新闻详情

新闻详情

首页 / 资讯中心 / 详情

如何从Hermes和Claude Code一键迁移到Raven:冷启动导入器配置搬迁全解

发布时间:2026/11/14 16:27:25来源:尧图网络
如何从Hermes和Claude Code一键迁移到Raven:冷启动导入器配置搬迁全解
如何从Hermes和Claude Code一键迁移到Raven冷启动导入器配置搬迁全解【免费下载链接】RavenThe Harness of Harnesses: a trusted, persistent, self-evolving multi-agent ecosystem for all-domain collaboration.项目地址: https://gitcode.com/gh_mirrors/raven35/RavenRaven 是 EverMind 打造的自进化多智能体生态系统其内置的冷启动导入器Cold-Start Importer可以把你在 Hermes、Claude Code 等 AI 工具中积累的记忆文件、对话历史和个人技能一键搬迁进来让你的新助手带着老记忆即刻开工。本文用 3 步讲清从扫描、执行到监控的完整迁移流程新手也能照做。为什么需要冷启动迁移 新装的 AI 助手最大的痛点是失忆你在 Hermes 里养成的个人偏好、在 Claude Code 里沉淀的项目记忆不会自动跟着你走。Raven 的导入器就是为了解决这个问题记忆文件偏好、项目知识→ 写入 Raven 的长期记忆EverOS 记忆后端对话历史完整聊天记录→ 作为会话素材一并归档个人技能Skills→ 复制进本地技能池之后按相关性自动注入用户画像如 Hermes 的USER.md→ 镜像为 Raven 的user.md档案整套流程实现在 raven/importer/ 模块核心入口是 raven/cli/import_commands.py 中的raven import命令组。支持迁移哪些来源能搬走什么 导入器目前支持 5 个平台定义见 raven/importer/types.py平台记忆文件对话历史技能树Hermes✅USER.md/MEMORY.md✅ 已结束的会话✅Claude Code✅ 项目/全局记忆✅ 会话 JSONL✅~/.claude/skillsCodex / Kimi Code / OpenClaw✅✅—两个关键概念决定了你要搬多少数据来源类型memory_file快分钟级与conversation慢小时级见 SourceKind导入档位Tiermemory_files只搬记忆技能低 LLM 成本full连对话历史一起搬高 LLM 成本见 Tier 新手建议先用memory_files档位快速起步之后再按需补跑full。三步完成一键迁移 第 1 步扫描预览 ——raven import scan执行前先体检看机器上有哪些可导入的数据raven import scan命令会输出一张表格列出每个平台的来源键、文件数、体积并统计记忆文件与对话的总数逻辑见 scan_cmd。只关心某个平台时加参数过滤raven import scan --platform hermes第 2 步执行导入 ——raven import run一条命令走完扫描 → 选择 → 执行全流程入口见 run_cmdraven import run交互式界面会引导你做两个选择选平台每一行都标明了该平台能带来多少记忆文件、对话和技能不是盲选选档位Memory files only分钟级低 LLM 成本或Full import小时级高 LLM 成本确认后进度条会实时显示[n/total] 平台/来源键的导入进度随后进入两个收尾阶段镜像用户画像Mirroring profile和安装技能Installing skills二者各有独立进度条不会卡在 100% 不动。不想交互用参数一把梭例如只搬 Hermes 的记忆文件raven import run --platform hermes --tier memory_files --yes⚠️ 前提需要先跑过raven onboard配置好记忆后端默认是 EverOS 插件否则会提示No memory backend configured。第 3 步查看进度 ——raven import status导入支持后台长跑随时查看状态raven import status会展示总体进度条、按平台的提交/失败/剩余明细、耗时以及失败项清单和日志路径加--json可输出原始数据供脚本处理实现见 status_cmd。想中途叫停raven import stop正在处理的条目会先跑完剩余条目跳过——下次raven import run接着搬即可。迁移的数据去了哪里 这是很多用户最关心的问题答案分三条路径见 raven/importer/phases.py消息通道记忆文件与对话被切分为每批 10 条 / 3 万字符的小批写入 EverOS 记忆后端批间自动重试30s / 60s / 120s 退避见 orchestrator.py。小批量是为了把单次提取成本压在预算内避免大批量整批失败拖死后面所有来源。画像镜像Hermes 的USER.md条目、Claude Code 中标记为user/feedback的记忆会经 LLM 分类后写入user_memory/profile/user.md供个性化模块直接读取。技能安装Hermes 技能树与 Claude Code 的~/.claude/skills会被复制到工作区skills/池按平台分目录存放工厂自带技能保持原样不动重复导入自动跳过见 installer.py。新手常见问题 FAQ ❓Q1中断了怎么办会重复导入吗不会。导入器把每个来源的状态记录在~/.raven/import_state.json状态机是幂等的见 ImportState。已导入的条目会显示为Skipped (already imported)失败的条目重跑raven import run即可重试。Q2Hermes 的当前进行中会话会被搬吗不会。Hermes 扫描器只列出已结束的会话复用了 Hermes 自身的sessions export --dry-run见 hermes.py进行中的会话按数据源定义天然不在候选之列。Q3扫描报错 Could not scan Hermes通常是 Hermes 可执行文件不在 PATH 上把它加入 PATH 重跑即可其他平台不受影响。Q4Claude Code 的记忆是怎么识别的扫描器按 frontmatter 区分MEMORY.MD、项目知识、用户偏好等类型并以自然语句包装后注入记忆保证语义自洽见 claude_code.py。写在最后 ✨Raven 冷启动导入器把换工具 从零开始变成了三条命令的事scan预览、run执行、status跟踪全程可中断、可续跑、可重试。迁移完成后你的偏好、记忆和技能都已在 Raven 的多智能体生态中就位——从 Hermes 和 Claude Code 出发的冷启动一次搞定。更多命令细节可查阅 raven/importer/ 源码与 docs/。【免费下载链接】RavenThe Harness of Harnesses: a trusted, persistent, self-evolving multi-agent ecosystem for all-domain collaboration.项目地址: https://gitcode.com/gh_mirrors/raven35/Raven创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