Hermes Agent:会自己长大的AI助手

OpenClaw热潮还没散，Hermes Agent就来了。它不是又一个Agent工具，而是第一个”出厂就带缰绳”的AI Agent。用得越久，它越懂你。

又来一个？

我理解你的疲惫。

OpenClaw在2025年底掀起了龙虾热，2600万用户，国内大厂纷纷跟进。那段时间你的朋友圈大概率被”我养了一只虾”刷过屏。

龙虾热还没完全散去，又有一个新东西冒出来了。

2026年2月，Nous Research发布了Hermes Agent。两个月不到，GitHub stars飙到27000+。

你的第一反应可能是：龙虾我还没搞明白，又来？

我花了一周时间把Hermes从头到尾拆了一遍，发现它和OpenClaw走的是完全不同的路。Hermes不是又一个龙虾，它在做一件我们一直在讨论但没人做成产品的事。

不是又一个Agent，是第一次产品化

2026年初，AI编程圈出现了一个共识：瓶颈不是模型，是环境。

LangChain团队做了一个实验，用同一个模型，只调整周围的”缰绳”配置，成绩从52.8%涨到66.5%，排名从Top 30跳到Top 5。模型一行没改。

Mitchell Hashimoto（Terraform的创造者）第一个给这件事命名：Harness Engineering。他的做法很朴素：每次AI犯错，就加一条规则，让它永远不再犯同一个错。文件是活的，一直在长。

我在上一本橙皮书里把Harness拆成了五个组件：指令层、约束层、反馈层、记忆层、编排层。这五个组件是理解Hermes的钥匙。

但Harness Engineering有一个问题：执行全靠人。你得自己写CLAUDE.md，自己配hooks，自己搭记忆系统。

Hermes做的事情是：把这五个组件全部内建了。

看左列和右列的对比。左边全是手动操作，你得是一个有经验的工程师才能搭出来。右边是开箱即用，装完就有。

Hermes是第一个出厂就带缰绳的Agent。而且缰绳会自己长大。

核心机制：学习循环

Hermes最让人意外的不是它能做什么，而是它会变。用得越多，它越好用。

这不是营销话术，是一个可观察、可验证的闭环机制。

五个环节，一个闭环

Hermes的学习循环有五个环节，单看都不复杂，但串起来形成了一个持续改进的飞轮：

1. 策划记忆

每轮对话结束后，Hermes会主动决定哪些信息值得记住。是主动决定，不是被动存储。

传统的对话记忆很粗暴：把整个聊天历史塞进上下文。聊得越多，上下文越长，直到撑不下为止。

Hermes的做法更像人类写日记。每次对话结束，它会回头看一遍：这次聊了什么？有新发现吗？用户表达了什么偏好？然后把值得记住的内容写入SQLite数据库，建好FTS5全文索引。

2. 自主创建Skill

当Hermes完成了一个相对复杂的任务，它会问自己一个问题：这个解决方案以后还会用到吗？

如果答案是yes，它就把解决方案提炼成一个Skill文件，存到 ~/.hermes/skills/ 目录下。

比如你让它帮你把CSV文件清洗并导入数据库。它做完之后，可能会创建一个叫 csv-to-database.md 的Skill，记录了数据清洗的常见步骤、你偏好的数据库连接方式、你通常需要的字段验证规则。

下次你再说”帮我导入这个CSV”，它不是从零开始，而是加载这个Skill。

3. Skill自改进

Skill创建出来不是终点。每次使用的过程中，如果你给了反馈，Hermes会拿这些反馈修改Skill本身。

比如你说”这个导入脚本应该先检查表是否存在”，Hermes不只是这次加上这个检查，它会回去修改那个Skill文件，把这条规则写进去。下次再用这个Skill，检查步骤就是默认包含的。

