Hermes Agent 深度解析：越用越强的自进化 AI 智能体
的场景（DevOps、内容创作、研究分析、客户服务等），Hermes Agent 的自进化特性能够带来随时间不断累积的复合收益——这是目前大多数 Agent 框架所不具备的特质。因为"任务完成"在 Agent 架构中难以精确定义，而工具调用次数是衡量"对话复杂度"的可靠代理指标——简单的问答不会触发（迭代少），只有真正经历了多步执行的任务才会触发。一旦建立缓存，对话中途。：对 Skill 内容、系
·
1. 项目概述
Hermes Agent 是 Nous Research 开源的一款自进化 AI 智能体框架。
-
仓库：https://github.com/NousResearch/hermes-agent
-
语言：Python ≥ 3.11（93.1%），少量 TypeScript
-
许可证：MIT
-
最新版：v0.9.0（2026-04-13）
-
前身：OpenClaw（安装向导自动检测并迁移旧配置）
Hermes Agent 的核心理念只有一句话：AI 智能体应该像人类一样，从每次经历中学习并积累技能，而不是每次对话都从零开始。
2. 解决什么问题
2.1 传统 AI 助手的三大痛点
|
痛点 |
具体表现 |
|---|---|
| 无记忆 |
每次新对话重新开始，上次解决过的问题下次还要重解 |
| 无成长 |
使用一年和使用一天没有区别，没有技能积累 |
| 强绑定 |
绑定特定模型/平台，迁移成本极高 |
2.2 Hermes Agent 的解决思路
ounter(lineounter(lineounter(line传统 Agent：任务 → 执行 → 结束（遗忘） ↓Hermes Agent：任务 → 执行 → 自动创建 Skill → 下次复用 → 定期优化 → 越来越强Hermes 通过三个机制解决上述问题：
-
程序性记忆（Skill）：将解决问题的过程固化为可复用的 SKILL.md 文档
-
情节性记忆（SQLite）：用带 FTS5 全文检索的 SQLite 记录所有历史对话
-
定时自我优化（Cron）：内置调度器定期"唤醒"agent 复习和改进既有技能
2.3 其他设计目标
-
零锁定：支持 20+ 模型提供商，
hermes model一键切换，无需改代码 -
多端统一：一个后端进程同时服务 CLI、Telegram、Discord、Slack、WhatsApp 等 16+ 平台
-
廉价部署：支持 $5 VPS、本地机器、GPU 集群，idle 时近乎零成本
3. 整体架构设计
3.1 分层架构
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line┌─────────────────────────────────────────────────────┐│ 入口层 Entry Points ││ CLI │ Gateway │ ACP Adapter ││ (cli.py) │ (18 平台适配) │ (IDE 集成) │└───────────────────────────┬─────────────────────────┘ ↓┌─────────────────────────────────────────────────────┐│ 核心引擎 AIAgent (run_agent.py) ││ 对话循环 │ Provider 路由 │ 上下文压缩 ││ Session 持久化 │ Prompt 缓存 │ Iteration 管理 │└──────────┬────────────────────────┬─────────────────┘ ↓ ↓┌──────────────────┐ ┌───────────────────────────┐│ Tool Registry │ │ Skills System ││ 47 个内置工具 │ │ ~/.hermes/skills/ ││ 19 个工具集 │ │ 渐进式加载 (3 级) │└──────────┬───────┘ └───────────────────────────┘ ↓┌─────────────────────────────────────────────────────┐│ Provider 层（20+ 模型提供商） ││ Anthropic │ OpenAI │ OpenRouter │ Ollama │ GLM ││ HuggingFace │ Kimi │ MiniMax │ Google AI │ ... │└──────────────────────────┬──────────────────────────┘ ↓┌─────────────────────────────────────────────────────┐│ 执行环境层（6 种后端） ││ Local │ Docker │ SSH │ Daytona │ Singularity │ Modal│└─────────────────────────────────────────────────────┘3.2 数据流向
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line用户输入 │ ▼[入口适配器] ──→ 统一 Message 格式 ──→ [AIAgent 核心] │ ┌─────────────────────────┤ ▼ ▼ [构建 Prompt] [查询 Skills] 系统提示 + FTS5 全文搜索 历史对话 + 渐进式加载 可用工具列表 │ ▼ [调用 LLM API]（流式输出） │ ┌──────┴──────┐ ▼ ▼ [有工具调用] [直接响应] │ │ ▼ ▼ [工具执行] 返回给用户 并发/串行 │ ▼ [结果追加历史] │ ▼ [检查 token 阈值] 超限 → 上下文压缩 │ ▼ [循环直到无工具调用] │ ▼ [自动创建/更新 Skill]4. 核心模块详解
4.1 文件结构
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(linehermes-agent/├── run_agent.py # 核心引擎，AIAgent 类（约 11,000 行）├── cli.py # 交互式 CLI（Rich + prompt_toolkit）├── model_tools.py # 工具编排与自动发现├── hermes_state.py # SQLite + FTS5 历史存储├── toolsets.py # 19 个工具集定义├── tools/│ └── registry.py # 工具注册中心├── gateway/ # 18 个平台适配器├── skills/ # 内置技能包├── cron/ # 定时任务调度器├── batch_runner.py # RL 训练轨迹生成└── hermes_cli/ ├── commands.py # 统一命令注册表 └── config.py # 配置管理4.2 核心引擎：run_agent.py
