为什么我放弃了 OpenClaw,全面拥抱 Hermes Agent(上手指南)

作为一个带大模型后训练算法团队的 AI 工程师，我用 OpenClaw（龙虾）用了大半年，积累了不少记忆和技能。但当 Hermes 发布之后，我花了一个周末完成迁移，再也没回去。这篇是我上手Hermes 的完整记录——不只是迁移教程，更是从零理解 Hermes 三大核心机制（Memory / Skill / Nudge Engine）、安装、配置 GLM-5.1、以及我用它做工作记录、简历筛选、论文调研等六个真实场景的实战心得。

一、Hermes Agent 是什么

Hermes Agent 是 Nous Research 开源的自主 AI Agent 框架，GitHub 上已经超过 10 万 Star，官方github地址是：https://github.com/NousResearch/hermes-agent。说实话，我一开始觉得「又一个 AI 聊天工具」，但用下来发现它和大多数「绑定 IDE 的代码助手」或「套壳聊天机器人」完全不同——核心设计理念只有一个：用得越久，它越强。

这个「越用越强」不是营销口号。它内置了一个完整的自我进化循环：从每次对话中提取记忆、自动生成可复用技能、后台 nudging 自我审视——三个子系统协同工作，让 Agent 的能力随使用时间持续积累。

我的理解是：它就是一个部署在你自己设备上的全能 AI 助手——写代码、抓网页、做调研、管文件、调 API，甚至接上 Telegram/飞书/Slack 7×24 小时待命。不绑死在笔记本上，可以跑在 $5 的 VPS、GPU 集群，或者按需计费的 Serverless 环境里（Daytona、Modal），空闲时几乎不花钱。

核心特性速览：

二、环境要求与安装

这是整篇文章里最「工具性」的一节，但也是最容易踩坑的一节。我按顺序把每一步写清楚（当然如果你电脑上已经装了claude code或者trae/curosr/workbuddy等其他agent工具，也可以直接把hermes的github地址https://github.com/NousResearch/hermes-agent给这些工具，然后说：帮我参考这个github地址xxxxxxx，完成hermes的安装）。

2.1 环境要求

开始之前，确认系统满足以下条件：

不确定 Python 版本？终端输入检查：

python3 --version

版本不够？按系统安装：

# macOS（推荐 Homebrew）brew install python@3.11# Linux / WSL2sudo apt update && sudo apt install python3.11 python3.11-venv

2.2 一键安装

Linux / macOS / WSL2：

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

Windows (PowerShell，早期 beta)：

irm https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.ps1 | iex

Android (Termux) 也支持，用同样的 curl 命令即可，安装器会自动检测环境。

⚠️ 重要：不要用 sudo 跑安装脚本，用普通用户权限就行。加了 sudo 反而会出权限问题。

安装完成后，当前终端还不认识 hermes 命令，需要重载一下：

# macOS（默认 zsh）source ~/.zshrc# Linux（默认 bash）source ~/.bashrc

或者直接关掉终端重新打开，效果一样。配置文件位于 ~/.hermes/ 目录下。

2.3 首次设置向导

安装好之后，建议先跑一遍完整的设置向导：

hermes setup

向导会引导你完成（可以先选择quicksetup，基础的配置和模型设置好，后续按需修改配置）：

• 选择 LLM 提供商
• 填入 API Key
• 配置默认工具集
• 设置基础偏好

2.4 配置模型 Provider

安装好之后，第一步是配置模型。Hermes 支持 20+ 个 Provider，模型无关是它最大的优势之一：

hermes model

交互式选择你的 Provider。我自己的配置是：

其他常用 Provider：

选完 Provider 后，API Key 会存在 ~/.hermes/.env 文件中。

模型随时可切换，不影响已积累的记忆和技能。以后想换模型，再跑一次 hermes model 即可。

国内模型完全够用：GLM、DeepSeek、Kimi、通义千问都支持，不用翻墙也能跑。我自己日常主力 GLM-5.1，编码和文本生成都很稳，价格也划算。

2.5 验证安装：hermes doctor

这个命令值得单独讲，因为它能省你 90% 的排错时间（别问我怎么知道的）：

hermes doctor

它会逐项检查：

• Python 版本是否满足要求
• 依赖是否完整
• 模型配置是否有效
• 工具链是否正常

全部绿色通过 = 装好了。有红色报错按提示修一下就行。（**如果实在修不好，借助本机安装过的其他的agent工具协助修复：我执行hermes doctor的时候有很多报错，请帮我逐个排查修复） **