4. FTS5跨会话召回

记住了这么多东西，关键是能在对的时候找出来。

Hermes用SQLite的FTS5扩展做全文索引。每次新对话开始前，它会根据当前话题搜索历史记忆，把相关内容加载到上下文中。不是加载全部历史，是按需检索。

FTS5还有一个好处：它是纯本地的。你的记忆数据不需要上传到任何服务器，就在本地的SQLite文件里。

5. 用户建模

最后一个环节是Honcho用户建模，这是可选的外部集成。它做的事情比记住你说过什么更进一步：它在推理你是什么样的人。

每次对话结束后，Honcho会分析这次交流，推导出你的偏好、习惯、目标。比如你从来没有明确说过”我喜欢简洁的代码风格”，但Honcho通过分析你多次修改代码的模式，推断出这个结论。下次生成代码时，它会默认走简洁路线。

飞轮效应

五个环节单独看都不算新鲜。记忆、Skill、检索、用户画像，AI领域都见过。

Hermes的创新在于把它们组成了一个闭环。记忆喂养Skill，Skill使用中产生新记忆，新记忆触发Skill改进，改进后的Skill产生更好的结果。

这是一个正反馈循环。用得越多，每个环节都在变强，而且是同时变强。

三层记忆：从金鱼到老友

大多数AI聊天工具的记忆像金鱼，上一轮说的话下一轮就忘了。Hermes的目标是做一个老友：记得你说过什么，知道你是什么样的人，还学会了你做事的方式。

第一层：会话记忆

会话记忆回答的问题是：发生了什么？

每轮对话的内容、工具调用和返回结果，全部写入SQLite数据库，同时建FTS5全文搜索索引。这是情景记忆，类似人类大脑中的海马体。

关键设计：按需检索而不是全量加载。新对话开始时，Hermes不会把过去所有对话历史都塞进来。它根据当前话题，用FTS5搜索相关的历史片段，只加载需要的部分。

第二层：持久记忆

持久记忆回答的问题是：你是谁？

这一层存的不是对话内容，而是从对话中提炼出的持久状态。比如你的编码偏好、项目结构习惯、常用工具链、工作时间规律。这些跨会话保持，不会因为开了新对话就丢失。

第三层：Skill记忆

Skill记忆回答的问题是：怎么做事？

每个Skill是 ~/.hermes/skills/ 下的一个markdown文件，记录的是方法论和操作规范。

这三层对应了认知科学里的三种记忆类型：情景记忆（发生了什么）、语义记忆（世界是什么样的）、程序性记忆（怎么做事）。

人类学骑自行车的过程就是这三层记忆的协作：你记得上次摔了（情景），你知道重心要放低（语义），你的身体会自动保持平衡（程序性）。Hermes处理任务的过程类似。

和OpenClaw的本质区别

OpenClaw热潮之后，大家最关心的问题是：Hermes和OpenClaw到底有什么不一样？

差距最大的两个维度是学习能力和用户建模。

OpenClaw的Skill主要靠人工编写和调整，它的进化依赖社区和用户的主动维护。Hermes用的越久，Skill越精准，记忆越深，做事越顺手。

但OpenClaw也有Hermes比不了的地方：生态成熟度。ClawHub上44000+社区Skill，各种场景都有现成方案。Hermes的社区还在早期阶段。

一句话区分：OpenClaw是你养出来的龙虾，Hermes是自己会长大的龙虾。一个靠你用心喂养，一个靠自己从经验中学习。

全平台部署教程

Hermes的部署成本惊人地低：$5/月 VPS就能跑一个24/7在线的AI助手。

方式一：本地安装（5分钟上手）

打开终端，粘贴这一行：

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

安装器会自动处理Python、Node.js和所有依赖。macOS、Linux、WSL2都能跑。

安装完成后，编辑配置文件：

# ~/.hermes/config.yaml
model:
  provider: openrouter
  api_key: sk-or-xxxxx
  model: anthropic/claude-sonnet-4

填入你的模型API Key，然后启动：

hermes

看到欢迎消息就说明安装成功了。

Windows用户：推荐用WSL2，或者在PowerShell里：

# 安装Python（如果没有）
winget install Python.Python.3.12

# 安装Hermes
pip install hermes-agent

# 启动
hermes

macOS用户：可以直接用Homebrew：

brew install hermes-agent

或者用uv管理Python：

uv pip install hermes-agent

方式二：Docker（隔离干净）

不想在本机装一堆依赖？Docker是最干净的选择：

docker pull nousresearch/hermes-agent:latest
docker run -v ~/.hermes:/opt/data nousresearch/hermes-agent:latest

