尼恩说在前面

在45岁老架构师尼恩的读者交流群（50+人）里，最近不少小伙伴拿到了阿里、滴滴、极兔、有赞、希音、百度、字节、网易、美团这些一线大厂的面试入场券，恭喜各位！

前两天就有个小伙伴面腾讯， 问到 **“ 听说过Harness Agent 吗？你们怎么实现 Harness Agent 的？ ”**的场景题 ，小伙伴没有一点概念，导致面试挂了。

小伙伴 没有看过系统化的 答案，回答也不全面 ，so， 面试官不满意 ， 面试挂了。

小伙伴找尼恩复盘， 求助尼恩。

通过这个 文章， 这里 尼恩给大家做一下 系统化、体系化的梳理，写一个系列的文章组成 尼恩编著 《Harness 架构与源码 学习圣经》 深入剖析 Harness AI 平台级 架构的 架构思维与 核心源码，使得大家可以充分展示一下大家雄厚的 “技术肌肉”，让面试官爱到 “不能自已、口水直流”。

同时，也一并把这个题目以及参考答案，收入咱们的 《尼恩Java面试宝典PDF》V176版本，供后面的小伙伴参考，提升大家的 3高 架构、设计、开发水平。

爱马仕 Hermes Agent 完全指南:自我进化 + 记忆革命， 彻底抛弃 OpenClaw

尼恩说在前面：爱马仕 Hermes Agent 是一种先进的 自我进化 Harness 马具架构

什么是 Harness 马具 架构？

在AI工程领域，Harness（驭具/架构） 特指包裹在大语言模型（LLM）之外的一整套软件基础设施。

它的核心作用是弥补“裸模型”的先天缺陷，使其能够可靠、安全、持续地执行复杂任务。

• 核心公式：Agent = Model + Harness。

模型是提供推理能力的“大脑”，而Harness则是为大脑提供感知、行动、记忆和保护的“身体”或“操作系统”。

• 解决的核心问题：裸模型有四大硬伤——无记忆（会话结束即失忆）、不能执行（只能生成文本，无法操作工具）、知识过时（训练数据有截止日期）、无工作环境（无法感知和操作外部系统）。

Harness 通过工程化手段系统性地解决了这些问题。

• 关键组件：一个生产级的Harness通常包括编排循环、工具调用、记忆系统、上下文管理、状态持久化、错误处理和安全护栏等。

2. 爱马仕 Hermes Agent 如何体现 Harness 马具架构？

尼恩在下面的文中和 Hermes 其官方架构设计，都 清晰地展示了Hermes作为一个完整Harness的构成：

• 编排循环 (Orchestration Loop)：其核心的 AIAgent Loop（在 run_agent.py中）就是一个标准的ReAct（推理-行动）循环，负责调度模型推理、工具执行和状态管理。
• 工具系统 (Tools)：提供了丰富的内置工具，并通过MCP协议支持扩展，让Agent拥有了“手”和“脚”来操作外部世界。
• 多层记忆系统 (Memory)：尼恩下文中，重点介绍的四层记忆架构（工作/情景/语义/技能专用记忆），正是Harness解决“无记忆”问题的深度方案。

它通过SQLite、向量数据库和本地文件，实现了从短期缓存到长期知识库的完整记忆体系。

• 上下文管理 (Context Management)：采用分层Prompt构建（如SOUL.md, MEMORY.md, USER.md），并具备上下文压缩机制，智能管理有限的模型上下文窗口。
• 状态持久化 (State Persistence)：所有会话状态、记忆和技能都持久化存储在本地（SQLite及文件系统中），确保跨会话的连续性。
• 错误处理与护栏 (Error Handling & Guardrails)：具备迭代预算控制、错误分类与重试策略、安全沙箱（多种代码执行环境）以及技能文件的安全扫描机制，保障系统稳定运行。

3. 爱马仕 Hermes 对 Harness 马具架构的演进：从“稳定执行”到“自我进化”

如果说传统的Harness（如早期的一些框架）主要目标是 “让Agent可靠地跑起来” ，那么Hermes Agent的设计哲学则更进一步，旨在 “让Agent在奔跑中不断自我进化” 。

它在经典Harness组件之上，引入了两大创新层，构成了其核心竞争力：

【1】学习闭环与技能系统：

这是Hermes超越普通Harness的关键。

其Learning Loop能自动将成功的任务执行轨迹抽象、固化为可复用的Skill（技能专用记忆）。

这使得Harness不仅是一个执行环境，更成为一个经验沉淀和知识复用的平台。

【2】主动化的知识管理：

通过Nudge机制，Agent能够判断何时应该将经验转化为持久化技能，实现了从被动执行到主动学习的跨越。

总之

因此，可以明确地说：Hermes Agent 不仅属于Harness架构 ，而且是该架构范式下，以“自进化”为核心设计目标的先进实现。

Hermes Agent 完整具备了Harness所需的所有基础组件（循环、工具、记忆、持久化等），并在此基础上，通过“学习闭环”和“技能系统”将Harness的价值从“稳定执行”提升到了“持续成长”，代表了AI Agent工程化的一个重要发展方向。

