两分钟安装 Hermes Agent

大模型与Agent智能体

8人浏览 · 2026-07-10 19:00:00

大模型与Agent智能体 · 2026-07-10 19:00:00 发布

02. 两分钟安装 Hermes Agent

安装往往是劝退新手的第一个门槛，但 Hermes Agent 的安装流程可能是你见过最省心的之一——一行命令，两分钟，所有依赖自动搞定。

一行命令搞定

无论你在什么平台上，Hermes Agent 的安装逻辑都是"一条命令解决一切"：

# Linux / macOS / WSL2
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

# Windows 原生 PowerShell（早期测试版）
iex (irm https://hermes-agent.nousresearch.com/install.ps1)

# Android / Termux —— 和 Linux 完全相同的命令
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

Windows 用户需要特别说明：Hermes Agent 现在支持原生 Windows 运行，不需要 WSL。CLI、gateway、TUI 和工具都能原生工作，和 WSL2 安装可以干净共存——原生数据在 %LOCALAPPDATA%\hermes，WSL 数据在 ~/.hermes，互不干扰。唯一仅限 WSL2 的功能是 Dashboard 里的嵌入式 PTY 终端面板，因为它依赖 POSIX 伪终端，其余功能全部原生可用。

安装程序替你做了什么

很多人好奇"一行命令"背后到底发生了什么。答案是：安装程序把所有脏活累活都包了。

对于 Git 安装程序，唯一的前置条件是系统里有 Git。除此之外的一切——uv（快速 Python 包管理器）、Python 3.11、Node.js v22（用于浏览器自动化和 WhatsApp 桥接）、ripgrep（快速文件搜索）、ffmpeg（TTS 音频格式转换）——都会被自动检测并安装。你不需要手动装 Python、不需要配 Node 环境、不需要折腾依赖冲突。

Windows 上的处理尤其细致：如果系统里没有 Git，安装程序会下载一个便携式的 PortableGit（约 50MB），解压到 %LOCALAPPDATA%\hermes\git，完全隔离，不需要管理员权限，也不会干扰任何已有的系统 Git 安装。如果出了问题，删掉那个目录重新跑安装程序就行，对系统零影响。

为什么不用 winget？官方的解释很实在：当系统 Git 处于"半损坏"状态时（而这恰恰是用户最需要安装程序正常工作的时候），winget 会严重失败。便携式 Git 方案直接绕过了 winget、Windows 安装程序注册表和任何现有 Git，更可靠。

安装目录结构

安装位置取决于你是普通用户还是 root：

安装方式	代码位置	hermes 二进制	数据目录
用户级（git 安装程序）	`~/.hermes/hermes-agent/`	`~/.local/bin/hermes`（符号链接）	`~/.hermes/`
Root 模式（sudo）	`/usr/local/lib/hermes-agent/`	`/usr/local/bin/hermes`	`/root/.hermes/`

Root 模式采用标准 FHS 布局，适合共享机器上一次安装服务所有用户。但要注意，每个用户的个人配置（认证、技能、会话）仍然在各自的 ~/.hermes/ 下，互不干扰。

安装完成后

重新加载 shell，然后就可以开始聊天了：

source ~/.bashrc  # 或 source ~/.zshrc
hermes            # 开始聊天！

如果之后需要调整单项配置，有专门的命令：

hermes model          # 选择 LLM 提供商和模型
hermes tools          # 配置启用的工具
hermes gateway setup  # 配置消息平台
hermes config set     # 设置单个配置项
hermes setup          # 完整设置向导，一次性配所有

最快的方式是用 Nous Portal，一个订阅覆盖 300+ 模型加 Tool Gateway，不用逐个管密钥：

hermes setup --portal

遇到问题怎么办

最常见的几个问题都有标准解法：

问题	解决方案
`hermes: command not found`	重新加载 shell（`source ~/.bashrc`）或检查 PATH
API key not set	运行 `hermes model` 配置 provider
更新后配置丢失	`hermes config check` 然后 `hermes config migrate`

如果以上都没命中，运行 hermes doctor——它会告诉你确切缺什么、怎么修。这个命令是排障的第一选择，比盲目翻文档高效得多。另外，Hermes 会自动检测安装方式（pip、git 安装程序、Homebrew 或 NixOS），hermes update 会打印对应路径的更新命令，不需要你记自己当初是怎么装的。

Frequently Asked Questions

Q：我在 Windows 上已经装了 WSL2，还需要装原生版本吗？

A：不需要二选一，两者可以干净共存。原生安装的数据在 %LOCALAPPDATA%\hermes，WSL 的数据在 ~/.hermes，互不冲突。如果你主要在 PowerShell 环境工作、不需要 Dashboard 里的嵌入式终端面板，原生版完全够用。如果你重度依赖 bash 工作流或者需要那个 PTY 终端面板，那就用 WSL2。我的建议是：先装你日常用得最多的那个，不够了再加另一个，没必要一开始就两个都配。