AIAgent 是整个框架的心脏，负责管理完整的 Agent 对话循环：
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineclass AIAgent: async def run(self, user_message: str): while api_call_count < max_iterations: # 1. 构建 prompt（系统提示 + 历史 + skills + memory） messages = self._build_messages()
# 2. 调用 LLM（流式） response = await self.provider.complete(messages, tools=self.tools)
# 3. 有工具调用则分发执行 if response.tool_calls: results = await self._dispatch_tools(response.tool_calls) # 检测是否可并行执行（_PARALLEL_SAFE_TOOLS） # 文件操作路径重叠 → 自动串行回退
# 4. 工具结果追加历史 self.history.append(results)
# 5. Token 超阈值 → 触发上下文压缩 if self._token_usage > self.compression_threshold: await self._compress_context()
# 6. 无工具调用 → 终结响应 else: return response.content
# 7. 任务完成 → 自动创建 Skill await self._maybe_create_skill()关键设计细节：
-
Prompt 缓存：利用 Anthropic prefix caching，节省最高 75% 输入 token 费用。一旦建立缓存，对话中途禁止修改系统提示或工具集（会破坏缓存命中）
-
Iteration Budget：默认每个 session 90 轮 LLM 调用，非计费操作（如读本地文件）可"退款"到预算池
-
子 Agent：可 spawn 隔离子 agent 处理并行工作流，父子各有独立的 iteration budget
4.3 工具注册中心：tools/registry.py
采用装饰器 + 自动发现模式：
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(linefrom tools.registry import registry
@registry.register( name="web_search", description="Search the web for information", schema={ "type": "object", "properties": { "query": {"type": "string", "description": "Search query"} }, "required": ["query"] })async def handle_web_search(query: str) -> str: result = await exa_client.search(query) return json.dumps(result)注册中心在启动时自动扫描 tools/ 目录，收集所有 schema，并按工具集分组提供给 LLM。
4.4 历史存储：hermes_state.py
使用 SQLite + FTS5 全文检索，无需向量数据库：
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line-- 主表CREATE TABLE sessions ( id TEXT PRIMARY KEY, created_at TIMESTAMP, summary TEXT);
CREATE TABLE messages ( id TEXT PRIMARY KEY, session_id TEXT, role TEXT, content TEXT, created_at TIMESTAMP, FOREIGN KEY (session_id) REFERENCES sessions(id));
-- FTS5 全文索引（轻量替代向量检索）CREATE VIRTUAL TABLE messages_fts USING fts5( content, content=messages, content_rowid=rowid);检索时先用 FTS5 找相关段落，再用 LLM 总结压缩，最终注入当前 prompt。
5. Skills 自进化系统
这是 Hermes Agent 最核心的差异化特性。
5.1 Skill 是什么
Skill 是一种结构化知识文档，格式为 SKILL.md（YAML frontmatter + Markdown 正文），保存在 ~/.hermes/skills/ 目录下。
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line---name: review-mrversion: 1.2.0description: Review a GitLab MR before deploymentplatforms: [linux, macos]requires_tools: [execute_code, web_search]metadata: hermes: tags: [devops, gitlab, review]---
# Deploy Review MR
## 使用场景当需要审查 GitLab MR 时，尤其是涉及数据库变更或 Apollo 配置修改。
## 前置条件- 已配置 GITLAB_TOKEN 环境变量- 已安装 jq
## 执行步骤
### 1. 获取 MR Diff```bashcurl -s "https://gitlab.com/api/v4/projects/{PROJECT_ID}/merge_requests/{MR_ID}/diffs" \ -H "PRIVATE-TOKEN: $GITLAB_TOKEN"```