用公式来概括就是：Hermes Agent = LLM + Harness（基础执行环境） + Learning Loop（自进化引擎）。

尼恩编著 《Harness 马具 架构与源码 学习圣经》

爱马仕 Hermes Agent 是一种先进的 自我进化的 Harness 马具 架构 ,

那么 ，在学习本文之前，建议大家看看 基础的 马具 架构 底层原理。

一口气已经写了 20篇啦，还有几十篇在排队写作中。

第一章： 什么是 Harness架构？2026年AI核心范式解析 ： Harness架构与Agent工程化

具体文章： 54k+Star 爆火！AI 框架 新王者 Harness Agent 来了！尼恩 来一次Harness穿透式解读

第二章： Harness架构 与 LangChain、LangGraph 三者联动 的底层逻辑

具体文章： Harness架构 与 LangChain、LangGraph 三者联动 的底层逻辑

第三章： DeerFlow 源码 14层Middleware 源码解析 ，又一个 “洋葱责任链模式” 架构思维 的 经典案例

具体文章： DeerFlow 源码 14层Middleware 源码解析 ，又一个 “洋葱责任链模式” 架构思维 的 经典案例

第四章： LangChain 超底层 四大设计模式 Design Patterns ，架构师 的 必备 内功，毒打面试官

具体文章： LangChain 超底层 四大设计模式 Design Patterns ，架构师 的 必备 内功，毒打面试官

第五章：Harness宏观架构：基于 PPAF 思维 & REPL 思维，完成 Lead-Agent和Sub-Agent深度拆解

具体文章： 第五章：Harness宏观架构：基于 PPAF 思维 & REPL 思维，完成 Lead-Agent和Sub-Agent深度拆解

第六章：Harness宏观架构：DeerFlow 2.0 断点续跑机制 架构设计与实现

具体文章： Harness宏观架构：DeerFlow 2.0 断点续跑机制 架构设计与实现

第七章： Harness 平台实战： 用 DeerFlow 构建 一个企业自己的 Manus 平台（ 企业长任务智能体平台）

具体文章： Harness 平台实战： 用 DeerFlow 构建 一个企业自己的 Manus 平台（ 企业长任务智能体平台）

第八章： Harness 超牛逼的 三级记忆架构 ：字节 Deerflow 上下文+历史分层+事实列表 ！ 落地价值 逆天！！

具体文章： Harness 超牛逼的 三级记忆架构 上下文+历史分层+事实列表 ！ 落地价值 逆天！！

第九章： Harness 顶级架构：DeerFlow 2.0 沙盒 Sandbox 架构设计、Sandbox 源码深度解析（史上最深 、价值 逆天）

具体文章： Harness 顶级架构：DeerFlow 2.0 沙盒 Sandbox 架构设计、Sandbox 源码深度解析（史上最深 、价值 逆天）

第10章： 顶奢RAG架构之, 必不可少的 RAG评估体系：7大核心指标落地优化，让RAG从Demo走向生产

【RAG评估、RAG度量指标】顶奢RAG架构之, 必不可少的 RAG评估体系：7大核心指标落地优化，让RAG从Demo走向生产 full - 技术自由圈

第11章：Harness架构 ：字节 Deerflow 基于LangGraph的生产级Super Agent驾驭层实现 / DeerFlow 2.0 的 lead_agent 任务总调度 架构设计与实现解析

Harness架构 ： DeerFlow 2.0 的 lead_agent 任务总调度 架构设计与实现解析

第十二章： Harness 具体应用：AI编程王炸组合：顶级三剑客 OpenSpec 定方向，Superpowers定纪律，Harness定协同

顶级三剑客 OpenSpec 定方向，Superpowers定纪律，Harness定协同

第十三章： Harness 架构哲学和思维：架构思维、架构哲学、设计模式 大拆解、大总结、大提炼

Harness 架构哲学和思维：架构思维、架构哲学、设计模式 大拆解、大总结、大提炼

本文

第十四章： 架构哲学和思维： Harness /ReAct /PlanExec /Reflect /混合范式 的 区别

架构哲学和思维： Harness /ReAct /PlanExec /Reflect /混合范式 的 区别

第十五章： Harness 底层知识： MCP与FC的10大差别？Harness 怎么 用MCP与FC？

Harness 底层知识： MCP与FC的10大差别？Harness 怎么 用MCP与FC？

第16章： 架构天花板 ： 字节 Deerflow 基于LangGraph的生产级 Harness 执行层 Sub-Agent 深度拆解

架构天花板 ：基于LangGraph的生产级 Harness 执行层 Sub-Agent 深度拆解

第17章： Harness SDK 架构 ：DeepAgent 基于LangGraph的生产级Super Agent驾驭层实现

本文

第17章： Harness SDK 架构 ：DeepAgent 基于LangGraph的生产级Super Agent驾驭层实现

第18章：DeepAgent ： 基于LangGraph的 Harness 执行层 生产级 子智能体 Sub-Agent 深度拆解

第18章：DeepAgent ： 基于LangGraph的 Harness 执行层 生产级 子智能体 Sub-Agent 深度拆解

第19章：深入解析DeepAgents的Middleware管道：设计一个Harness 护栏完成Agent全生命周期的治理

本文

第19章：Harness架构 核心二： XXX

具体文章： 尼恩还在写，后续发布

估计有 10章以上，具体请关注技术自由圈。

1. Hermes 诞生之前的 行业痛点：99% 的 AI Agent，都逃不过 “失忆症” 和 静态技能的手工进化

当 AI Agent 赛道从 “能不能调用工具” 的初级阶段，进入 “能不能长期成长、自主优化” 的下半场，传统 Agent 框架的两个致命缺陷被无限放大：一是 “失忆症、金鱼式记忆” ，二是 “静态的技能” 。

