# OraHermes Agent

> 仓库地址：https://github.com/jasperan/orahermes-agent
> 作者/组织：jasperan
> 成熟度：experimental
> 分析日期：2026-04-15

## 一句话总结
将 Hermes Agent 的推理和存储层替换为 Oracle Cloud 服务的 fork，通过 Oracle AI Vector Search 实现基于语义的长期记忆。

## 项目定位与架构
OraHermes Agent 解决了 Hermes Agent 与企业级 Oracle 基础设施的集成问题。核心创新是将每条消息自动嵌入为 384 维向量并存储到 Oracle 26ai Free 数据库，实现跨对话的语义检索。

架构为三组件连接：`LLM Provider (Ollama / OCI GenAI / Custom) ↔ OraHermes Agent ↔ Oracle 26ai Free Database`。核心循环包括 prompt 构建、LLM 调用、tool call 检测与执行、消息持久化与 embedding 存储。LLM 层支持 Ollama（本地默认）、OCI GenAI（xAI Grok 模型）和任意 OpenAI 兼容 endpoint。

## 关键技术特性
- **语义记忆**：in-database ONNX 模型生成 384 维向量，三种检索模式（hybrid / pure vector / keyword）
- **优雅降级**：vector 支持不可用时自动回退到传统检索
- **30+ 内置工具**：web search / terminal / 文件操作 / 浏览器自动化 / vision / TTS / 任务管理等
- **多平台 gateway**：Telegram / Discord / WhatsApp / Slack 同时运行，per-chat session 持久化
- **D3.js 实时仪表盘**：可视化 agent 运行状态
- **训练数据导出**：ShareGPT 格式，支持 fine-tuning 数据生产

## 设计亮点与创新
将 vector search 内置到数据库层（而非应用层）是关键设计选择——利用 Oracle 26ai 的 in-database ONNX 模型，避免了外部 embedding service 的依赖和延迟。三种检索模式（hybrid / vector / keyword）的灵活组合以及优雅降级机制体现了企业级的鲁棒性设计。

## 局限性与风险
对 Oracle 26ai Free 的强依赖限制了使用场景——需要运行 Oracle 数据库容器。Schema migration 步骤增加了部署复杂度。384 维向量在语义丰富度上可能不如更高维的 embedding。作为 experimental 项目，与上游 Hermes Agent 的功能同步存在风险。

## 与生态系统的关联
是 Hermes 在企业/Oracle 生态中的桥梁项目。与 Hermes 核心的 memory、skill、gateway 系统保持兼容。vector search 的集成思路可为 Hermes 核心的 memory 系统改进提供参考。ShareGPT 导出功能与 Hermes 的 post-training 生态（Atropos 等）衔接。