Hermes Agent v0.15.0 重写了 session_search，彻底移除 LLM 依赖，搜索速度提升 4500 倍，成本从每次 $0.30 降到完全免费。这是 2026 年 AI Agent 工具赛道最被低估的性能突破。
问题：AI 记得越多，找得越慢
用 Hermes Agent 超过一个月的用户都会遇到同一个痛点：会话太多，找不到历史对话。
v0.14 及之前版本的做法是——每次搜索都调用一个辅助 LLM 来理解你的查询意图，然后在整个会话库里检索。听起来很智能，但实际上：
| 指标 | 旧版 session_search | 问题 |
|---|---|---|
| 成本 | ~$0.30/次 | 搜 10 次就要 $3，比 ChatGPT Plus 月费还贵 |
| 速度 | ~30 秒/次 | 等一杯咖啡的时间，心流全断 |
| 准确性 | 偶尔胡编 | LLM 有时会"编造"不存在的会话 |
| 复杂度 | 需要 mode 参数 + companion skill | 使用门槛高 |
"我用 Hermes 就是为了省成本，结果搜索本身比调用 GPT-5 还贵。"——这是一位 HN 用户的原话，获得了 200+ 点赞。
解决方案：session_search 重写
v0.15.0（2026年5月28日发布，代号 The Velocity Release）彻底推翻了旧架构。核心思路：不用 LLM 做搜索，用纯字符串匹配 + 三模式分离。
新架构三模式
┌─────────────────────────────────────────────────┐
│ session_search v2 │
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────────┐ │
│ │discovery │ │ scroll │ │ browse │ │
│ │ ~20ms │ │ ~1ms │ │ instant │ │
│ │ 全局搜索 │ │ 滚动加载 │ │ 浏览会话 │ │
│ └──────────┘ └──────────┘ └──────────────┘ │
│ │
│ 零 LLM 调用 · 零 API 成本 · 无 mode 参数 │
└─────────────────────────────────────────────────┘
关键变化：
- ❌ 不需要 mode 参数
- ❌ 不需要辅助 LLM
- ❌ 不需要配置开关
- ❌ 不需要配套 skill
- ✅ 一个工具，三种操作模式，自然切换
实战：三种模式怎么用
模式 1：Discovery（全局搜索）
当你记得某个关键词但不确定在哪个会话里：
你：帮我找一下之前讨论「邮件自动化」的对话
Hermes 自动调用 session_search：
→ discovery 模式扫描所有会话标题和摘要
→ 20ms 返回匹配列表
→ 列出「邮件自动化工作流搭建 (3天前)」「用 Resend API 发 Newsletter (1周前)」
实际命令（在 Hermes 对话中直接询问即可，Agent 自动使用工具）：
"搜索我讨论过 MCP 协议的所有会话"
"找一下上个月关于部署的对话"
"有没有聊过飞书机器人的 session"
模式 2：Scroll（滚动翻页）
当结果太多，一屏显示不下时：
你：继续 / 下一页
Hermes 调用 scroll 模式：
→ ~1ms 返回下一批结果
→ 保持搜索上下文，无需重新发起查询
这是旧版最大的痛点之一——每次翻页都要重新调 LLM，再花 $0.30 和 30 秒。
模式 3：Browse（浏览会话）
当你已经定位到目标会话，想查看具体内容：
你：打开第 3 个，看看当时的结论
Hermes 调用 browse 模式：
→ 直接加载该会话的关键消息
→ 无需重新搜索，无需 LLM 理解
性能数据：实打实的提升
| 维度 | 旧版 (v0.14) | 新版 (v0.15) | 提升 |
|---|---|---|---|
| discovery 延迟 | ~30s | ~20ms | 1500× |
| scroll 延迟 | ~30s | ~1ms | 30,000× |
| 单次 API 成本 | ~$0.30 | $0 | 免费 |
| 月度搜索成本(50次) | ~$15 | $0 | 省$180/年 |
| 准确率 | 偶尔幻觉 | 精确匹配 | 100%可靠 |
| 配置复杂度 | mode+skill | 零配置 | 开箱即用 |
注：4500× 是综合加速比（含 discovery + scroll 的加权平均）。原始 PR #27590 的数据。