“金鱼式记忆” + “静态的技能” ， 导致了当前99%现有AI Agent无法 自我进化，只能靠 手动进化， 这是 现在的 应用的核心瓶颈。

想象一个场景:你的 AI 助手每天帮你处理邮件、管理日程、执行代码,但每次重启后它就失忆了——之前学会的快捷方式、踩过的坑、总结的经验,全部清零。

你不得不反复教它同样的事情。

还有， 你是否也有过这样的体验：

• 今天教 AI 整理研报数据，明天重复同样指令，它又从头开始；

• 每次对话都是 “一次性交互”，学会的技巧、踩过的坑，关闭会话就清零；

• 想让 AI 适配你的工作流，必须反复写 Prompt、调配置，成本极高。

核心痛点可总结为三点：

记忆碎片化与经验清零：每次对话都是孤岛，Agent无法积累跨会话的上下文、用户偏好和任务历史。

宝贵的经验随着会话结束而烟消云散。

技能静态化+高维护成本：所谓的“技能”本质是开发者预先编写的静态脚本或复杂的提示词工程。

一旦业务逻辑变化，就需要人工重新编写、测试和部署，维护成本极高，且无法自适应。

无法 自我进化：Agent只是一个被动的执行者，不会从成功中总结模式，更不会从失败中吸取教训。

它无法越用越“聪明”，越用越贴合用户的独特工作流。

无论是早期的AutoGPT，还是旨在解决多平台集成的OpenClaw，其核心范式仍停留在 “如何更好地调度和调用工具” 上。

它们优化了“执行”的效率，却未能突破 “如何让Agent从持续的经验流中自主学习与成长” 这一认知瓶颈。

这正是Hermes Agent横空出世，并在短短三个月内引爆开发者社区的根本原因——它首次将“自进化”作为框架的底层第一性原则。

2. 什么是 Hermes Agent?

2.1 Hermes Agent 是什么?

Hermes Agent 是由 Nous Research 开发的开源 AI Agent 框架，2026 年 2 月开源，短短 3 个月登顶 GitHub Trending，Star 数突破 64k。

大量 OpenClaw 用户主动迁移 到 Hermes，核心原因只有一个：它是全球首个把 “自我进化” 做成底层能力的 Agent 框架。

不同于传统 Agent 框架“工具调用优先”的设计逻辑，Hermes Agent 以“认知进化”为核心，将“自我学习、经验沉淀”作为底层能力，而非附加功能。

其开发团队 Nous Research 深耕开源 LLM 领域多年，此前推出的 Hermes 系列 LLM 以**“高效推理、贴合人类需求”著称，**而 Hermes Agent 则延续了这一优势，将 LLM 的推理能力与“学习循环”深度结合，打造出真正具备“成长能力”的 AI Agent。

大量 OpenClaw 用户主动迁移到 Hermes，核心原因只有一个：它是全球首个把 “自我进化” 做成底层能力的 Agent 框架，彻底解决了传统 Agent “失忆、技能不可复用、无法成长” 的痛点，让 AI Agent 真正能“越用越懂用户、越用越好用”。

2.2 一句话总结

Hermes Agent 是具备闭环学习能力的持久化 AI Agent：通过 Learning Loop（学习循环）自动从交互中提炼技能、优化能力；通过四层记忆架构实现跨会话知识沉淀；全程无需人工干预，真正做到 “用户使用越多，Agent 能力越强，越懂用户习惯”。

其核心特性的核心特性的核心特性：

• ✅ 自我进化能力:通过 Learning Loop 从经验中自动创建和改进 Skills

• ✅ 持久化记忆:四层记忆架构(工作记忆、情景记忆、语义记忆、技能专用记忆)

• ✅ 跨会话知识积累:Skills 和记忆永久保存,下次直接复用

• ✅ Nudge 机制:Agent 主动提示用户沉淀高价值知识

2.3 核心定位：Hermes 和 OpenClaw的本质区别

很多人误以为 Hermes 是 OpenClaw 的 “竞品”，实则两者是完全不同的技术范式：

• OpenClaw（网关范式）：核心是 “消息调度”—— 把 50+ 平台消息汇入网关，路由给 Agent 执行，像 “智能助理操作系统”，主打治理与稳定；

• Hermes Agent（成长范式）：核心是 “认知进化”—— 以 Agent 为中心，所有设计服务于 “从经验中学习”，像 “会成长的数字助手”，主打成长与个性化。

简单说：OpenClaw 是 “把事做好”，Hermes 是 “越做越会做”—— 这不是功能差异，是底层逻辑的范式升级。

3. Hermes 的发展背景与核心创新

3.1 现有 AI Agent 方案的三大问题

在 Hermes Agent 之前，AI Agent 生态主要有两类方案，均存在明显短板：

方案类型	代表框架	核心问题
编排框架	LangChain, AutoGPT	需要开发者手写工作流,Agent 不会自主学习
通用 Gateway	OpenClaw	记忆机制简单,技能是静态文件,无自我改进

AI Agent 生态 三大核心矛盾：

• 编排框架把 Agent 当成可编程的工具，开发者要精确定义每一步

• 通用 Gateway 把 Agent 当成无状态服务，每次调用都是新的开始

• 没人把 Agent 当成会学习的”生命体”

3.2 Hermes Agent 的诞生故事

2025 年底,开源 LLM Hermes 系列的团队 Nous Research 团队, 在开发 AI Agent 时发现 一个问题:AI Agent 的瓶颈不是模型能力,而是缺乏”经验沉淀”机制。

• 一个开发者每天让 Agent 执行 10 次相同任务,但 Agent 从未”记住”最佳实践。
• 每次都要重新推理、试错、调整
• 这是对计算资源和时间的巨大浪费。

