本文以开源框架 Hermes 为例，系统解析了 Agent（智能体）的概念、核心能力（理解、规划、工具调用、记忆、反思），并详细拆解了其架构设计，包括 LLM 决策引擎、工具系统、记忆模块、规划策略、执行器等关键组件。文章还对比了 Agent 与 ChatBot 的区别，探讨了最小可落地架构、设计思想及学习方向，旨在帮助程序员小白快速掌握 Agent 技术，构建自主执行的 AI 系统。

以 Hermes 为例，从 0 到 1 理解 Agent 的组成、原理与设计方法

面向工程实践的 Agent 系统通俗讲解

AI · AGENT

Agent（智能体）是 AI 领域近年来最重要的概念之一。简单来说，Agent 是一个能理解你的意图、拆解任务、调用工具、执行操作并自我修正的 AI 系统——它不仅能回答问题，还能帮你把事做完。这篇文章以开源框架 Hermes 为例，从架构到模块，一步步讲清楚 Agent 到底是什么、由哪些部分组成、如何设计自己的 Agent 系统。

01	/ 什么是 Agent？

Agent（智能体）可以这样理解：一个能够「理解任务 → 规划步骤 → 调用工具 → 执行任务 → 反思优化」的 AI 系统。它和普通的聊天机器人（ChatBot）有本质区别。

对比维度	ChatBot	Agent
交互模式	一问一答	多轮自主推理
工具调用	没有	有（API/文件/代码）
状态管理	无状态	有状态（上下文/进度）
记忆能力	仅限当前对话	跨会话持久记忆
自我修正	无	可反思、重试、调整策略

重点结论	ChatBot 是一个「问答机」，Agent 是一个「执行系统」。核心区别在于 Agent 具备工具调用和自主推理能力。

02	/ Agent 的核心能力

业界公认的 Agent 核心能力框架包含五项，缺一不可。注意：这些是概念框架，并非 Hermes 源码中的模块名称。其中第 5 项"反思"并非独立运行时组件，而是 LLM + 工具结果回传循环（ReAct）的固有特性。

核心能力

01理解能力Comprehension ← 读懂用户到底想干什么

02规划能力Planning ← 把复杂任务拆解成可执行的步骤

03工具能力Tool Use ← 调用外部系统执行真实操作

04记忆能力Memory ← 记住历史，跨会话保持上下文

05反思能力Reflection ← ReAct 循环中的自我评估与纠错

03	/ Hermes 的整体架构

Hermes 的实际运行时是「1 个 Agent Loop + N 个 Toolsets + 记忆后端 + Skills + Gateway」。下图是业界通用的 Agent 架构概念示意，用于帮助理解各模块间的协作关系——并非每个节点都对应独立的源码组件。

架构图

一句话总结	Hermes 是一个「带记忆 + 工具调用 + 任务规划 + 反思能力的 LLM 运行时系统」。

04	/ 核心模块详解

04.1 LLM — 决策引擎（「大脑」）

Agent 的核心决策引擎，负责理解输入、做出决策、生成回复。Hermes 支持 20+ 种模型提供商（OpenAI、Anthropic、DeepSeek、商汤日日新、本地 Ollama 等），用户可随时切换模型，无需改动其他配置。

LLM 不是「执行者」，而是「调度者」——它决定什么时候调用什么工具，而不是自己直接操作文件系统。这就像公司里 CEO 不做具体工作，而是分配任务给各部门。

04.2 工具系统（Tool System）

让 Agent 能执行真实世界的操作，是 Agent 区别于 ChatBot 的关键能力。Hermes 共提供 33+ 个 toolset（非平台特定），以下列出最常用的核心工具集。

工具集	能力	举例
terminal	执行 Shell 命令	构建、安装、部署
file	文件读写/搜索	读日志、改配置
web	网络搜索和内容提取	查文档、抓网页
code_execution	子进程隔离 Python	数据处理、计算
delegation	子任务委派	默认同步；background=True 时异步
kanban	多 Profile 协作队列	Dispatcher 分配任务
skills	可复用技能加载	Hermes 差异化特性

工作原理：LLM 判断需要调用哪个工具 → 生成参数 → 执行器调用实际函数 → 工具返回结果 → 结果回到 LLM 上下文继续推理。这个循环可以重复多次，直到不需要再调用工具。

设计亮点：自我注册（每个 tools/*.py 文件在导入时调用 registry.register() 完成注册）、安全隔离（execute_code 在独立子进程中运行，非 OS 级沙箱）、条件注册（工具依赖满足时才出现）。

04.3 记忆系统（Memory）

让 Agent 具备跨会话的持久记忆能力，「记住你是谁、你的偏好、你的环境」。记忆分两类：

类型	存储位置	生命周期	作用
短期记忆	对话上下文	当前会话	记住前后文
长期记忆	MEMORY.md / USER.md	跨会话持久	用户偏好、经验教训

Hermes 的记忆实现：MEMORY.md（个人笔记，每次对话自动注入）、USER.md（用户画像）、Honcho / Mem0（可插拔持久记忆后端）、压缩机制（对话过长时自动压缩历史）。

04.4 规划模块（Planning）

将复杂任务拆解成可执行的步骤序列。Hermes 的规划能力体现在：/goal 命令（设定长期目标）、todo 工具（自行拆解任务）、delegate_task（分派给子 Agent）、kanban（多 Agent 协同）。