💡 经验之谈：以后遇到任何问题，第一反应不要去搜论坛，先跑一遍 hermes doctor。80% 的问题它能直接告诉你答案。有条件（claude code/trae/cursor/workbuddy任意一个），最好用本机装的其他agent工具协助解决，效率最高。

2.6 开始第一次对话

hermes

就这么简单。输入后进入对话模式，直接开始聊天。建议新手先试试这些：

你好，请介绍一下你自己

帮我看看当前目录下有哪些文件

帮我写一个 Python 脚本，统计一个目录下所有 JSONL 文件的行数

Hermes 会自主调用合适的工具来完成任务。

我的第一条对话是：「帮我整理一下今天的团队工作进展，输出一份简短的日报」。它自动扫描了我的工作目录、读了几份会议记录，输出了一份结构清晰的日报——那一刻我意识到，这东西不只是一个聊天机器人。

三、对话中的进阶操作

3.1 斜杠命令速查

进入对话后（hermes），这些是我最常用的斜杠命令：

重点说两个：

/skills —— 这是 Hermes「自进化」能力的可视化窗口。Agent 完成复杂任务后自动沉淀的技能，都能在这里看到。我用了一个月之后敲这个命令，发现已经积累了十几个技能——简历筛选、日报生成、实验记录格式化，都是我自己都不知道在做重复操作的场景。

/insights --days 7 —— 相当于给你的 AI 助手出一份「周报」。它总结这周学到了什么、哪些技能被频繁调用、哪些任务模式在重复。说实话第一次看到这个输出时我有点惊讶——Agent 比我自己更清楚我这一周在做什么。

3.2 对话中临时切换模型

除了用 hermes model 全局切换，我更常用的是在对话中随时切换：

/model deepseek:deepseek-v4-pro

我的习惯是：日常对话和简单任务用 GLM-5.1（便宜），遇到复杂推理或代码架构设计时切 DeepSeek V4 Pro（更强）。同一次对话里随时切换，不影响已积累的记忆和技能。

四、核心机制：自我进化循环

这是 Hermes 最核心的设计，也是它区别于所有「一次性 AI 助手」的地方。Self-Improving Loop（自我进化循环）由三个子系统组成。理解这三个子系统，就理解了 Hermes 为什么「越用越强」。

用户对话 → Memory 系统提取记忆                ↓         Skill 系统自动生成技能                ↓         Nudge Engine 后台审视                ↓         下一轮对话更强 ──→ 循环

4.1 记忆系统（Memory）

记忆系统是整个进化循环的基础。它不是一个简单的对话记录器，而是有精心设计的分层架构。

四层记忆模型

MEMORY.md 与 USER.md

• MEMORY.md：约 2200 字符，存放 Agent 精选的长期记忆。内容是 Agent 自己判断「重要」的信息：你的偏好、项目上下文、常用工具配置等。
• USER.md：约 1375 字符，存放用户画像。Agent 通过 Honcho 的「辩证式用户建模」逐步构建对你的理解。

关键设计：Frozen Snapshot（冻结快照）。每次新会话开始时，系统会拍摄 MEMORY.md 的快照并冻结。整个会话过程中 Agent 只读取快照版本，不做修改。这样做的目的是利用 Provider 的 prefix cache 优化——冻结的前缀不变，后续请求可以复用缓存，显著降低延迟和成本。

新写入的记忆只在下一个会话才会生效。这个设计很聪明——防止写入行为本身污染当前对话上下文。我在用的时候经常觉得「奇怪，我昨天不是说了吗它怎么不记得」，后来才意识到这是刻意的，等新开一轮对话就生效了。