如何 自我进化？

于是他们提出一个激进的想法:让 Agent 自己创建 Skills、自己改进 Skills、自己选择何时持久化知识。

3.3 发展里程碑

• 2025.11 Nous Research 内部立项

• 2026.02 首个公开版本 (v0.1.0),引入 Learning Loop

• 2026.03 GitHub Star 数突破 20K,成为增速最快的 Agent 框架

• 2026.04 v0.9.0 发布,新增 Web Dashboard、Fast Mode、iMessage/WeChat 集成

• 2026.04 社区出现首个基于 Hermes 的商业产品 (个人 AI 助理)

关键数据:Hermes Agent 在 42 天内获得 47K Stars,后续快速突破 64K，成为 GitHub 历史上增速最快的 AI Agent 项目（数据来源: GitHub Insights）。

4. 三大核心技术：拆解 Hermes “自进化” 的底层逻辑

Hermes 的爆火，不是靠营销，而是靠三大颠覆性技术设计，每一个都直击行业痛点，共同构成了其 “自进化” 的核心能力。

4.1 核心引擎：Learning Loop 学习循环——AI 的 “自我进化闭环”

传统 Agent 的工作流是线性的（一次性）：用户输入 → LLM 推理 → 工具调用 → 返回结果 → 会话结束 → 经验清零。

Hermes 的工作流是闭环的（可循环）， 实现 “执行 - 反思 - 沉淀 - 复用 - 优化” 的全流程自动化。

Learning Loop “执行 - 反思 - 沉淀 - 复用 - 优化” 这个，是一 “自我进化闭环” .

Learning Loop 全程无需人工参与，其核心是 KEPA 引擎（知识增强提示词自适应）.

Learning Loop 相当于 LLM 的 “反向传播”：传统大模型靠梯度更新权重，Hermes 靠经验反向传播， 优化技能与策略，不用重训模型，就能让能力持续进化。

靠梯度更新权重 的比较复杂，其中的 大白话 介绍，请参见尼恩的 《 尼恩团队AI全栈架构班》第2章：0数学或微数学，一步登天 搞定10大深度学习工程

4.1.1 传统 Agent vs Hermes Agent 工作流对比

传统 Agent 的工作流:

用户输入 → LLM 推理 → 工具调用 → 返回结果 → 结束（没有记忆沉淀）

这种工作流的核心问题的是“无沉淀”，无论执行多少次相同任务，Agent 都无法记住最优执行路径，始终处于“从零开始”的状态。

Hermes Agent 的工作流:

用户输入 → LLM 推理 → 工具调用    →   返回结果
                ↓                       ↓
         检索已有 Skills             任务成功?
                ↓                       ↓ YES
         如果匹配,直接复用            提取成功路径
                                        ↓
                                 生成新 Skill 或优化现有 Skill
                                        ↓
                                   提示用户持久化
                                        ↓
                                 下次直接使用 ✓

从工作流可以看出，Hermes 比传统 Agent 多了 “提取成功路径”、“生成/优化 Skill”、“持久化” 三个关键步骤，这3个步骤构成了学习循环的核心，也是 Agent 能够“自进化”的关键。

4.1.2 Learning Loop 学习循环 的 7 个阶段详解

学习循环 Learning Loop 的整个流程分为 7 个阶段，每个阶段都有明确的动作、产物和耗时，全程自动化执行，无需用户干预，具体如下：

阶段	动作	产物	耗时
1. 任务执行	Agent 通过多轮工具调用完成任务	执行轨迹 (trajectory)	2-5 分钟
2. 模式识别	分析成功路径,识别可复用的模式	候选 Skill 片段	10-20 秒
3. 知识提取	将执行步骤抽象为通用流程	Skill 草稿	5-10 秒
4. Skill 创建	生成 Skill 文件(Markdown 格式)	.hermes/skills/xxx.md	5 秒
5. 使用验证	下次遇到类似任务时加载 Skill	性能对比数据	N/A
6. 迭代优化	根据使用反馈改进 Skill	Skill 新版本	按需触发
7. Nudge 提示	主动建议用户持久化高价值 Skill	用户确认后写入磁盘	N/A

4.1.3 实战案例:GitHub 代码质量分析

为了更直观地理解 Learning Loop 的作用，我们以“GitHub 代码质量分析”这一高频场景为例，看看 Hermes 是如何通过学习循环实现自我进化的：

• 第 1 次:用户要求"分析这个 GitHub repo 的代码质量" → Agent 经过 15 步工具调用（克隆仓库、统计代码行数、查找 anti-patterns、执行 linter、生成报告）完成任务（耗时 2 分钟） → 执行成功后，KEPA 引擎自动提取成功路径 → 生成 Skill:“analyze_github_repo_code_quality.md” → Nudge 提示:“我刚学会了分析 GitHub 仓库的流程,要保存吗?”
• 第 2 次:用户要求"分析另一个 repo" → Agent 检测到匹配的 Skill → 直接复用流程（跳过重复推理、试错步骤），仅需 3 步即可完成任务（耗时 30 秒） ← 效率提升 75%
• 执行结束后，Agent 发现步骤 7（生成报告）可以优化（如增加可视化建议、补充依赖过期检查） → 自动更新 Skill 版本至 v1.1，记录改进内容。

性能对比数据:首次执行:15 步,120 秒；第二次（复用 Skill）:3 步,30 秒；效率提升:75% 。

随着使用次数增加，Skill 会不断优化，效率还会进一步提升。

4.2 记忆革命：四层持久化记忆 —— 从 “金鱼记忆” 到 “长期老友”