关键参数：-v ~/.hermes:/opt/data 把容器内的数据卷映射到宿主机。Hermes的所有状态（记忆、Skill、配置）都存在 /opt/data 这一个目录里。容器删了重建，数据不丢。

方式三：$5 VPS 24/7运行

如果你想让Hermes随时在线，一台$5/月的VPS就够了。

推荐配置：

选Ubuntu 22.04 LTS，SSH登录后跑安装脚本，和本地安装一模一样。不跑本地模型的话，内存占用不到500MB，$5的机器绑绑有余。

配合Telegram Gateway，手机上随时给Hermes发消息，它就在VPS上响应。一杯咖啡的钱，换一个24小时在线的AI助手。

Serverless方案：Hermes还支持Daytona和Modal两种serverless后端。空闲时环境休眠，收到消息时自动唤醒，会话间成本趋近于零。在config.yaml里设置 terminal: daytona 或 terminal: modal 即可。

config.yaml 完整配置详解

不管哪种安装方式，核心配置都在一个文件里：~/.hermes/config.yaml。

一个完整配置示例：

# ~/.hermes/config.yaml

# ===== 模型配置 =====
model:
  provider: openrouter          # 模型提供商
  api_key: sk-or-xxxxx          # 你的API Key
  model: anthropic/claude-sonnet-4  # 使用的模型

# ===== 终端后端 =====
terminal: local  # local/docker/ssh/daytona/modal

# ===== 工具集配置 =====
toolsets:
  - web          # 网页搜索
  - terminal     # 终端命令
  - file         # 文件操作
  - skills       # Skill管理
  - delegation   # 子Agent委派
  # - homeassistant  # 不需要就注释掉

# ===== MCP服务器配置 =====
mcp_servers:
  # GitHub集成
  github:
    command: "npx"
    args: ["-y", "@modelcontextprotocol/server-github"]
    env:
      GITHUB_PERSONAL_ACCESS_TOKEN: "ghp_xxxxx"
  
  # PostgreSQL数据库
  # postgres:
  #   command: "npx"
  #   args: ["-y", "@modelcontextprotocol/server-postgres"]
  #   env:
  #     POSTGRES_CONNECTION_STRING: "postgresql://user:pass@localhost:5432/mydb"

# ===== 消息网关 =====
gateway:
  telegram:
    token: YOUR_BOT_TOKEN
  # discord:
  #   token: YOUR_DISCORD_BOT_TOKEN
  # slack:
  #   token: xoxb-YOUR-SLACK-BOT-TOKEN

模型提供商选择

Hermes支持的模型来源相当广：

建议：起步阶段用OpenRouter，可以随时切模型试手感。等确定了常用模型，再直连对应API省中间费用。

终端后端选择

六种后端，决定Hermes在哪里执行代码：

MCP插件配置

MCP（Model Context Protocol）让Hermes接入GitHub、数据库、Slack等6000+外部服务。

接入GitHub MCP：

1. 去GitHub Settings → Developer settings → Personal access tokens，生成一个token
2. 权限至少勾选 repo 和 read:org
3. 配置config.yaml：

mcp_servers:
  github:
    command: "npx"
    args: ["-y", "@modelcontextprotocol/server-github"]
    env:
      GITHUB_PERSONAL_ACCESS_TOKEN: "ghp_xxxxx"

1. 重启Hermes后说「列出我GitHub上的仓库」验证

接入数据库：

mcp_servers:
  postgres:
    command: "npx"
    args: ["-y", "@modelcontextprotocol/server-postgres"]
    env:
      POSTGRES_CONNECTION_STRING: "postgresql://user:pass@localhost:5432/mydb"

配置完成后，你可以说「查一下这个月注册用户有多少」，它会自动生成SQL查询并执行。

per-server工具过滤：

如果只想暴露特定工具，可以用 allowed_tools 限制：

mcp_servers:
  github:
    command: "npx"
    args: ["-y", "@modelcontextprotocol/server-github"]
    env:
      GITHUB_PERSONAL_ACCESS_TOKEN: "ghp_xxxxx"
    allowed_tools:
      - "list_issues"
      - "create_issue"
      - "get_pull_request"

