这篇论文是（通过强化学习激励大语言模型的推理能力）。这篇论文在 AI 社区引起了巨大轰动，因为它详细揭示了如何通过**纯强化学习（RL）**让模型自发产生“思考”和“自我反思”能力，达到了媲美 OpenAI o1 的推理水平。

2026 年 3 月底的版本更新（版本号：2026.3.28）

Hermes Agent 是一个通用型 AI Agent 平台，不是单纯的聊天界面，也不是单一的代码助手。它把大模型推理、工具调用、终端执行、文件操作、网页检索、浏览器自动化、长期记忆、定时任务、多平台消息接入和外部系统扩展整合到一个统一框架里。从仓库结构和主干代码来看，它的目标不是“回答问题”本身，而是让模型具备持续执行任务的能力，并且能在不同入口、不同环境和不同工具集之间稳定运行。

Hermes 很依赖稳定的系统提示前缀来命中缓存。频繁改系统提示、技能载入方式、上下文文件或模型，会降低缓存命中率，提高成本和延迟。工具解决“做事”，skill、memory 和 context file 解决“长期稳定地做对”。高质量的长期使用，离不开这三者的正确分工。

Hermes 的执行力来自工具，但稳定性来自对工具的约束。真正高效的用法不是“什么都开”，而是为任务提供最小且足够的能力集合。

如果你在寻找一个能够承载“机构级”逻辑的量化框架，是目前开源界的选择。相比你之前关注的（侧重高性能 Rust/Python 混合）或Alphalens（侧重因子分析），。它不仅是回测引擎，更是一套包含了订单管理（OMS）、数据处理、风险控制以及多语言支持的复杂工程。以下是LEAN。

含义：预测未来1天的收益率= t+2日的收盘价= t+1日的收盘价标签：(t+2日收盘价 / t+1日收盘价) - 1。

1. 日历接口# 获取交易日历freq='day'# 获取交易日2. 股票列表接口# 获取股票列表instruments = D.instruments('csi300') # CSI300成分股3. 特征数据接口# 获取特征数据freq='day'1. 官方数据源：免费股票数据本地数据：预处理的二进制数据自定义数据：用户提供的数据2. 数据频率日频数据：每日OHLCV数据分钟数据：1分钟、5分钟

频繁改模型、系统提示、上下文文件、技能加载方式，会提高成本并降低会话稳定性。profile 隔离的是整套 Hermes home，包括配置、技能、会话、memory、gateway 状态等。toolset、MCP、Gateway 授权都遵循同一个原则：只开必须的，不要因为“以后可能用到”而默认暴露。这意味着 Hermes 的效果不仅取决于模型，还取决于工具可用性、上下文质量和你的使用方式。工作、个

CLI 是你理解 Hermes 行为、观察工具调用、调整模型与会话状态的最佳入口。只要你把 CLI 用顺，后面使用 Gateway、MCP、Cron 和开发扩展时都会轻松很多。