Q：安装程序自动装了那么多依赖，会不会把我的系统搞乱？

A：这个担心很正常，但 Hermes 的安装策略其实相当克制。在 Linux/macOS 上，它用的是隔离环境——uv 托管的独立解释器和 venv，不碰系统 Python。Windows 上更彻底，PortableGit 是完全自包含的，不写注册表、不需要管理员权限。唯一可能需要 sudo 的是 Playwright 的 --with-deps（安装 Chromium 共享库），而且安装程序会检测 sudo 是否可用，不可用就自动降级。如果你实在不放心，可以加 --skip-browser 跳过浏览器功能，先跑起来再说。

Q：公司服务器上想用非 root 用户跑 Hermes，有什么要注意的？

A：这是生产环境很常见的场景，官方有专门的分步方案。核心思路是分两步：先用有 sudo 权限的管理员账号一次性装 Chromium 的系统库（sudo npx playwright install-deps chromium），然后切到非特权服务用户跑常规安装程序。安装程序会检测到没有 sudo，自动跳过 --with-deps，把 Chromium 装到用户自己的 Playwright 缓存里。最后注意一点：系统服务账号的 PATH 通常不包含 ~/.local/bin，要么加到 profile 里，要么做个符号链接到 /usr/local/bin，否则 hermes 命令找不到。跑一下 hermes doctor 验证就行。

延伸阅读与交流

本文涉及的Hermes Agent自进化智能体技术体系，目前已有系统化的深度学习资源可供参考。中国通信工业协会通信和信息技术创新人才培养工程项目办公室将于近期组织相关技术专题分享，围绕本文讨论的AI原生架构、智能体工作流、自进化数据层等方向展开系统讲解。

专题信息

主题：AI原生Hermes自进化智能体系统
时间：2026年8月22-23日
形式：线上直播
内容方向：AI原生架构 · Hermes智能体拆解 · 全栈扩展 · 智能自动化 · 产品级实战 · Context Engine · 自进化数据层

分享嘉宾

王老师（Gavin），Agentic AI企业联合创始人兼CTO，十余年硅谷AI系统工程经验。长期深耕NLP、强化学习、可控AI与智能体系统架构，提出"语言即控制（Language as Control）"原创范式，在RLHF、PPO、DPO、GRPO等方向有系统化工程实践，推动智能体技术在社交媒体、医疗、金融、法律、教育等专业场景落地。

技术交流

联系人：Sam
WeChat：NLP_ChatGPT_LLM
Hermes Agent技术文档：https://hermes-agent.nousresearch.com/docs/

在这里插入图片描述

2026年重磅喜讯！喜报！热烈祝贺Gavin大咖人工智能领域经典著作《企业级ChatGPT AI大模型应用开发实战（1000分钟视频）》中国水利水电出版社发行上市!

内容提要

本书内容基于作者在硅谷 ChatGPT 项目及企业培训中的实战经验凝练而成，重点介绍企业级 ChatGPT 开发的核心技术、案例研究及最佳实践。全书共 16 章，分为基础篇和实战篇两大部分。

基础篇：

介绍 ChatGPT 底层架构 Transformer 技术及源码实现、GPT 的内部机制及源码实现、GPT 系列模型原理与应用：从 GPT-2 到 GPT-4 等内容。

实战篇：

介绍基于 ChatGPT 的端到端语音聊天机器人项目实战，企业级 ChatGPT 开发的三大核心内部机制及案例实战，ChatGPT 插件的内部机制、源码及案例实战，ChatGPT 提示词开发实战，思维链及 ReAct 解析与实战，提示词本质解析及评估实战与源码解析，LangChain 大模型框架的七大核心组件及案例解析（上、下），LangChain 代理深入解析及源码解析，AutoGPT 源码解析及综合案例实战，使用 LangChain 构建问答聊天机器人案例实战，构建基于大模型的自治代理案例，Llama 2 模型与 LangChain 项目详解。书中每个知识点均配有相应的实现代码和实例。

本书适合有一定 Python 基础的 ChatGPT 爱好者阅读，主要面向从事大模型应用开发、机器学习、数据挖掘或深度学习的专业人员，高等院校相关专业的师生，以及相关领域的科研人员。

本书附赠丰富的学习资源，具体如下：①同步学习资源，即 16 集同步教学视频，视频时长共计约 1000 分钟；②教师授课的辅助资源，即 187 个案例知识点、15 个项目实战的全部源代码。

前言

在当今快速发展的科技时代，人工智能（artificial intelligence，AI）技术正以惊人的速度改变着人们的生活和工作方式。在这个新时代的浪潮中，大模型技术成为AI领域的一颗耀眼新星。ChatGPT作为大模型技术的重要应用之一，正在引领着人机交互领域的革新浪潮。本书将带领读者深入探索大模型新时代，通过ChatGPT实战项目和内部解析，深入掌握基于ChatGPT的大模型应用开发领域的关键技术，并解密ChatGPT的底层架构和实现原理。

本书主要内容

本书通过ChatGPT实战项目的方式，为读者呈现一个全面、系统的学习路径，从基础知识的介绍开始，带领读者深入了解ChatGPT的工作原理和实际应用。本书非常适合具备Python基础的读者学习。