记忆是 Agent 成长的基础，没有持久化的记忆，就没有真正的“自进化”。

传统 Agent 只有“工作记忆”（当前会话上下文），会话结束后记忆清零，无法沉淀任何经验；

而 Hermes 设计了四层分层记忆架构，完美复刻人类记忆逻辑，实现跨会话、跨时间的知识积累，让 Agent 从“一次性助手”变成“长期老友”。

这四层记忆架构层层递进，从“临时交互记忆”到“永久技能记忆”，覆盖了 Agent 学习、成长的全流程，每一层都有明确的定位和作用，相互配合，确保记忆的高效沉淀和复用。

4.2.1 四层记忆架构详解

记忆类型	核心作用	存储内容	生命周期	存储方式
工作记忆（Working Memory）	实时交互	当前会话上下文、临时数据	会话内有效	模型上下文窗口
情景记忆（Episodic Memory）	事件回溯	历史对话、任务记录、时间线	长期存储	SQLite+FTS5 全文索引
语义记忆（Semantic Memory）	事实沉淀	固定知识、用户偏好、行业规则	永久存储，自动更新	向量数据库(可选:Chroma, Pinecone, Qdrant)
技能专用记忆（Procedural Memory）	技能复用	自动提炼的 Skill、工作流、操作步骤	永久存储，持续迭代优化	Markdown 文件 in .hermes/skills/

关键细节：Hermes 用 SQLite+FTS5 全文检索存储历史对话和情景记忆，每次会话结束后，会自动将工作记忆压缩归档，去除冗余内容，保留核心信息；

下次任务时，Agent 会主动检索相关的情景记忆和语义记忆，摘要后注入当前上下文——只带有用信息，不堆砌冗余内容，避免上下文臃肿，同时确保 Agent 能“记住”之前的经验和用户习惯。

4.2.2 Hermes Agent vs OpenClaw 记忆系统对比

记忆类型	Hermes Agent	OpenClaw	差异分析
工作记忆	动态压缩,支持 Anthropic Prompt Caching	依赖模型 context window	Hermes 更智能
情景记忆	SQLite + FTS5,支持跨会话检索	简单的消息历史存储	Hermes 支持全文检索
语义记忆	可选插件式向量数据库	依赖外部 RAG 集成	Hermes 内置支持
技能专用记忆	自动生成的 Skills ✨	人工编写的 static files	核心差异

Hermes 的 Procedural Memory（Skills）是 Agent 自己创建、自主优化的，无需人工编写；

而 OpenClaw 的 Skills 是人类开发者编写的静态文件，一旦发布就固定不变，无法从经验中优化，维护成本极高。

这也是 Hermes 能实现“自进化”，而 OpenClaw 无法做到的核心原因。

4.3 技能系统：Spec as Code（自然语言即代码），AI 自己 “写技能、改技能”

传统 Agent 的技能（Skill）完全依赖人工编写：开发者用 Python/YAML 写代码、定义工作流。

传统 Agent 的技能（Skill） 一旦发布就是静态的，不会自己优化，维护成本极高。

Hermes 彻底颠覆这一模式，提出 Spec as Code（自然语言即代码）：

• 所有 Skill 用纯自然语言 Markdown 编写，包含触发条件、执行步骤、注意事项；

• Agent 通过 skill_manager_tool 自主完成 create（创建）、patch（修改）、delete（删除）六种操作；

• 无需编程基础，安全审计只需看 Markdown（比审计几千行 Python 代码简单 10 倍）。

4.3.1 Skill 文件结构详解

Skill 的结构 (Markdown 格式):

---
name: analyze_github_repo_code_quality
version: 1.2
created_at: 2026-04-15T10:30:00Z
last_used: 2026-05-08T14:22:00Z
success_rate: 0.87
usage_count: 23
tags: [github, code-quality, automation]
---

# GitHub 仓库代码质量分析

## 触发条件
- 用户提到"分析代码质量"或"code quality"
- 提供了 GitHub 仓库 URL

## 执行步骤

**(1) 使用 `git_clone` 工具克隆仓库到临时目录**


**(2) 使用 `run_terminal` 执行 `cloc` 统计代码行数**


**(3) 使用 `grep_search` 查找常见 anti-patterns:**

   - TODO/FIXME 注释数量
   - 硬编码的凭证 (API key, password)
   - 废弃的依赖 (npm outdated, pip list --outdated)

**(4) 使用 `run_terminal` 执行 linter (pylint, eslint)**


**(5) 生成结构化报告**


## 已知限制
- 不支持 monorepo (多项目仓库)
- linter 配置依赖仓库自带的配置文件

## 改进历史
- v1.0: 初始版本
- v1.1: 增加依赖过期检查
- v1.2: 优化报告格式,增加可视化建议

从结构可以看出，Skill 文件不仅包含执行步骤，还包含触发条件、已知限制、改进历史等信息，让用户能清晰了解技能的功能、适用场景和优化过程，同时也方便 Agent 进行后续的迭代优化。

4.3.2 Skill 生命周期管理

创建 → 首次使用 → 多次验证 → Nudge 提示持久化 → 持续优化 → (可选)归档
  ↑                                                      ↓
  └──────────────── 如果失败率过高,自动标记为"需要改进"──┘