为什么这对一人公司至关重要
如果你是一个 AI 创业者，用 Hermes 跑日常任务——写代码、写文章、做客服——你的会话数可能已经上千条。
场景 1：找回三周前的部署方案
场景：你的 SaaS 产品需要加一个新功能，你记得三周前 Hermes 帮你写过一个类似的部署脚本。
旧版做法：
1. 输入搜索 → 等 30 秒 → $0.30
2. 结果不对 → 换个关键词 → 再等 30 秒 → 再花 $0.30
3. 找到了 → 但 LLM 只给了摘要，没看到完整对话
4. 总耗时：2 分钟 + $0.90
新版做法：
1. 输入 "部署脚本 Docker Compose" → 20ms → 命中
2. 一句 "打开看看" → browse 模式 → 完整对话呈现
3. 复制当时生成的 docker-compose.yml，改几行直接用
4. 总耗时：10 秒 + $0
场景 2：日报/周报自动素材提取
场景：每周需要写工作周报，回顾本周通过 Hermes 完成的关键任务。
做法：
1. "搜索本周关于「完成」的会话"
2. session_search discovery → 15ms → 列出所有含"完成"标记的任务会话
3. 逐条浏览关键结论 → 整理成周报要点
4. 全程 2 分钟，零成本
对比旧版：搜索 5-10 次，$1.50-$3.00 成本，5-10 分钟耗时
底层实现：为什么能快 4500 倍
核心洞察：会话搜索不需要"理解"语义——需要的是精确的字符串匹配和高效的索引。
旧版 LLM 方案的问题链：
用户查询 "MCP 协议"
↓ 调用 LLM（网络往返 500ms+）
LLM 理解意图，生成搜索策略
↓ 调用 LLM（又 500ms+）
LLM 执行检索，筛选结果
↓ 调用 LLM（又 500ms+）
LLM 生成摘要 → 返回给用户
───────────────────────────────
总计：3+ 次 LLM 调用，$0.30，30 秒
新版直接匹配方案：
用户查询 "MCP 协议"
↓ 字符串匹配（本地，0ms）
命中会话标题/摘要中的 "MCP"
↓ 排序 + 截断（本地，<1ms）
返回匹配列表
───────────────────────────────
总计：0 次 LLM 调用，$0，~20ms
技术要点（来自 PR #27590）：
- 使用 SQLite FTS5 全文索引
- 会话标题和摘要预先分词存储
- 搜索时直接在本地数据库匹配
- 结果按相关性 + 时间排序
- 支持中文分词（jieba 集成）
升级指南
如果你已经在用 Hermes
# 1. 升级到最新版
pip install --upgrade hermes-agent
# 2. 确认版本
hermes --version
# 应输出：hermes-agent 0.15.1 或更高
# 3. 直接使用——无需任何配置
# 在对话中说 "搜索关于 Docker 的会话" 即可
# 4. （可选）重建搜索索引以获得最佳性能
hermes session reindex
如果你还没用过 Hermes
# 安装
pip install hermes-agent
# 初始化
hermes init
# 配置 API key（可以用 Bitwarden 新功能一键管理！）
hermes config set provider.openai.api_key sk-xxx
# 开始使用
hermes chat
注意事项
- 索引建立：首次升级后，Hermes 会自动对现有会话建立 FTS5 索引（可能需要几秒到几分钟，取决于会话数量）
- 中文搜索：FTS5 + jieba 分词，中文关键词搜索同样支持，实测准确率很高
- 私密性：搜索完全在本地执行，不会发送任何数据到外部服务
- 已知问题：v0.15.0 有一个 dashboard 401 无限重载的 bug，已在 v0.15.1 修复，建议直接升到 v0.15.1+
总结
session_search 重写是 Hermes Agent v0.15.0 最被低估的功能。它没有炫酷的 UI 变化，没有新模型接入，但它解决了一个所有重度用户都会遇到的刚需问题——如何在数百个会话中快速找到关键信息。
从 $0.30 到免费，从 30 秒到 20 毫秒，从偶尔胡编到精确匹配——这三项改进加起来，对于每天使用 Hermes 数小时的一人公司创业者来说，一年能省下 $180+ 的搜索成本，节省 10+ 小时的等待时间。
这才是 AI Agent 工具进化的正确方向：不是加更多模型，而是把已有功能的性能和成本优化到极致。