Hermes Agent

一、简介

Hermes Agent 是由 Nous Research（开发了 Nous-Hermes 系列模型的知名 AI 研究团队）于 2026 年 2 月底正式发布的开源 AI Agent 框架，采用 MIT 许可证，GitHub Star 数已突破 4.8 万，是近期增长最快的开源 Agent 项目之一。官方定位为 "会自我进化的 AI Agent"（The self-improving AI agent），核心设计围绕闭环学习机制展开 —— 完成任务后自动提取经验、生成可复用的 Skill 文档，并在后续任务中持续精炼这些 Skills，实现 "越用越聪明" 的效果，而非每次对话从零开始GitHub。

与传统 Agent 框架不同，Hermes Agent 的核心出发点是：Skills 应该由 Agent 自己从经验中生成，并在使用中持续精炼，而非人工维护的 prompt 模板库。

二、核心功能特性

1. 闭环学习系统（核心卖点）

• 技能自动生成与精炼：任务完成后自动评估方法是否非平凡，提取推理过程形成命名 Skill，后续遇到相似任务主动搜索并引用，用得多的 Skill 会越来越准
• 三层记忆架构：
  • 工作记忆：当前会话的 context window
  • 跨会话召回：SQLite FTS5 全文检索 + LLM summarization，精确召回而非模糊匹配
  • Honcho dialectic user modeling：主动更新用户认知，形成跨时间用户画像，记住工作习惯、偏好和技术栈GitHub
• 兼容 agentskills.io 开放标准：积累的 Skills 可在生态中分享，非私有格式黑盒

2. 全面的模型与平台支持

• 200+ LLM 提供商：OpenRouter、Anthropic、OpenAI、本地 Ollama、Nous Portal 等，切换只需hermes model命令，零代码改动GitHub
• 14 种消息平台接入：Telegram、Discord、Slack、WhatsApp、Signal、Matrix、DingTalk、Feishu 等
• 6 种终端运行后端：local、Docker、SSH、Daytona、Singularity、Modal（serverless 模式空闲时休眠，按需唤醒，成本极低）GitHub

3. 强大的自动化与工具能力

• 内置 cron 调度器：自然语言配置定时任务（如 "每天早上 8 点推送 Hacker News AI 简报"），无人值守运行GitHub
• 47 个内置工具 + 37 个 toolset：支持 MCP 动态接入，按场景组合工具集
• 子 Agent 并行化：生成隔离的子 Agent 处理并行工作流，Python 脚本可通过 RPC 调用工具，减少上下文成本GitHub

4. 终端与交互体验

• 全功能 TUI 界面：多行编辑、斜杠命令自动补全、对话历史、中断重定向、流式工具输出GitHub
• 跨平台对话连续性：支持语音备忘录转录，不同平台间保持对话一致GitHub
• 研究就绪：批量轨迹生成、Atropos RL 环境、轨迹压缩用于训练下一代工具调用模型GitHub

三、详细安装与使用说明

1. 安装准备

• 操作系统：Linux、macOS、WSL2（Windows 原生不支持，需安装 WSL2）GitHub
• 网络：可访问 GitHub 与大模型 API
• API Key：OpenAI、Anthropic、OpenRouter 等任一平台密钥

2. 安装

一键安装（推荐）

打开终端执行：

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

脚本自动完成：

• 安装 Python 3.11、Node.js v22
• 安装 ripgrep、ffmpeg 等依赖
• 配置全局 hermes 命令

生效环境变量：

# Bash 用户
source ~/.bashrc
# Zsh (macOS 默认)
source ~/.zshrc

验证安装：

hermes doctor

全部显示 绿色 ✓ 即成功。

手动安装（进阶）

安装 uv 包管理器

pip install uv

克隆仓库

git clone https://github.com/NousResearch/hermes-agent.git
cd hermes-agent

创建虚拟环境

uv venv
source .venv/bin/activate  # Linux/macOS
# .venv\Scripts\activate  # Windows (Cmd/PowerShell)

安装完整依赖

uv pip install -e ".[all]"

3. 初始化配置

hermes setup # 启动完整向导，配置provider、tools、gateway等

推荐优先级：OpenRouter（覆盖最广）> Anthropic 直接接入（Claude 系列）> Nous Portal（零配置）

4. 常用命令速查

命令	功能
hermes	启动交互式 CLI 会话GitHub
hermes model	切换 LLM 提供商 / 模型，无需重启
hermes tools	按平台开关工具集
hermes gateway	启动消息网关（连接 Telegram 等平台）
hermes doctor	诊断配置问题
hermes update	更新到最新版本
hermes claw migrate	从 OpenClaw 迁移配置和数据
/skills	查看积累的 Skills 列表
/insights	查看自我学习面板，显示技能创建和使用情况GitHub

5. 接入 Telegram（推荐第一步）

hermes gateway setup # 选择Telegram，按提示获取Bot Token
hermes gateway start # 启动网关

实现手机发消息、VPS 跑任务、结果推送的完整移动端体验

6. 新用户推荐使用流程

1. 完成安装和 Telegram 配置
2. 第一周专注体验三个核心功能：
   • Skills：做复杂任务（代码重构、数据整理），用/skills查看自动生成情况
   • Cron 自动化：配置 1-2 个日常任务，观察 Skills 积累带来的效率提升
   • 跨会话搜索：询问历史对话内容，测试 FTS5 精确检索效果
3. 三周后评估效果，决定是否扩大使用范围