全书共16章，分为基础篇和实战篇两大部分。
基础篇包括第1～3章；实战篇包括第4～16章。

第1章 ChatGPT底层架构Transformer技术及源码实现，详解最大似然估计、最大后验概率、贝叶斯Transformer及自编码与自回归语言模型的内部机制。

第2章 GPT的内部机制及源码实现，剖析GPT运行机制、掩码机制、Decoder-Only模式，详解数据流动生命周期及GPT-2源码。

第3章 GPT系列模型原理与应用：从GPT-2到GPT-4，解析ChatGPT提示词流程、GPT-2运行机制，可视化解读GPT-3/4的内部机制。

第4章基于ChatGPT的端到端语音聊天机器人项目实战，涵盖ChatGPT API开发、前后端构建（ReAct+FastAPI）及项目优化。

第5章企业级ChatGPT开发的三大核心内部机制及案例实战，解析企业级开发核心，演示Notion问答对话AI案例。

第6章 ChatGPT插件的内部机制、源码及案例实战，详解插件工作原理、检索插件源码及全流程开发实战。

第7章 ChatGPT提示词开发实战，基于LangChain框架的提示词、思维链、链式提示词及模型评估开发。

第8章思维链及ReAct解析与实战，剖析思维链推理、ReAct技术原理、框架源码及案例实战。

第9章提示词本质解析及评估实战与源码解析，包含问答评估、代理评估源码解析及提示词本质探讨。

第10～11章 LangChain大模型框架的七大核心组件及案例解析（上、下），涵盖模型、词嵌入、提示词、内存、回调、数据连接、代理等核心组件及聊天机器人综合案例。

第12章 LangChain代理深入解析及源码解析，详解代理工作原理及AutoGPT源码解析。

第13章 AutoGPT源码解析及综合案例实战，剖析AutoGPT内部机制及其在LangChain代理、内存、PromptGenerator中的应用。

第14章使用LangChain构建问答聊天机器人案例实战，涵盖GPT-4代码生成全流程及LangChain开发实战。

第15章构建基于大模型的自治代理案例，详解自治代理原理、工具、示例及开源实现源码。

第16章 Llama 2模型与LangChain项目详解，包括模型部署（Replicate）、Hugging Face/LangChain实践、检索增强生成及自定义提示词RetrievalQA开发。

本书特色

●深入探索，全面剖析。
本书涵盖ChatGPT案例实战、LangChain项目实战及框架源码解析等多个层面的内容。每章都深入探讨相关技术与案例，并提供源码解析，使读者能够全面了解ChatGPT和LangChain等技术的内部机制与开发原理，为实际项目的应用提供有力指导。

●实战剖析，项目揭秘。
本书每章都提供具体的案例实战与项目解析，引导读者通过实际操作和代码理解技术细节和底层逻辑。通过理论结合实践的方式，使读者能够更好地运用所学知识，深入了解项目和框架的实现细节。

●前沿突破，技术驱动。
本书介绍了一系列突破性的技术，如ChatGPT、LangChain、Transformer、Prompt、Llama 2、AutoGPT、BabyAGI、CoT、ToT、ReAct、MRKL等。通过对这些技术的深入剖析，读者可以了解相关技术的发展和应用，并了解它们在实际项目中的具体应用场景和效果。

●源码解析，细致讲解。
本书对LangChain框架的关键技术进行了逐行源码剖析。读者可以深入理解源码实现和机制原理，从而更好地理解技术细节和底层逻辑，并将其应用于实际开发工作中。

本书还为读者提供了丰富的知识和实用的技能，帮助读者在ChatGPT和LangChain领域取得突破性的进展。无论是初学者还是有一定经验的开发者，都可以从本书中获得有价值的学习资源。

配套资源

为便于教与学，本书配有同步教学视频（约1000分钟）、源代码、数据集、教学课件、教学大纲、安装程序。

作者简介

王家林

美国斯坦福大学计算机专业毕业。曾在美国担任硅谷顶级机器学习和人工智能实验室主任、杰出AI工程师及首席机器学习工程师，专精于对话式人工智能（conversational AI）。现担任硅谷某知名对话机器人公司CTO，自2019年起专注于基于红队测试（red teaming）的责任型AI（responsible AI），并热衷于构建生成式AI/大语言模型教练系统（GenAI/LLM coaching systems）。在硅谷任职期间，曾领导多个GenAI/LLM解决方案项目，成功平衡企业业务需求下的大模型推理（reasoning）系统与幻觉（hallucinations）及偏见（biases）风险的最小化。

作为数据科学、机器学习、NLP、ChatGPT及大模型等领域25本书的主要作者，王家林对利用人工智能提供解决方案，以及通过机器学习驱动的NLP与LLM流程帮助组织实现数据驱动决策充满热情。他曾领导Apple、PayPal、Chase Bank、Faethm、LinkedIn等公司的11个重大NLP项目。

在NLP、对话式AI、大数据及基于AWS的无服务器（serverless）技术方面，拥有丰富的机器学习咨询经验。