### 2. 检查高危变更重点检查：- `db/migrate/` 目录下的迁移文件- `config/apollo/` 下的配置变更- `Gemfile.lock` 依赖变化
### 3. 生成审查报告...
## 已知陷阱（从失败中学到的）- Apollo 配置变更必须与后端代码同步部署，顺序错误会导致服务中断- 大表 migration 在高峰期不要执行5.2 Skill 完整 Schema
SKILL.md 的 frontmatter 支持以下所有字段：
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line---name: skill-name # 必填，最长 64 字符，全局唯一description: 描述 # 必填，最长 1024 字符version: 1.0.0 # 可选license: MIT # 可选（agentskills.io 兼容）platforms: [macos, linux] # 可选，省略则全平台
# 环境变量声明（新版）required_environment_variables: - name: API_KEY prompt: "Enter your API key" help: "https://example.com/keys" optional: false
# 安装配置setup: help: "https://example.com/setup" collect_secrets: - env_var: API_KEY prompt: "Enter API key" secret: true
# 元数据（工具集依赖、关联技能等）metadata: hermes: tags: [fine-tuning, llm] related_skills: [peft, lora] requires_toolsets: [browser] # 需要特定工具集才显示 fallback_for_toolsets: [browser] # 工具集不可用时自动激活 requires_tools: [browser_navigate] fallback_for_tools: [browser_navigate] config: - key: wiki.path description: "Path to wiki" default: "~/wiki" prompt: "Wiki directory"---5.3 渐进式加载（节省 Token）
Skills 采用三级渐进式加载，避免一次性注入所有知识造成 token 浪费：
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineLevel 0（总是加载）：技能名称 + 描述列表 约 3,000 tokens，帮助 LLM 知道"有哪些技能"
Level 1（按需加载）：完整技能内容 当 LLM 判断当前任务需要某个 Skill 时才加载
Level 2（按需加载）：技能引用的外部文档 当 Skill 内容引用了额外资料时才加载5.4 自动创建 Skill 的完整机制（源码级解析）
这是整个自进化系统最核心的部分，下面从源码视角完整还原实现。
5.4.1 触发时机：不是任务完成，而是计数器驱动
很多人以为 Skill 是在"任务完成后"自动创建的，实际上触发机制更为精细——是基于工具调用迭代次数计数器（_iters_since_skill）。
ounter(lineounter(lineounter(lineounter(lineounter(line# run_agent.py 第 8189-8193 行# 每次 LLM 发起一次 API 调用，计数器 +1if (self._skill_nudge_interval > 0 and "skill_manage" in self.valid_tool_names): self._iters_since_skill += 1ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line# run_agent.py 第 10741-10745 行# 达到阈值时，设置 review 标志，并重置计数器_should_review_skills = Falseif (self._skill_nudge_interval > 0 and self._iters_since_skill >= self._skill_nudge_interval and "skill_manage" in self.valid_tool_names): _should_review_skills = True self._iters_since_skill = 0默认阈值是 10 次工具调用迭代，可通过配置文件调整：
ounter(lineounter(lineounter(line# config.yamlskills: creation_nudge_interval: 10 # 每 10 次迭代触发一次 Skill 审查计数器重置时机：当 LLM 在对话中主动调用了 skill_manage 工具（说明它已经在处理 Skill），计数器归零，避免重复触发：
ounter(lineounter(lineif function_name == "skill_manage": self._iters_since_skill = 0为什么是计数器而不是任务完成事件？ 因为"任务完成"在 Agent 架构中难以精确定义，而工具调用次数是衡量"对话复杂度"的可靠代理指标——简单的问答不会触发（迭代少），只有真正经历了多步执行的任务才会触发。
5.4.2 执行时机：response 发出后，后台静默运行
Skill review 不阻塞主对话。触发条件满足时，是在当前 response 已经发送给用户之后，异步启动一个后台线程：
ounter(lineounter(lineounter(lineounter(line用户消息 → LLM 执行 N 次工具调用（N≥10）→ 生成最终 response → 发送给用户 ↓ [后台静默] 启动 review thread 用户完全感知不到5.4.3 后台 review agent 的实现
Hermes 的做法很聪明：fork 出一个全新的 AIAgent 实例来做 review，而不是在主 agent 上追加逻辑。