Telegram Bot配置

最推荐的移动端入口，配置简单，体验好。

步骤：

1. 在Telegram里找 @BotFather
2. 发送 /newbot，按提示取名字
3. BotFather会给你一个Token，长得像：123456789:ABCdefGhIJKlmNoPQRsTUVwxyz
4. 写入config.yaml：

gateway:
  telegram:
    token: 123456789:ABCdefGhIJKlmNoPQRsTUVwxyz

1. 启动Hermes，在Telegram里给你的Bot发消息

Telegram还支持语音消息，通勤路上直接说就行，不用打字。

常见问题排查

安装脚本卡住？

检查网络连接。脚本需要从GitHub和PyPI下载依赖。国内用户可能需要设置代理或使用镜像源。

hermes命令找不到？

安装脚本会把命令添加到PATH，但如果shell配置特殊（比如用了fish），可能需要手动 source ~/.bashrc 或重新打开终端。

Docker容器启动后没反应？

确认 ~/.hermes/config.yaml 已经存在且配置了model信息。容器会读取宿主机映射进来的配置。

VPS安全建议：

建议设置 terminal: docker 让代码在容器内执行，避免Agent直接操作宿主机文件系统。$5的VPS性能足够跑容器。

使用测评：实际体验如何

我用了两周Hermes，说说真实感受。

优点

1. 真正的跨会话记忆

用了两周后，Hermes开始自动用短句回复我，因为它发现我倾向于直接要结论而不是长篇分析。这种适应是渐进的，不需要我显式配置任何东西。

2. Skill自动积累

我让它做了几次代码审查，它自己创建了一个审查Skill，记录了我的审查标准（命名规范、错误处理、测试覆盖率）。之后每次审查都按这个标准来，而且会根据我的反馈自动改进。

3. 部署成本低

10。比订阅制的商业Agent方案划算太多。

4. 数据完全自主

所有记忆数据在本地SQLite里，我可以直接查看和删除。不存在”Agent偷偷学了什么我不知道”的情况。

缺点

1. 生态还在早期

ClawHub有44000+社区Skill，Hermes的Skill Hub还在成长。很多场景需要自己从零搭建。

2. 自改进不等于完美

自动总结的规则可能需要调整，可能会误判。我定期会去 ~/.hermes/skills/ 看看有哪些Skill，删掉不合适的。

3. 需要持续使用才能看到效果

学习循环的效果和使用频率直接相关。如果一周只用一两次，改进会很慢。但如果每天都用，飞轮转得会非常快。

适用场景

不是选择题，是组合题

写了三本橙皮书（Claude Code、Harness Engineering、OpenClaw），我现在对这个领域最大的判断是：最终胜出的不是某个工具，而是会组合工具的人。

我现在的工作方式就是组合。Claude Code处理所有需要我在场的事：写文章、写代码、做产品决策。它是我的”白天团队”。

Hermes处理不需要我在场的事：监控代码仓库、定时跑调研、维护知识库。它是我的”夜班团队”。

OpenClaw的SOUL.md和Skill系统给了我一套标准化的配置语言。不管底下跑的是Claude Code还是Hermes，行为约束的写法是一致的。

不要在这三个工具之间做”选择”。问自己三个问题：什么任务需要我盯着？什么任务可以放后台跑？什么场景需要透明可审计？答案自然把它们分到不同的位置上。

关键数据

• GitHub stars：27,000+（发布两个月）
• 内置工具：40+
• 支持平台：12+（Telegram、Discord、Slack、WhatsApp、Signal、CLI等）
• MCP可接入：6,000+ 应用
• 子Agent并发：最多3个
• 最低部署成本：$5/月 VPS
• 内存占用：<500MB（不跑本地LLM）
• 许可证：MIT（完全开源）

花叔的判断：Hermes是自改进Agent这个方向上最成熟的开源实现。它的天花板由人的参与程度决定。让Agent在”怎么做”上自改进，你只管”做什么”和”别做什么”。这不是偷懒，是另一种on the loop。

本文基于 Hermes Agent v0.7.0 编写。AI工具迭代迅速，请以官方文档为准。

官方文档：github.com/NousResearch/hermes-agent