具体说明：

• 创建：Agent 从任务执行轨迹中提取经验，生成 Skill 草稿，完成初步创建；
• 首次使用：下次遇到类似任务时，自动加载 Skill，执行并验证效果；
• 多次验证：经过 2-3 次使用验证，统计成功率、耗时等数据；
• Nudge 提示持久化：当成功率>80%、执行步骤≥3 时，主动提示用户确认保存，正式写入磁盘；
• 持续优化：根据后续使用数据，自动优化执行步骤、修复问题，更新版本；
• 归档/删除：当技能长期未使用（超过 30 天）或成功率低于 50%，自动标记为“待归档”，用户可手动删除或归档。

4.3.3 Skill vs Tool 的区别

很多用户会混淆 Skill 和 Tool 的概念，其实两者的粒度、来源、适用场景有明显区别，具体对比如下：

概念	粒度	来源	示例	适用场景
Tool	原子操作	人类开发者编写	run_terminal, web_search	单一功能
Skill	组合流程	Agent 自动提取	“分析 GitHub 仓库代码质量”(调用 5+ 工具)	复杂工作流

简单来说，Tool 是“积木”，Skill 是“用积木搭成的造型”——Tool 是基础的原子操作，Skill 是将多个 Tool 按一定逻辑组合起来，完成复杂任务的流程。
Hermes 的核心优势，就是能自动“搭积木”，无需用户手动组合。

4.4 Nudge （用户确认）机制:主动的知识管理

Hermes Agent 不会默默记住所有东西（那会导致记忆冗余、噪音过多，影响执行效率），而是使用 Nudge（推手）机制，平衡“自动化知识沉淀”和“用户控制权”——Agent 主动识别高价值经验，提示用户确认保存，用户最终决定是否沉淀，既保证了知识沉淀的精准性，又避免了无用信息的积累。

Nudge 机制是 Hermes 区别于其他 Agent 框架的重要特性，它让知识沉淀从“被动”变成“主动”，同时赋予用户控制权，避免 Agent 盲目沉淀无用技能。

4.4.1 Nudge 触发条件

• ✅ 任务完成且成功率 > 80%

• ✅ 执行步骤 ≥ 3 (过于简单的任务不值得沉淀)

• ✅ 该任务在过去 7 天内被执行过 2 次以上

4.4.2 Nudge 交互示例

Hermes: "我注意到你最近多次让我分析 GitHub 仓库的代码质量,每次都要重新推理执行步骤。

我已经总结了一个标准流程,要保存为 Skill 吗?这样下次我能直接复用,节省时间。

"用户: “/save” ← 确认保存

Hermes: “✓ 已保存为 “analyze_github_repo_code_quality”,下次你说"分析这个仓库”， 我就知道该怎么做了。"

5. Hermes Agent 架构深度剖析

Hermes Agent 的架构设计围绕“自进化”和“多平台适配”两大核心目标，采用模块化、分层设计，既保证了核心功能的稳定性，又具备良好的扩展性。

整体架构分为“用户入口层”“核心 Agent 层”“记忆层”“学习层”四个部分，各模块相互独立、协同工作，形成完整的自进化系统。

5.1 系统架构可视化

┌─────────────────────────────────────────────────────────┐
│                     用户输入                              │
└────────────┬────────────────────────────────────────────┘
             ↓
    ┌────────────────┐
    │  Gateway/CLI   │ ← 入口点(支持 20+ 平台)
    └────────┬───────┘
             ↓
    ┌────────────────────────────────────────────┐
    │           AIAgent (核心循环)                │
    │  ┌──────────┐  ┌──────────┐  ┌──────────┐  │
    │  │ Prompt   │  │ Provider │  │ Tool     │  │
    │  │ Builder  │  │ Runtime  │  │ Dispatch │  │
    │  └──────────┘  └──────────┘  └──────────┘  │
    └────────┬────────────────────────────────────┘
             ↓
    ┌────────────────────────────────────────────┐
    │          多层记忆系统                        │
    │  ┌──────────┐  ┌──────────┐  ┌──────────┐  │
    │  │ Working  │  │ Episodic │  │ Semantic │  │
    │  │ Memory   │  │ Memory   │  │ Memory   │  │
    │  └──────────┘  └──────────┘  └──────────┘  │
    │          ↓                                   │
    │  ┌────────────────────────────────────────┐ │
    │  │    Procedural Memory (Skills)          │ │
    │  └────────────────────────────────────────┘ │
    └────────────────────────────────────────────┘
             ↓
    ┌────────────────┐
    │ Learning Loop  │ ← 核心创新:自我进化
    └────────────────┘

图 1: Hermes Agent 系统架构图

关键设计决策:

• ✅ Skills 不是静态文件:由 Agent 自动创建和维护

• ✅ 记忆有层次:工作记忆→情景记忆→语义记忆→技能专用记忆

• ✅ Nudge 机制:Agent 主动提示用户沉淀知识,而非被动等待

关键架构决策解读：

【1】松耦合设计：核心的AIAgent、Memory、Learning Loop模块相对独立，通过清晰接口通信，便于维护和扩展。

【2】记忆为中心：记忆系统不是附属功能，而是架构的核心支柱，所有模块（包括Learning Loop）都围绕记忆的读写展开。

【3】Skills作为一等公民：Skills 记忆 被提升到与其它记忆同等重要的地位，并有独立的存储和检索路径。

**【4】非侵入式学习：**Learning Loop作为独立模块，观察并分析主循环的执行轨迹，其操作（如保存Skill）需要经过用户确认（Nudge），保证了系统的可控性。

5.2 Gateway 架构:多平台统一接入

Hermes支持通过Gateway模式接入Telegram、Discord、Slack、微信等20多个平台。

其Gateway架构设计精巧，实现了会话隔离、统一管理和安全控制。

Hermes Agent 支持 20+ 平台,通过统一的 Gateway 架构实现,其架构如下:

──────────────────────────────────────────────────┐
│             Platform Adapters (20+)              │
│  Telegram│Discord│Slack│WeChat│iMessage│Email... │
└────────┬─────────────────────────────────────────┘
         ↓ 统一的 MessageEvent
┌────────────────────────────────────────────────────┐
│              Gateway Runner                        │
│  ┌──────────┐  ┌──────────┐  ┌────────────────┐  │
│  │ Session  │  │ Auth &   │  │ Slash Command  │  │
│  │ Routing  │  │ Allowlist│  │ Dispatcher     │  │
│  └──────────┘  └──────────┘  └────────────────┘  │
└────────┬───────────────────────────────────────────┘
         ↓
┌────────────────┐
│   AIAgent      │ ← 核心 Agent 逻辑(与 CLI 共享)
└────────────────┘

关键特性:

• ✅ 会话隔离:每个用户、每个平台有独立的会话空间

• ✅ 授权机制:白名单 + DM 配对,防止滥用

• ✅ Slash Commands:/model, /skill, /memory 等管理命令

• ✅ 钩子系统:支持插件在消息前后注入逻辑

• ✅ 后台维护:自动清理过期会话、压缩历史记忆

6. Hermes Agent 实战教程:从安装到进阶

尼恩提示：原文3w字以上， 超过平台限制， 此处省略 1000字，具体请参考 免费pdf。

完整版本，请参考 尼恩 免费百度网盘 免费pdf ，点赞收藏本文后，截图 找尼恩获取

7. Hermes Agent vs OpenClaw:8 个维度全面对比（含用户迁移原因）

随着 Hermes Agent 的快速崛起，大量 OpenClaw 用户主动迁移至 Hermes 生态，并非单纯的“追新”，而是两者在底层逻辑、核心能力上的本质差异，刚好匹配了开发者从“工具调用”到“长期成长”的需求升级。

本节将从 8 个核心维度，全面拆解两者的差异，同时解析用户迁移的核心诱因，帮你快速判断哪种框架更适配你的使用场景。

核心前提：两者并非对立关系，可根据场景搭配使用，但在“自进化”“持久化记忆”等关键能力上，Hermes 形成了绝对优势，这也是用户迁移的核心原因。

7.1 8个核心维度全面对比（附实测数据）

对比维度	Hermes Agent	OpenClaw	优势方
核心范式	成长范式：以 Agent 为核心，主打“自进化”“持久化成长”，所有设计围绕“经验沉淀”展开	网关范式：以消息调度为核心，主打“多平台集成”“稳定治理”，本质是 Agent 操作系统	按需选择
记忆机制	四层持久化记忆（工作/情景/语义/技能专用记忆），跨会话、跨重启保留经验，支持自动沉淀	基础会话记忆，仅保留当前会话上下文，会话结束或重启后记忆清零，无持久化能力	Hermes
技能体系	动态技能：通过 Learning Loop 自动创建、迭代优化 Skills，支持用户手动编辑，技能可复用、可进化	静态技能：需开发者手动编写技能文件，技能固定无迭代能力，复用需手动调用配置	Hermes
学习能力	闭环自学习：无需人工干预，自动从任务执行中提取经验、优化技能，使用越多能力越强	无自学习能力：仅能执行预设流程，无法从错误或经验中学习，能力固定不变	Hermes
多平台集成	支持主流平台（iMessage/WeChat/GitHub），集成方式简洁，v0.9.0 新增 Web Dashboard 可视化管理	支持 50+ 平台集成，网关式统一管理，擅长多平台消息路由、权限治理，集成能力更全面	OpenClaw
部署难度	轻量化部署，支持 Docker 一键部署，无需复杂配置，开发者新手可快速上手（部署耗时约 5 分钟）	部署复杂，需配置网关、权限、消息路由规则，适合团队级部署，新手部署耗时约 30 分钟	Hermes
性能表现	首次执行任务耗时中等，复用技能后效率大幅提升，平均响应速度比 OpenClaw 快 4 倍（详见第 8 章实测）	消息路由速度快，但任务执行无技能复用，重复任务耗时稳定，无效率提升空间	Hermes
社区生态	增速极快，3 个月 Star 突破 64k，社区贡献活跃，每周更新技能库、修复 Bug，个性化需求响应及时	生态成熟，Star 数稳定在 50k+，官方维护完善，适合企业级稳定使用，但更新迭代速度较慢	按需选择

尼恩提示：原文3w字以上， 超过平台限制， 此处省略 1000字，具体请参考 免费pdf。

完整版本，请参考 尼恩 免费百度网盘 免费pdf ，点赞收藏本文后，截图 找尼恩获取

8. 性能测试:Hermes Agent 比 OpenClaw 快 4 倍?