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line# run_agent.py 第 2195 行def _spawn_background_review( self, messages_snapshot: List[Dict], # 完整对话历史的快照 review_skills: bool = False,) -> None: """后台线程：永不修改主对话历史，永不产生用户可见输出。""" prompt = self._SKILL_REVIEW_PROMPT
def _run_review(): review_agent = AIAgent( model=self.model, max_iterations=8, # 最多 8 轮迭代（够用但有上限） quiet_mode=True, # 完全静默 ) # 禁用递归触发，防止 review agent 再次触发 review review_agent._skill_nudge_interval = 0 review_agent._memory_nudge_interval = 0
review_agent.run_conversation( user_message=prompt, conversation_history=messages_snapshot, # 注入完整对话历史 )
t = threading.Thread(target=_run_review, daemon=True, name="bg-review") t.start()关键设计：
-
messages_snapshot是主对话历史的深拷贝快照，review agent 读它但不修改它 -
quiet_mode=True确保 review agent 的所有输出对用户不可见 -
max_iterations=8给 LLM 足够空间决策并写入 Skill，但设置上限防止失控 -
daemon=True确保主进程退出时 review thread 自动终止
5.4.4 LLM 如何判断"值不值得创建 Skill"
review agent 启动后，把完整对话历史 + 下面这段 prompt 发给 LLM：
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line# run_agent.py 第 2171-2180 行_SKILL_REVIEW_PROMPT = ( "Review the conversation above and consider saving or updating a skill " "if appropriate.\n\n" "Focus on: was a non-trivial approach used to complete a task that required " "trial and error, or changing course due to experiential findings along the " "way, or did the user expect or desire a different method or outcome?\n\n" "If a relevant skill already exists, update it with what you learned. " "Otherwise, create a new skill if the approach is reusable.\n" "If nothing is worth saving, just say 'Nothing to save.' and stop.")LLM 的判断标准（完全由语言模型自主决策，无硬编码规则）：
|
判断维度 |
说明 |
|---|---|
| 试错过程 |
任务是否经历了反复尝试、多次调整方向？ |
| 实验性发现 |
是否在执行中发现了预期外的情况，并据此改变策略？ |
| 用户纠偏 |
用户是否对方法或结果表达了不满，促使 agent 改变方式？ |
| 可复用性 |
这个方法下次遇到类似问题时还能用吗？ |
退出条件：如果 LLM 认为这次对话不值得保存，它直接回复 "Nothing to save." 并停止调用任何工具。这是 Skill 创建的自然过滤器——简单的问答、一次性任务不会产生噪音 Skill。
5.4.5 系统 Prompt 中的预埋指令
除了事后的 review 机制，Hermes 还在系统 Prompt 中预埋了指令，让主 agent 在对话中途也可以主动创建 Skill：
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line# run_agent.py 第 3183 行SKILLS_GUIDANCE = ( "After completing a complex task (5+ tool calls), fixing a tricky error, " "or discovering a non-trivial workflow, save the approach as a skill with " "skill_manage so you can reuse it next time.\n" "When using a skill and finding it outdated, incomplete, or wrong, " "patch it immediately with skill_manage(action='patch') — don't wait to be asked. " "Skills that aren't maintained become liabilities.")同时，skill_manage 工具的 schema 描述中也明确了创建时机：
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineCreate when: - complex task succeeded (5+ tool calls) - errors overcome - user-corrected approach worked - non-trivial workflow discovered - user asks you to remember a procedure
Update when: - instructions stale/wrong - OS-specific failures discovered - missing steps or pitfalls found during use
Skip for: simple one-offs5.4.6 新建 vs. 更新的判断
没有硬编码的去重逻辑（如哈希比对），完全依赖 LLM 语义判断：