7. 迁移自 OpenClaw

Hermes 提供一键迁移工具，可导入 SOUL.md、记忆、Skills、API 密钥、消息配置等：

hermes claw migrate # 交互式迁移
hermes claw migrate --dry-run # 预览迁移内容
hermes claw migrate --preset user-data # 仅迁移用户数据不包含密钥{insert\_element\_14\_}

四、Hermes Agent vs OpenClaw：架构哲学的根本差异

对比维度	Hermes Agent	OpenClaw
核心定位	Agent-loop-first（执行 - 学习 - 改进循环为中心）	Gateway-first（中心化控制器为中心）
Skills 机制	自动从经验生成并持续精炼	人工维护的 prompt 模板库（44000 + 社区 Skills）
记忆系统	三层记忆架构，跨会话精确召回，用户建模	基础 context 持久化，无结构化经验积累
代码语言	Python（存在巨石文件问题：run_agent.py 9200 行）	TypeScript（模块化设计）
平台覆盖	14 种消息平台，47 个内置工具	50 + 消息平台，44000 个社区 Skills
适合场景	个人深度工作流，有重复性的长期任务	广泛平台接入，团队协作，一次性任务
使用效果	重复性任务速度提升约 40%，越用越准	每次执行类似任务需重新配置，无积累效果

核心结论：OpenClaw 是 "接入一切"的工具，解决的是" 接入问题 "；Hermes 是"记住一切"的伙伴，解决的是" 经验积累问题 "。它们不是替代关系，可并行部署 ——OpenClaw 处理消息路由，Hermes 处理深度任务。

五、Hermes Agent vs 普通 Agent：本质区别

Hermes Agent 与普通 Agent（如 AutoGPT、传统 LangChain Agent 等）的核心差异在于从 "执行工具" 到 "成长伙伴" 的范式转变：

1. 学习机制的本质不同

• 普通 Agent：会话结束 context 清零，经验消失，每次任务从零开始，需要用户反复教授相同内容
• Hermes Agent：内置闭环学习系统，主动提炼经验形成可复用 Skills，跨会话积累知识，真正实现 "用进废退"

2. 记忆系统的革命性升级

• 普通 Agent：记忆通常作为 "上下文注入"，简单存储聊天记录，检索效率低，无用户建模
• Hermes Agent：三层记忆架构 + 精确全文检索 + 用户建模，构建跨时间的用户深度模型，记住习惯和偏好

3. 控制权与智能分配

• 普通 Agent：≈100% 用户控制，被动等待指令，缺乏自主决策和改进能力
• Hermes Agent：≈80% 用户 + 20% 系统智能，主动提出优化建议，自主创建和精炼 Skills，具备 "元认知" 能力

4. 长期价值创造模式

• 普通 Agent：单次任务价值，完成即结束，无长期积累效应
• Hermes Agent：复利价值，使用时间越长，Skills 和记忆积累越丰富，效率提升越明显，形成 "个人专属 AI 助手"

六、未来发展前景与展望

1. 短期发展方向（6-12 个月）

• 完善中文文档和社区支持，提升对国内用户的友好度
• 优化架构解决巨石文件问题，提升模块化程度和可维护性
• 增强企业级功能，提升并发处理能力，拓展团队协作场景
• 优化模型兼容性，降低本地部署门槛，支持更多国产模型

2. 长期发展前景（1-3 年）

• 成为 AI Agent 领域核心开源框架：推动自进化 AI 理念普及，影响行业标准制定
• 数字伙伴形态演进：结合隐私计算、边缘计算等技术，成为用户的 "个人数字伙伴"，深度融入日常生活和工作
• 垂直行业落地：在软件开发、科研、医疗、法律等领域形成专业解决方案，为行业注入生产力动力
• 与其他 AI 技术融合：结合多模态模型、具身智能、智能体协作等前沿技术，拓展应用边界

3. 面临的挑战

• 架构技术债：巨石文件问题影响开发效率和社区贡献度
• API 成本控制：agentic 工作流天然 token 消耗高，需要优化提示词和推理流程降低成本
• 安全与隐私问题：自主学习和决策能力带来新的安全风险，需要加强权限控制和审计机制GitHub
• 社区生态建设：与 OpenClaw 庞大生态相比仍有差距，需要吸引更多开发者贡献 Skills 和插件

4. 适用与不适用场景总结

适合场景	不适合场景
个人开发者的长期生产力工具	团队产品集成（架构尚未成熟）
有重复性的同类任务（Skills 积累有价值）	代码洁癖工程师（巨石文件问题）
愿意花初始配置时间换取长期收益	想要开箱即用，追求零配置体验
对 OpenClaw"每次从零开始" 感到厌倦	需要广泛中文消息平台（如 WeChat、QQ）

总结

Hermes Agent 以 "自进化"理念颠覆了传统 AI Agent 的发展轨迹，解决了传统 AI" 健忘 "、" 机械 "、" 千人一面 "的核心痛点。它不是简单的工具调用框架，而是能够持续积累经验、理解用户需求、自主优化能力的" 成长伙伴 "。虽然目前存在架构技术债、中文支持不足等挑战，但随着社区发展和技术迭代，Hermes Agent 有望成为 AI Agent 领域的核心力量，推动 AI 从" 执行工具 "向" 数字伙伴 " 的终极形态演进。