ai-agent-book 精选快照（<2MB 代码与文档，来自 github.com/bojieli/ai-agent-book）

chapter9/hermes-self-evolution/README.md

@@ -0,0 +1,105 @@
+# 实验 9-8：把这本书交给 Hermes：它能升级自己吗？
+
+如果 Agent 读到一本讲“Agent 如何进化”的书，它能不能回头看看自己，并真的学会一项新本领？
+我们没有让 Hermes 只写一份读后感，而是把整本书和它自己的源码一起交给它，让它边读边改自己。
+
+## 我们做了什么
+
+这个实验思路由读者 Grace 贡献。核心做法不是给 Hermes 一张问题清单，而是让
+[Hermes](https://github.com/NousResearch/hermes-agent) 读完本书十章，再回到自己的代码里寻找
+值得改进的地方。实验 Prompt 明确不提供改进清单或预设缺口；选什么、为什么选、怎样实现，都由
+Hermes 根据书和源码自行判断。
+
+整个过程可以记成一句话：
+
+> **阅读 → 对照 → 选题 → 修改 → 审查 → 学习 → 再修改**
+
+## Hermes 真的做了什么
+
+Hermes 读完十章并检查自身实现后，主动发现：虽然系统会保存运行轨迹，但这些记录缺少可直接供后续
+学习使用的结构化证据。它决定从真实工具结果中提取保守的学习信号，让离线评价与后续改进不必只依赖
+最终文本或主观总结。
+
+关键是，它不只提出建议。Hermes 亲手修改了自己的轨迹处理与保存路径、补充测试、运行验证，并留下
+一份可应用的补丁。这让“读书后获得启发”变成了“读书后改变自己”。
+
+## Reviewer 如何推动它继续改
+
+第一版没有过关。独立 Reviewer 发现它的测试数据与真实轨迹格式不一致；修正后，新的 Reviewer 又
+发现部分保存路径没有采用同一证据契约；第三轮继续发现重复计数和遗漏路径。每次反馈都交还给同一个
+Hermes 会话，由它重新读代码、修正并再试。第四位全新 Reviewer 最终接受这份修改提案。Reviewer 的拒绝不是
+实验终点，而是 Hermes 下一轮学习的输入。
+
+## 这个实验证明了什么
+
+这次运行完成了一个真实的自我更新闭环：Hermes 在没有改进清单的情况下读书、检查自己、自主选题并
+实现改进，又根据独立审查反复纠错，直到通过验收。最终修改提案通过 6 个新增行为测试和 38 个相关回归测试。
+
+不过，“成功更新自己”和“所有任务表现都变强”是两回事。要证明后者，还需要在相同任务和模型下，
+分别开关新能力做消融实验。本实验诚实地停在前一个结论：**Hermes 已经学会根据书和反馈修改自己，
+但这项修改对下游任务的收益仍要另行测量。**
+
+下面保留完整证据，方便核对或复现。Canonical 开放式运行固定在 Hermes commit
+`85c8956ec7f2b4607509980794995e1c5e21e292`，使用 `openai/gpt-5.6-luna`，补丁尚未合入上游。
+
+- [Evidence manifest](validation/exp9-8-hermes-gpt56luna-autonomous-20260802-v2/manifest.json)
+- [Hermes 自述报告](validation/exp9-8-hermes-gpt56luna-autonomous-20260802-v2/BOOK_SELF_EVOLUTION_REPORT.md)
+- [最终修改补丁](validation/exp9-8-hermes-gpt56luna-autonomous-20260802-v2/hermes-self-evolution.patch)
+- 原始主运行、三轮 proposer 修正与四次 fresh acceptance review transcript 位于
+  [`raw/`](validation/exp9-8-hermes-gpt56luna-autonomous-20260802-v2/raw/)
+
+证据边界：这次运行证明了 Agent 能阅读、审计、生成代码提案并根据外部审查纠错；它**没有**
+证明新的轨迹学习信号提升了下游任务成功率。Hermes 在报告中设计了固定任务、固定模型、逐项关闭功能的
+消融 campaign，但本次没有执行，因此不能把“完成自我更新闭环”写成“下游任务已经变强”。
+
+## 复现
+
+要求：Git、`uv`、Python 3.12，以及 `OPENROUTER_API_KEY`。Hermes 使用自己的隔离环境，
+不依赖根项目的 Chapter 8 extra。
+
+```bash
+cd chapter8/hermes-self-evolution
+cp env.example .env
+# 把真实 OPENROUTER_API_KEY 放入当前 shell 或未跟踪的 .env；不要提交。
+set -a && source .env && set +a
+
+python run_experiment_9_8.py --run-id your-run-id
+```
+
+主运行会把 clone 放在忽略的 `worktree/`，把 Hermes 状态放在忽略的 `.hermes-home/`，并把
+去凭据的证据写到 `validation/<run-id>/`。每次开放式运行可能选择不同改进，因此必须先独立审查实际
+实际提案，再把具体反馈写成新的 review task 交回 proposer。Canonical 运行的三轮反馈保存在
+`review_task_autonomous_1.md` 至 `review_task_autonomous_3.md`：
+
+```bash
+python run_review_pass.py --run-id your-run-id --task your-review-task.md --output review-1.txt
+python run_acceptance_review.py --run-id your-run-id --round 1
+```
+
+审查 Prompt 针对 canonical 提案的具体缺陷；如果新运行生成了不同实现，应先独立检查再编写
+对应反馈，而不是机械套用。`acceptance_review.md` 与 `run_acceptance_review.py` 提供 fresh
+terminal gate；被拒后应把具体问题作为新的 review task 返回 proposer，再用新的 reviewer
+home 重跑。`finalize_evidence.py` 用于 canonical 证据收口，包括终局 `ACCEPT` 检查、测试、
+补丁可应用性和凭据形状扫描。
+
+普通离线预检不需要 API key：
+
+```bash
+python -m py_compile run_experiment_9_8.py run_review_pass.py run_acceptance_review.py finalize_evidence.py
+python run_experiment_9_8.py --help
+```
+
+## English summary
+
+What happens when an agent reads a book about agent evolution and then looks back at
+its own code? Reader Grace contributed the experiment idea. We gave Hermes this entire
+book and access to its own source, but no candidate improvement or alleged gap. Hermes
+read the chapters, inspected itself, chose one useful improvement, and implemented it.
+
+Hermes independently chose to add evidence-backed learning signals to saved execution
+trajectories. The first version was not accepted. Each independent Reviewer rejection
+became the next lesson: Hermes read the feedback, changed its code again, and sent a new
+version for fresh review. Three reviews found more work; the fourth accepted the result,
+and 44 focused tests passed. The experiment completes a real loop: **read → compare →
+choose → change → review → learn → change again**. Whether the new feature improves
+downstream performance remains a separate question for an ablation experiment.