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(linereview agent 拿到对话历史 ↓调用 skills_list() 工具，列出现有所有 Skills ↓LLM 语义比较：这次学到的东西，和哪个现有 Skill 最相关？ ↓┌───────────────────────────────────┐│ 有相关 Skill？ ││ ├─ 是 → skill_manage(action='patch', name='xxx', ...) 更新│ └─ 否 → skill_manage(action='create', name='yyy', ...) 新建└───────────────────────────────────┘这种设计的优缺点：
-
优点：灵活，能理解语义相近的合并需求，不会因为名字不同就创建重复 Skill
-
缺点：依赖 LLM 判断，可能因模型能力差异产生不一致的结果
5.4.7 完整时序图
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line主对话线程 后台 review 线程──────────────────────────────────── ──────────────────────────────用户: "帮我部署这个服务" ↓[iter 1] LLM 调用 execute_code _iters_since_skill = 1[iter 2] LLM 调用 web_search _iters_since_skill = 2[iter 3] LLM 调用 execute_code _iters_since_skill = 3...（中间经历了几次失败和调整）[iter 10] LLM 生成最终 response _iters_since_skill = 10 → 触发！ ↓response 发送给用户 ✓ spawn bg-review thread ↓ ↓主线程继续等待 review_agent.run_conversation(下一条用户消息 messages_snapshot, prompt=_SKILL_REVIEW_PROMPT ) ↓ LLM 分析对话历史... "用户部署过程中遇到了端口冲突， 需要先检查占用，这是可复用的" ↓ skill_manage( action='create', name='service-deploy-linux', content='...' ) ↓ 写入 ~/.hermes/skills/ service-deploy-linux/SKILL.md ✓5.5 自进化闭环总览
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line ┌──────────────────┐ │ 用户完成复杂任务 │ │ (≥10 次工具调用) │ └────────┬─────────┘ ↓ [后台 review agent 启动] LLM 审查完整对话历史 ↓ ┌─────────────┴─────────────┐ ▼ ▼ 值得保存 不值得保存 ↓ ↓ 新建或更新 SKILL.md "Nothing to save." 写入 ~/.hermes/skills/ 静默退出 ↓ ┌──────────┼──────────┐ ▼ ▼ ▼下次同类 使用中发现 Cron 定时任务直接 Skill 过时 任务可加载复用 → 立即 patch 指定 Skill5.6 技能来源
|
来源 |
描述 |
|---|---|
| 自动生成 |
对话中后台 review agent 自动创建 |
| 主动触发 |
主 agent 在对话中途主动调用 |
| 官方内置 |
仓库内预置，涵盖 DevOps、MLOps、研究等 |
| agentskills.io |
开放标准社区目录（Hermes 发起） |
| GitHub 直装 | hermes skill install github:user/repo |
| ClawHub / LobeHub |
第三方技能市场 |
5.7 自进化研究项目
Nous Research 还有姊妹项目 hermes-agent-self-evolution，将 Skill 自进化推向更深层：
-
DSPy：自动优化 prompt 文本
-
GEPA（遗传进化 Prompt 算法）：对 Skill 内容、系统提示、工具描述进行"变异 + 选择 + 保留"，类似生物进化，最终存活的是效果最好的版本
6. 工具系统
6.1 47 个内置工具，19 个工具集
|
工具集 |
包含工具 |
|---|---|
| web |
搜索、抓取、截图、浏览器自动化（含反检测） |
| code |
多语言代码执行、调试 |
| files |
读写、目录操作、diff |
| media |
图像生成（fal.ai）、语音合成（edge-tts） |
| memory |
Skill 管理、历史检索 |
| system |
进程管理、环境变量 |
| mcp |
MCP 协议外部工具接入 |
|
... |
... |
6.2 并行执行优化
工具注册时可声明是否并发安全：
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line_PARALLEL_SAFE_TOOLS = { "web_search", "web_fetch", "image_generate", "text_to_speech", "read_file" # 只读操作安全并行}
# 文件写操作会检测路径重叠，重叠则自动串行_FILE_WRITE_TOOLS = {"write_file", "edit_file", "delete_file"}7. 多平台 Gateway
7.1 支持的 16+ 平台
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line即时通讯：Telegram | Discord | Slack | WhatsApp | Signal | Matrix | WeChat | WeCom电子邮件：Email (SMTP/IMAP)苹果生态：iMessage (via BlueBubbles)Web 接口：REST API | WebSocketIDE 集成：ACP Protocol（Cursor 等）命令行：CLI（主入口）7.2 Telegram 高级特性
-
私聊 Topics：按项目隔离对话，不同 Topic 可绑定不同 Skill 集
-
DNS-over-HTTPS 回落：在
api.telegram.org被封锁的网络环境下自动切换
7.3 统一路由设计