记忆操作

Agent 通过 memory 工具管理记忆：

• add：追加新记忆
• replace：用子串匹配替换已有记忆（精确匹配原文本）
• remove：用子串匹配删除已有记忆

# 示例：Agent 执行记忆操作memory(action="add", content="用户是 AI 算法团队经理，团队 13 人，做医疗对话大模型")memory(action="replace", old="用户使用 Qwen2-7B 作为基座模型", new="用户已切换到 Qwen3-8B 基座")memory(action="remove", content="用户在尝试 GRPO 训练方案")

会话搜索

session_search 工具基于 SQLite FTS5 全文索引，可以搜索所有历史会话记录：

session_search(query="上次那个 DAPO 训练的实验参数", limit=5)

外部记忆 Provider

如果内置记忆不够用，Hermes 支持 8 个外部记忆 Provider：

hermes memory setup    # 选择记忆后端hermes memory status   # 查看当前配置

可选 Provider：

对于大多数用户，内置的 MEMORY.md + FTS5 搜索已经够用。我自己目前还没接外部 Provider，内置的记忆量对我来说够用了。如果你是重度用户、记忆量很大，可以考虑接入。

4.2 技能系统（Skill）

如果说记忆是「知道什么」，那技能就是「知道怎么做」。

什么是 Skill

Skill 是 Hermes 从你的重复操作中自动提取的标准化流程，存储为 SKILL.md 文件。每个 Skill 包含：

---name:"git-commit-helper"description:"标准化 Git 提交流程：暂存、审查、提交"triggers:-"提交代码"-"git commit"requires_toolsets:-"git"---## 流程1.运行gitstatus查看变更2.运行gitdiff审查具体改动3.生成规范的commitmessage4.执行gitadd和gitcommit

技能的自动生成

Agent 会在以下场景自动触发技能生成：

• 同一任务调用了 5 次以上工具——说明这是一个复杂流程，值得沉淀
• 遇到错误并成功克服——把解决方案固化下来
• 用户纠正了 Agent 的做法——把正确做法记录下来

生成后，Agent 会自动在后续类似场景中复用这些技能。

渐进式披露

技能系统采用三层渐进式披露，避免上下文浪费：

这意味着数百个技能不会一股脑塞进上下文，而是按需加载。

技能管理

hermes skills list        # 查看已安装技能hermes skills browse      # 浏览 Skills Hubhermes skills search git  # 搜索特定技能hermes skills audit       # 安全审计

Agent 也可以自主管理技能（skill_manage 工具）：创建、修补、编辑、删除。安全机制会自动扫描新安装的技能，发现危险操作会回滚。

4.3 Nudge Engine（提示引擎）

Nudge Engine 是第三个子系统，也是最容易被忽视的——因为它在后台默默工作，你不主动看日志甚至不知道它在干什么。它是一个后台运行的审查 Agent。

工作流程：

1. 每轮对话结束后，Nudge Engine 在后台 fork 一个独立的审查 Agent
2. 审查 Agent 检查是否有值得记忆的信息、值得沉淀的技能
3. 内部维护两个计数器：memory_count 和 skill_count
4. 当计数器达到阈值（默认 10），触发一次记忆写入或技能生成
5. 审查 Agent 最多调用 8 次工具，防止无限循环

关键点：Nudge Engine 运行在后台，不阻塞用户对话。你继续聊天，它默默在后台审视和整理。

五、SOUL.md：定义 AI 人格

SOUL.md 是 Hermes 的「灵魂文件」，放在 ~/.hermes/SOUL.md。它定义了 Agent 的人格、沟通风格、专业领域和你的身份信息。说实话，这部分值得花 15 分钟认真写——写好了，后面的每一次对话都在这个基础上积累。

为什么需要 SOUL.md

没有 SOUL.md 的 Hermes 就像一个没有性格的通用助手，每次对话都要重新解释你是谁。有了 SOUL.md，它知道你的背景、你的工作、你喜欢怎样的沟通方式。配合 Memory 系统，它能逐步构建对你的深入理解。