在前一章的对比中，我们提到 Hermes Agent 的平均响应速度比 OpenClaw 快 4 倍，这一结论并非主观判断，而是基于标准化测试场景的实测结果。

本节将详细拆解测试环境、测试用例、测试结果，验证 Hermes 的性能优势，同时分析性能差异的核心原因，帮你更直观地了解两者的性能表现。

尼恩提示：原文3w字以上， 超过平台限制， 此处省略 1000字，具体请参考 免费pdf。

完整版本，请参考 尼恩 免费百度网盘 免费pdf ，点赞收藏本文后，截图 找尼恩获取

9. 企业应用场景与 ROI 分析

Hermes Agent 的自进化能力和持久化记忆，不仅适合个人开发者，更能解决企业级 AI Agent 应用的核心痛点——“规模化部署后，Agent 能力无法适配个性化需求”“重复任务占用大量人力成本”。

本节将拆解 Hermes 在企业中的核心应用场景，结合实际案例分析 ROI（投资回报率），帮企业判断是否值得引入 Hermes 框架。

9.1 企业核心应用场景（4大高频场景）

Hermes Agent 凭借“自进化”“持久化记忆”的核心优势，在企业中主要应用于以下 4 个场景，覆盖研发、运营、客服、行政等多个部门，且均能实现明显的效率提升和成本节约。

9.1.1 场景一：研发团队——代码开发与质量管控

核心需求：研发团队日常需要大量重复的代码检查、漏洞扫描、文档生成任务，传统 Agent 需反复配置，效率低下；

Hermes 应用方式：让 Hermes 自动沉淀“代码漏洞扫描”“API 文档生成”“代码规范检查”等技能，适配团队的代码规范和开发习惯，后续研发人员只需简单指令，即可快速完成相关任务；

案例：某互联网公司研发团队（50 人）引入 Hermes 后，代码检查效率提升 65%，文档生成时间从 2 小时/份缩短至 15 分钟/份，每月节省研发人力成本约 8 万元。

9.1.2 场景二：运营团队——数据整理与报表生成

核心需求：运营团队每天需要整理多平台数据（抖音、小红书、公众号）、生成日报/周报，流程固定但重复，占用大量时间；

Hermes 应用方式：Hermes 自动学习数据整理规则、报表格式，每天自动提取多平台数据、清洗数据、生成标准化报表，运营人员只需核对确认，无需手动操作；

案例：某电商运营团队（30 人）使用 Hermes 后，数据整理耗时从每天 3 小时缩短至 30 分钟，每周节省人力成本约 1.2 万元，报表准确率从 88% 提升至 99.5%。

9.1.3 场景三：客服团队——智能客服与问题沉淀

核心需求：客服团队每天面临大量重复咨询（如产品使用方法、售后流程），传统智能客服无法自主学习新问题，需人工持续优化话术；

Hermes 应用方式：Hermes 自动从客服对话中提取常见问题、最优回复，沉淀“客服话术”技能，遇到新问题时，自动学习并优化回复，逐步减少人工干预；

案例：某 SaaS 公司客服团队（20 人）引入 Hermes 后，智能客服解决率从 60% 提升至 85%，人工客服日均处理咨询量从 80 个提升至 150 个，每月节省客服人力成本约 5 万元。

9.1.4 场景四：行政团队——日常事务自动化

核心需求：行政团队负责员工考勤统计、报销审核、会议安排等重复事务，流程繁琐，易出错；

Hermes 应用方式：Hermes 自动学习考勤统计规则、报销审核标准、会议安排流程，自动完成考勤统计、报销初审、会议通知发送等任务，行政人员只需处理异常情况；

案例：某中型企业行政团队（8 人）使用 Hermes 后，日常事务处理效率提升 70%，报销审核耗时从 1 天缩短至 2 小时，每月节省行政人力成本约 1.5 万元。

常见问题 FAQ

本节汇总了用户在使用 Hermes Agent 过程中最常见的 15 个问题，涵盖安装部署、核心功能、性能优化、与 OpenClaw 搭配使用等方面，帮你快速解决使用过程中遇到的困惑。

1. 安装 Hermes Agent 需要哪些技术基础？

新手能快速上手吗？

答：新手可快速上手，核心需求是掌握基础的 Docker 操作（如启动、停止容器），无需复杂的编程或 AI 技术基础。

Hermes 提供 Docker 一键部署脚本，执行一条命令即可完成安装，同时官方文档有详细的新手教程，步骤清晰，新手 10 分钟内可完成部署。

2. Hermes Agent 支持哪些 LLM 模型？

可以使用本地模型吗？

答：目前支持主流的 LLM 模型，包括 GPT-4o、GPT-3.5 Turbo、Claude 3、Gemini Pro，同时支持本地模型（如 Llama 3、Qwen 2.0）。

用户可根据自身需求选择，本地模型需配置相应的硬件环境（如 GPU 显存 ≥ 8GB），远程 API 模型无需额外配置，直接填写 API Key 即可使用。

3. Hermes 的 Skills 是如何存储的？

可以手动编辑吗？

答：Skills 以 Markdown 格式存储在本地目录 .hermes/skills/ 下，用户可直接手动编辑技能文件，修改技能的执行步骤、参数配置等。

同时，Hermes 会自动备份技能文件，避免手动编辑出错导致技能丢失。

4. Hermes 的四层记忆架构，数据是如何存储的？

是否安全？

答：记忆数据默认存储在本地 SQLite 数据库中，用户可根据需求配置 MySQL、PostgreSQL 等数据库；对于敏感数据，支持加密存储（AES-256 加密），确保数据安全。

同时，Hermes 不主动上传任何用户数据，所有记忆、技能均存储在用户本地或自有服务器，保护用户隐私。

5. 如何让 Hermes 快速沉淀适合自己的技能？

答：有两种方式：① 重复执行相同或相似任务，Hermes 会自动提取经验、创建技能，执行 2-3 次即可沉淀可用技能；② 手动创建技能模板，按照官方提供的 Markdown 格式，编写技能的执行步骤、触发条件，Hermes 会自动适配并优化该技能。