所有平台适配器最终将消息转化为统一格式，路由到同一个 AIAgent 核心，Session 按平台+用户 ID 隔离：
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line# gateway/base.pyclass BaseGateway: async def on_message(self, platform: str, user_id: str, text: str): session_key = f"{platform}:{user_id}" agent = self.session_pool.get_or_create(session_key) response = await agent.run(text) await self.send_response(response)8. 模型无关性设计
8.1 支持的 20+ 提供商
|
类别 |
提供商 |
|---|---|
|
云端旗舰 |
Anthropic (Claude), OpenAI (GPT), Google AI Studio (Gemini) |
|
聚合路由 |
OpenRouter（200+ 模型）, Nous Portal |
|
中国模型 |
GLM (z.ai), Kimi/Moonshot, MiniMax |
|
本地推理 |
Ollama, HuggingFace (本地) |
|
自定义 |
任意 OpenAI 兼容 endpoint |
8.2 切换模型零代码改动
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(line# 交互式切换hermes model
# 直接指定HERMES_MODEL=claude-opus-4-6 hermesHERMES_MODEL=ollama/llama3 hermes8.3 Prompt 缓存策略（成本优化）
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineAnthropic prefix cache 原理：┌────────────────────────────────────────┐│ 系统提示 (不变) │ ← 缓存│ 工具定义 (不变) │ ← 缓存│ Skills Level 0 (不变) │ ← 缓存├────────────────────────────────────────┤│ 对话历史 (增长) │ ← 不缓存│ 用户最新消息 │ ← 不缓存└────────────────────────────────────────┘
节省：最高 75% 输入 token 费用限制：对话中途不能修改缓存部分（否则缓存失效，成本骤增）9. 案例演示
案例一：首次处理部署审查，自动学习
场景：用户第一次让 Hermes 审查一个 GitLab MR。
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line用户：帮我审查一下 MR !1234，项目 ID 是 5678
Hermes：好的，我来帮你审查。[调用 web_search 工具查找 GitLab API 文档][调用 execute_code 工具获取 MR diff][分析变更：发现 db/migrate/ 下有新迁移文件][调用 web_search 查询 Rails migration 最佳实践]
审查结果：⚠️ 发现 db/migrate/20260415_add_index_users.rb - 该迁移在 users 表上添加索引，生产环境有 500万 行 - 建议使用 add_index :users, :email, algorithm: :concurrently - 直接添加会锁表约 30 秒，高峰期风险极高
✅ 代码逻辑无问题✅ 测试覆盖完整
建议：修改迁移使用 concurrent 模式后再合并。
---[后台自动执行]已创建新 Skill：~/.hermes/skills/gitlab-mr-review.md - 记录了 GitLab API 调用方式 - 记录了数据库迁移审查要点 - 记录了本次发现的"大表加索引"陷阱案例二：第二次同类任务，直接复用 Skill
场景：一周后，用户再次请求 MR 审查。
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line用户：帮我审查 MR !2345，项目 5678
[Hermes 内部：FTS5 搜索历史，发现"MR 审查"相关记忆][加载 Skills Level 0：发现 gitlab-mr-review.md，usage_count=1][加载 Skills Level 1：读取完整 Skill 内容]
Hermes：好的，我根据上次的经验来审查。[直接调用 execute_code，使用 Skill 中记录的 API 格式][检查重点：迁移文件 + Apollo 配置（Skill 中的检查清单）]
⏱ 完成时间：比上次快 40%（无需重新查文档）案例三：Cron 自动进化 Skill
场景：Hermes 的 Cron 调度器在凌晨触发优化任务。
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line[Cron 触发，凌晨 3:00]
Nudge：你在过去两周使用了 gitlab-mr-review Skill 7 次， 其中有 2 次需要额外查询 Apollo 配置相关信息。 请复习并改进这个 Skill。
[Hermes 自动执行][读取 Skill 当前内容][读取 7 次使用的对话历史][发现：Apollo 配置变更是高频检查项，但 Skill v1.0 中没有覆盖]
[自动更新 Skill 至 v1.1] 新增：Apollo 配置变更检查章节 新增：配置与代码部署顺序的注意事项 更新：usage_count = 7
[完成，无需用户干预]案例四：多平台统一体验
场景：用户在不同场景下使用同一个 Hermes 实例。
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line早上 9:00 [Telegram] 用户：把昨天那个性能优化报告发给我一份 Hermes：[FTS5 搜索昨天的 session，找到报告内容] [通过 Telegram 发送 PDF]
中午 12:00 [CLI] $ hermes "继续昨天的性能优化工作" Hermes：[加载昨天的 session 摘要] 好的，昨天我们分析了数据库查询慢的问题， 已定位到 N+1 查询在 UserService.list()， 接下来要...
