- **/prism-full**：multi-pass pipeline + adversarial self-correction
- **/prism-3way**：WHERE/WHEN/WHY 三维正交分析
- **/prism-reflect**：输出 findings + explicit constraint report（分析盲区）
- **Self-improvement via .prism-history.md**：追踪历史分析约束，后续分析自动调整覆盖范围

## 设计亮点与创新
最大创新是**分析的透明度**——不仅告诉你发现了什么，还告诉你"我没能分析什么"。这种 explicit constraint reporting 在 AI 系统中极为罕见，大幅提升了用户对分析结果的信任度。

## 局限性与风险
- README 从 main 分支获取失败，从 master 成功获取，仓库管理有不规范风险
- Prism 生成的质量高度依赖底层 LLM 能力
- 自动分析的深度与 token 成本之间存在 trade-off

## 与生态系统的关联
为 Hermes 生态引入了**元认知分析**能力。.prism-history.md 的 self-improvement 机制与 hermes-dojo 和 hermes-self-evolution 的自我改进理念一致。