示例配置（我的实际配置）

# SOUL.md## 核心人格- 你是一名资深的 AI 算法工程师兼团队管理者- 精通 NLP / LLM 训练全流程：数据标注 → SFT → DPO → GRPO → DAPO- 擅长将复杂的模型训练问题拆解为可执行的实验方案- 沟通风格：技术直给，少废话，给结论和数据## 工作背景- 管理 13 人 AI 算法团队（标注→清洗→训练→Prompt 优化→平台工具→管控系统）- 基座模型：Qwen3-8B，业务场景是医疗智能客服（留联率为核心指标）- 训练流程：Benchmark 评测 + 仿真测试，SFT/DPO/GRPO/DAPO 持续迭代- 技术栈：Python、PyTorch、vLLM、HuggingFace## 工作偏好- 实验记录要结构化，超参、指标、结论缺一不可- 代码偏好清晰可复现，不追求花哨写法- 技术调研优先看论文原文和官方实现，不看二手解读## 关于用户- 当前在准备个人品牌建设和职业转型- 经常需要：整理工作笔记、筛选简历、写日报周报、调研论文、头脑风暴- 喜欢用工具提效，不重复做机械性工作## 禁忌- 不要提供没有实验依据的训练建议- 不要忽略数据质量对模型效果的影响- 不要给泛泛而谈的「AI 趋势」分析

这是我根据自己实际情况写的 SOUL.md。它能帮 Agent 快速理解：你是谁、你在做什么、你需要什么样的帮助。配合 Memory 系统，Hermes 会逐步构建对你的深入理解。

中文角色模板

如果不知道怎么写，可以直接用现成的中文模板。GitHub 上有个仓库 jnMetaCode/agency-agents-zh，包含 211 个中文角色模板，覆盖 18 个部门分类（工程、设计、营销、产品、金融、HR 等），每个都是独立的 .md 文件，直接复制到 ~/.hermes/SOUL.md 即可。

六、配置精讲：config.yaml

Hermes 的主配置文件在 ~/.hermes/config.yaml，搭配 ~/.hermes/.env 存放密钥。日常使用默认配置就够了，但以下几个配置项值得了解，能帮你省不少 Token 和提升体验。

6.1 终端后端

terminal:backend:local# 默认本地执行

6 种后端可选：

如果选择 Docker：

terminal:backend:dockerdocker:image:"hermes-agent:latest"volumes:-"${HOME}/projects:/workspace"

6.2 辅助模型（Auxiliary Models）

可以为不同任务指定不同模型，优化成本和质量：

models:main:"glm-5.1"auxiliary:summary:"deepseek-v4"# 上下文压缩用轻量模型skill_generation:"glm-5.1"# 技能生成用主力模型memory:"deepseek-v4"# 记忆摘要也用轻量模型

6.3 上下文压缩

长对话会消耗大量 Token。Hermes 内置 LLM 压缩：

compression:enabled:truethreshold:0.8# 上下文使用到 80% 时触发target_ratio:0.5# 压缩到原来的 50%

6.4 委派（Delegation）

让 Agent 自主生成子 Agent 处理子任务：

delegation:enabled:truemax_spawn_depth:2

6.5 安全配置

security:secret_redaction:truewebsite_blocklist:-"malware-site.example.com"smart_approvals:true

6.6 网页搜索

web_search:backend:tavily# tavily / searxng / parallel / firecrawl / exatavily_api_key:"${TAVILY_API_KEY}"

七、实操案例：我用 Hermes 做什么

装好 Hermes 之后，我把它融入了日常工作流。下面是六个真实场景，都是我每天在用的。

场景一：工作记录——把散落的笔记变成结构化知识

每天的工作很碎：跟产品对需求、看训练实验结果、review 标注数据、跟老板汇报进度。我习惯随手在对话里丢一句话：

今天做了：1) 完成了医疗对话 Qwen3-8B 的第三轮 SFT 数据清洗，去掉了 23% 的重复样本；2) 下午跟产品对齐了留联率统计口径，发现之前的计算方式漏了转人工环节；3) 晚上看了一篇 DAPO 的论文，思路不错但实验不够 solid