晚上 7:00 [Discord] 用户：@hermes 帮我看看这段 Python 代码 Hermes：[全新 Discord session，但有 Skill：debug-python] [直接应用已有的调试经验]案例五：子 Agent 并行工作流
场景：处理需要并发调查的复杂分析任务。
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line# 主 Agent 自动 spawn 子 Agent"""用户：帮我分析竞品 A、B、C 三家公司的技术架构差异
Hermes（主 Agent）：我来并行分析这三家公司。 [spawn sub_agent_1] → 分析公司 A 的技术博客和 GitHub [spawn sub_agent_2] → 分析公司 B 的技术博客和 GitHub [spawn sub_agent_3] → 分析公司 C 的技术博客和 GitHub [等待三个子 Agent 完成] [汇总结果，生成对比报告]
完成！这比串行处理节省了约 65% 的时间。"""10. 与主流框架对比
|
维度 |
Hermes Agent |
LangChain |
AutoGen |
OpenAI Swarm |
|---|---|---|---|---|
| 记忆系统 |
SQLite + FTS5 + Skill |
插件化（需额外配置） |
基础历史 |
无内置记忆 |
| 自进化 | 内置
（Cron + 自动创建 Skill） |
无 |
无 |
无 |
| 多平台 | 16+ 平台内置
（Telegram, Discord...） |
需自建 |
需自建 |
无 |
| 模型支持 | 20+ 提供商
，一键切换 |
多，但切换需改代码 |
OpenAI 为主 |
OpenAI 专属 |
| 向量数据库 | 不需要
（FTS5） |
通常需要 |
通常需要 |
不需要 |
| 部署复杂度 | 低
（单进程，SQLite） |
高（多依赖） |
中 |
低但功能少 |
| RL 训练支持 | 内置
batch_runner |
无 |
无 |
无 |
| 与 MCP 关系 |
Client + Server 双模式 |
Client |
Client |
无 |
核心差异：Hermes Agent 不是工具编排器，而是有记忆、会学习的自主 Agent 系统。
11. 总结与展望
11.1 架构设计的务实之道
Hermes Agent 的架构展示了一种**"务实 > 完美"**的工程哲学：
|
常见"理想"方案 |
Hermes 的务实选择 |
理由 |
|---|---|---|
|
向量数据库（Pinecone 等） |
SQLite + FTS5 |
零依赖，够用，可离线 |
|
复杂知识图谱 |
YAML Skill 文档 |
人类可读，LLM 易理解 |
|
多服务微架构 |
单进程 |
部署简单，idle 零成本 |
|
专有 AI 框架 |
标准 OpenAI SDK |
兼容所有提供商 |
11.2 版本演进速度
Hermes Agent 在 2026 年 3-4 月迭代极为迅速：
|
版本 |
日期 |
关键新特性 |
|---|---|---|
|
v0.5.0 |
3/28 |
HuggingFace、Telegram Topics、Modal、移除 litellm（供应链安全） |
|
v0.6.0 |
3/30 |
多 Profile、MCP Server 模式、Docker 完整支持 |
|
v0.7.0 |
4/3 |
可插拔 memory provider、凭证池轮转、反检测浏览器 |
|
v0.8.0 |
4/8 |
后台任务通知、实时模型切换、Google AI Studio |
|
v0.9.0 |
4/13 |
Android Termux、iMessage/WeChat/WeCom、Web Dashboard、Fast Mode |
11.3 Hermes 的核心价值主张
ounter(lineounter(lineounter(line传统 AI Agent 是"工具"——你告诉它做什么，它做完就忘。Hermes Agent 是"同事"——它记得你们一起解决过什么， 并且会在你睡觉的时候自己复习。对于需要长期、反复处理同类任务的场景（DevOps、内容创作、研究分析、客户服务等），Hermes Agent 的自进化特性能够带来随时间不断累积的复合收益——这是目前大多数 Agent 框架所不具备的特质。
——新书推荐——
小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用
更多推荐
11
0- 0
已为社区贡献2条内容
所有评论(0)