规划策略

ReAct（Reason + Act）→ 先推理，再行动，行动后再次推理。这是 Hermes 默认采用的模式。

Plan-and-Execute→ 先制定完整计划，再逐步执行。Hermes 的 /goal 和 todo 体现了这种模式。

04.5 执行器（Executor）

Agent 的运行时（runtime），负责协调所有模块的工作。核心设计原则：状态外置（所有状态存在外部文件系统/SQLite，不依赖内存）、可观测性（每步操作都有日志，支持调试和回放）、容错机制（工具调用失败时自动重试或降级）。

04.6 反思能力（Reflection）

注意：Hermes 没有名为"Reflection"的独立运行时模块。"反思"是 LLM + Tool 结果回传循环的固有特性，并非独立组件。

Agent 执行完一个步骤后，工具结果拼回上下文，LLM 在下一轮中基于新信息重新评估——如果发现问题，LLM 会自行调整策略、重试或换工具。这就是ReAct 循环的反思机制。

04.7 技能系统（Skills）

Skills 是 Hermes 的核心差异化特性之一。它将复杂工作流程保存为可复用的 Skill 文档，Agent 在后续会话中自动加载相关 Skill，避免重复造轮子。

使用示例

01#安装一个 Skill

02hermes skills install some-skill-name

03

04#查看已安装 Skills

05hermes skills list

05	/ 完整运行流程

以一个实际任务为例：「帮我做一份 2026 年 AI 趋势汇报的 PPT」

运行流程

01#1. 用户输入

02「帮我做一份 2026 年 AI 趋势汇报的 PPT」

03

04#2. LLM 理解意图 → 复合任务（查资料 + 整理 + 生成 PPT）

05

06#3. 规划拆解

07① 搜索 2026 年 AI 趋势内容

08② 提取关键要点，整理大纲

09③ 生成 PPT 文件（.pptx）

10④ 保存到工作目录

11

12#4. 调用工具执行

13web_search(query=「2026年AI趋势」)

14write_file(path=「ai_trends_2026.md」)

15生成 PPT（调用 Python pptxgenjs 脚本）

16

17#5. 反思检查 → 确认 PPT 已创建、页数内容完整

18

19#6. 输出结果 → 告诉用户 PPT 已生成，路径和页数

06	/ Agent 与 LLM 区别

能力层级	LLM	Agent
核心思考	✅ 具备	✅ 具备
执行能力	❌ 无	✅ Tools（33+ toolsets）
持久记忆	❌ 无	✅ Memory
任务规划	❌ 无	✅ Planning
运行时	❌ 无	✅ Executor
自我修正	❌ 需外部循环	✅ ReAct 循环

07	/ 常见误区

误区	纠正
Agent = 高级 Prompt	Agent 是系统工程，包含多个模块协同工作
有工具调用就是 Agent	必须有 Planning + Memory + Execution Loop
Agent 必须很复杂	最小 Agent = LLM + Tool Loop（一行循环即可）
Agent 比 LLM 更聪明	Agent 不替代 LLM，而是增强 LLM 的能力

08	/ 最小可落地架构

MVP 版本

LLM

• Tool Registry（工具注册表）

• Memory（至少是当前对话上下文）

• Planning Prompt（任务拆解提示）

• Execution Loop（执行循环）

进阶版本（Hermes 级别）

• ReAct Loop（推理-行动循环）

• Long-term Memory（Honcho / Mem0）

• Tool Sandbox（工具沙箱）

• Delegation（子任务委派）

• Skills（可复用技能积累）

• Context Compression（上下文压缩）

• Cron（定时任务）

• Multi-platform Gateway（多平台接入）

• Curator（Skill 生命周期管理）

09	/ 设计思想总结

模块化：Agent 不是「一个黑盒」，而是多个模块的组合，每个模块职责清晰，可以独立替换或增强。

状态外置：所有状态必须存在外部（文件系统、数据库），而不是依赖内存。这样 Agent 可以重启、可以跨会话，不会丢失上下文。

可观测性：每步操作都应该有日志、有 Trace。出了问题能快速定位，而不是「不知道为什么错了」。

安全优先：危险操作需要用户审批。工具调用可以限制范围。API Key 存在 .env 而不是配置文件中。

10	/ 进一步学习方向

动手实践：安装 Hermes，体验 /help、/tools、/skills 基本功能，用 todo 拆解一个真实任务。

深入模块：研究 Memory 系统（Honcho / Mem0 语义记忆、心智模型）、自定义 Tool（参考 tools/ 目录）、把工作流程保存为 Skill 积累经验。

扩展阅读：Hermes 官方文档、《Harness 工程》（邢云阳）、AutoGPT / LangChain / CrewAI 等开源框架对比。

11	/ 总结

Agent 的本质不是「更聪明的 LLM」，而是一个可执行的 AI 操作系统。它包含七个模块：

1	思考（LLM）— 大脑
2	记忆（Memory）— 持久记忆（内置 + 可插拔后端）
3	行动（Tools）— 手脚（33+ toolset）
4	决策（Planning）— ReAct + todo + kanban
5	执行（Executor）— Agent Loop 运行时
6	自检（Reflection）— ReAct 循环固有特性
7	经验（Skills）— 技能积累系统

一句话记住	理解这七个模块，你就理解了 Agent 系统的全部。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？