Codex接入Hermes后无法识别系统提示词

背景

近期，在 LINUX DO 社区的 AI 技术讨论区中，一位用户反馈在使用基于 Hermes 模型的 AI 编程助手时遇到了严重的上下文丢失问题。该用户此前一直正常使用 Codex 模型接入 Hermes 进行开发工作，但在某个时间点（昨日夜间）突然遭遇模型无法正确识别系统提示词（System Prompt）的故障。

具体表现为：当用户询问“你是谁”或“我是谁”时，Hermes 无法正确调用其预设的基本设定（如“我是小助手，在你的电脑里运行...”），也无法识别用户作为“老板和决策者”的角色定位。相比之下，切换至 deepseek-v4-flash 模型时，该功能表现正常。这一异常导致 AI 助手在代码代理、工作区规则理解以及身份认知上出现严重偏差，甚至被用户形容为“完全用不了”。

核心内容

该帖文详细描述了故障现象、对比测试及临时解决方案，核心事实如下：

1. 故障现象：

   • 在接入 Hermes 时，Codex 模型突然不再读取系统提示词。
   • 当被问及身份时，Hermes 无法回答“我是谁”或“你是谁”，甚至不知道当前工作区的规则。
   • 用户尝试使用 gpt-5.4 模型，同样出现无法回答身份、不知道当前工作区规则的情况。

2. 对比测试：

   • 用户切换至 deepseek-v4-flash 模型后，AI 能够正确回答身份相关问题，表明问题可能局限于特定模型或配置，而非硬件或网络完全中断。

3. 交互细节对比：

   • 正常状态（预设设定）：Hermes 应回答：“我是小助手，在你的电脑里运行，负责 xxxxxx 的 xxxxx 工作。你是 xxxx，我的老板和决策者。”
   • 故障状态（实际表现）：Hermes 回答：“我是你的代码代理，当前这次会话里负责读代码、改代码、跑命令、验证结果。你是谁，我没有稳定身份信息，除非你告诉我。就这段对话来看，你是当前工作区的用户，正在和我协作。”
   • 后续 Hermes 试图从系统关系、工程协作、哲学三个层面解释用户身份，但最终承认“没有更多关于你的持久身份信息”，并指出如果问题是测试上下文记忆，它目前仅知道这些基础信息。

4. 临时解决方案：

   • 用户发现，只有当主动要求 Hermes 读取 SOUL.md 和工作区的 HERMES.md 文件后，AI 才能恢复记忆和正常功能。
   • 这表明模型并非完全“降智”，而是未能自动加载或识别这些关键配置文件作为上下文来源。

5. 技术环境：

   • 用户使用的中转服务为 Krill，并评价其“还是挺好用的”。
   • 故障原因不明，用户推测可能是 Hermes 模型本身、中转站服务或 API 接口存在问题。

关键要点

• 上下文加载失效：Hermes 模型在特定时间点出现无法自动读取系统提示词和工作区规则（如 SOUL.md、HERMES.md）的故障，导致身份认知和角色定位丢失。
• 模型特异性：故障并非普遍存在，deepseek-v4-flash 模型在相同环境下表现正常，而 gpt-5.4 也出现了类似问题，暗示可能与模型版本、API 状态或特定配置有关。
• 手动恢复机制：通过显式指令要求 AI 读取本地 Markdown 配置文件（SOUL.md、HERMES.md）可暂时恢复功能，说明上下文信息本身存在，但未被自动注入。
• 故障归因模糊：用户无法确定是 Hermes 模型端、Krill 中转站还是底层接口的问题，体现了 AI 应用栈中多层组件耦合带来的调试复杂性。
• 用户体验影响：此类故障导致 AI 助手从“智能代理”退化为“无状态工具”，严重影响开发效率和用户体验，被用户视为严重可用性问题而非简单的“降智”。

意义与影响

1. AI 助手稳定性挑战：该案例揭示了当前 AI 编程助手在上下文管理（Context Management）方面的脆弱性。即使模型本身能力强大，若提示词注入、文件读取或会话状态维护出现波动，用户体验将急剧下降。
2. 工作流依赖风险：用户依赖 SOUL.md 和 HERMES.md 等文件定义 AI 行为，这种“配置即提示”的工作流虽灵活，但高度依赖 AI 能自动、可靠地解析这些文件。一旦自动加载机制失效，用户需手动干预，破坏了自动化体验。
3. 调试复杂性增加：由于涉及模型提供商（Hermes、OpenAI、DeepSeek）、中转服务（Krill）和本地配置，故障定位变得困难。用户需具备区分模型层、接口层和应用层问题的能力，这对普通开发者构成门槛。
4. 对 AI 代理设计的启示：该事件凸显了“持久身份”和“上下文记忆”在 AI 代理中的重要性。当前模型在缺乏显式指令时难以维持稳定身份，提示开发者需设计更健壮的上下文恢复机制，或考虑将关键设定硬编码至系统提示中，而非仅依赖外部文件。
5. 社区反馈价值：此类来自真实使用场景的故障报告，有助于模型提供商和中转服务开发者识别潜在 bug 或配置缺陷，推动 AI 工具链的稳定性改进。