Hermes Agent Token优化技巧：算力敏感人群省钱榜单

算力预算敏感的用户最担忧的并非模型回答的准确性，而是每次点击发送后账户消耗数字飙升的速度——Hermes Agent 后台默认加载了9个辅助模型、全部技能描述以及长达3个月的对话历史，这些组件在持续吞噬Token。无需更换模型或重写代码，只需以下5处精准调优，即可将Token开销从“按秒计费”压缩至“按需分配”。

禁用闲置技能，清空高额冗余上下文

每个启用的技能都会将其 SKILL.md 的完整内容注入每次请求上下文，1个技能≈200–800 tokens，10个未启用的技能就意味着一次微型Token海啸。

打开 ~/.hermes/config.yaml → 定位 skills: 下的已启用列表 → 逐项检查每项技能近7天是否被调用过（执行 hermes skill list --used-last-7d 查询）。

【禁用操作不可逆：删除前务必确认该技能未被任何自动化流程依赖】

对确定不用的技能行前添加 # 注释，例如：# - web_get；保存后重启Agent，下次请求上下文即刻缩减对应长度。

为9类辅助任务单独分配轻量模型

视觉分析、网页提取、上下文压缩、会话搜索……这9类后台任务默认复用主模型，但它们完全不需要DeepSeek-R1级别的推理能力——使用 gpt-4o-nano 或 gemini-flash 即可，成本降低85%。

方法一：全局轻量化配置
在 ~/.hermes/config.yaml 中添加 auxiliary 块：

auxiliary:
  vision: gpt-4o-nano
  web_extract: gemini-flash
  compression: gpt-4o-nano
  session_search: gpt-4o-nano
  skills_hub: gpt-4o-nano
  approval: gpt-4o-nano
  mcp: gemini-flash
  flush_memories: gpt-4o-nano
  title_generation: gpt-4o-nano

方法二：按密钥池策略动态路由
若你已配置Z.AI密钥池，可在 credential_pool_strategies 下为 auxiliary 单独设定模型路由：

credential_pool_strategies:
  zai: least_used
  auxiliary_models:
    vision: zai-gemini-flash
    web_extract: zai-gpt4o-nano

执行此步后，后台9个“隐性烧钱点”全部转入低成本通道。

启用四层记忆架构，切断历史注入源头

第一步：冻结核心记忆
将最关键的项目上下文写入 ~/.hermes/MEMORY.md，严格控制在800 tokens以内；在 config.yaml 中设置 memory: core_file: "MEMORY.md"。

第二步：清空长时记忆缓存
执行 hermes memory flush --older-than 90d 清理90天前所有SQLite日志；保留的长期记忆仅通过语义检索召回摘要，不再全量注入。

第三步：关闭用户画像自动更新
在 config.yaml 中设 user_profile: auto_update: false，避免每次对话都在追加新偏好字段。

第四步：技能库按需加载
确认已启用渐进式加载：skills: load_strategy: "on_demand"，确保默认只传递技能名+20字符描述，完整SKILL.md仅在触发时加载。

完成这四步后，基础上下文稳定压在1500 tokens内，技能数量翻倍也不会推高开销。

限制输出长度并植入终止锚点

问答类任务设 max_completion_tokens=128，结构化提取类强制设为32——这不是拍脑袋，而是经过A/B测试验证的临界值。

在用户指令末尾硬性追加终止信号：
“输出完毕，无需补充说明。”
“JSON格式闭合后立即停止，不加注释。”
“只返回纯数字结果，不带单位、不加句号。”

模型看到这些锚点会显著降低补全倾向；配合流式响应（stream: true），客户端检测到“}”或“```”后可立即中断连接，避免接收冗余尾部。

开启系统提示词缓存与滑动窗口压缩

第一步：启用Anthropic兼容缓存
在 config.yaml 中添加：

prompt_caching:
  enabled: true
  cache_system_prompt: true
  ttl: 3600

第二步：调整压缩阈值
将 compression.threshold 从默认0.5提高至0.75，避免过早压缩丢失关键上下文；同时设 protect_last_n: 30，确保最近30轮对话始终完整保留。

第三步：启用滑动窗口截断
在 context_window 设置中加入 sliding_window: true，并设 window_size: 8，这样Agent只维护最近8轮交互，旧内容自动淘汰。

这三步叠加后，系统提示词实现零重复消耗，长会话Token增长曲线被彻底压制。

来源：互联网