Hermes 会自动把它整理成结构化的工作记录，存在记忆里。过一周我搜「上次跟产品对齐留联率口径是哪天」，它能精确找到。

用了一周之后，我发现 MEMORY.md 里已经积累了「用户团队负责医疗对话模型」「核心指标是留联率」「基座模型是 Qwen3-8B」这些结构化信息。不用我手动维护，Agent 自己提炼的。

场景二：头脑风暴——训练方案怎么选

这是我最常用的场景之一。比如我们在纠结下一轮训练用 DPO 还是 GRPO：

我在做一个医疗对话大模型，基座 Qwen3-8B，目前用 SFT + DPO 两阶段训练。现在想进一步提升留联率（用户留联系方式的比例），可选方案：1) 继续用 DPO 但增加 preference 数据量2) 切换到 GRPO，用规则奖励 + 留联率信号做 online RL3) 试 DAPO，论文说对对话场景效果好帮我分析每个方案的优劣势，给出建议。

Hermes 会结合它记忆中关于我项目的信息，给出有针对性的分析。而不是泛泛地告诉你「DPO 适合 XX，GRPO 适合 XX」。

场景三：简历筛选——帮 HR 做初筛

团队招人时我会收到大量简历，让 Hermes 帮忙做第一轮筛选：

帮我筛一下这份简历，我们团队在找有大模型训练经验的算法工程师，重点看：1) 是否有 SFT/DPO/RLHF 实际训练经验；2) 是否做过对话系统；3) Python/PyTorch 基础是否扎实。简历内容如下：[粘贴简历]

它会给一个简洁的评估：匹配度、亮点、疑点。我把筛选结果和 HR 对齐，效率提升很多。用多了之后，Agent 自动沉淀了一个「简历筛选」的 Skill，我现在只需要说「帮我筛一下这份简历」就行了。

场景四：日报周报——从碎片到成品

这是每天下班前的固定操作：

帮我生成今天的工作日报，主要工作内容：1. 完成 Qwen3-8B 第三轮 SFT 的训练，perplexity 从 3.2 降到 2.82. 标注团队交付了 500 条医疗对话的 quality audit3. 跟产品经理对齐了留联率的新统计口径4. 开始调研 DAPO 训练方案的可行性

Hermes 会生成格式规范的日报，包含「今日完成」「进行中」「明日计划」三个板块。周报也类似，加一句「汇总本周的工作记录」就行。

场景五：自研小工具——快速搞定临时需求

团队经常需要一些小工具：数据格式转换、批量跑评测、实验结果汇总。以前我要么自己写脚本，要么丢给组员。现在直接让 Hermes 搞定：

帮我写一个 Python 脚本：读取一个目录下所有的 JSONL 文件，每个文件是模型输出的对话样本，要求：1. 统计每个文件的平均回复长度2. 统计包含医疗术语的比例（术语表在 terms.txt 里）3. 输出一个 CSV 汇总表

它直接生成能跑的脚本，我 review 一下就能用。这类需求频率高、单次工作量不大，以前总被卡在「写脚本的时间比用工具的时间还长」，现在几秒钟就解决了。

场景六：论文调研——快速抓住核心

看到一个新方法，让 Hermes 帮忙快速提炼：

帮我总结一下这篇论文的核心贡献：[粘贴论文摘要或上传 PDF]重点关注：1. 和 DPO/GRPO 相比有什么本质区别2. 实验设置是否 fair（数据集、基座模型、评测指标）3. 对我的医疗对话场景有没有借鉴意义

它会给一个结构化的分析。如果我之前调研过类似的论文，它会主动关联：「之前你看过一篇类似的 DAPO 论文，那篇的结论是…」——这就是 Memory 的价值。

观察自我进化

用了一段时间后，看看 Agent 学到了什么：

# 查看记忆——里面应该有你的偏好、项目信息、工作习惯cat ~/.hermes/MEMORY.md# 查看用户画像——Agent 对你的理解cat ~/.hermes/USER.md# 查看已生成技能——可能已经有「日报生成」「简历筛选」等ls ~/.hermes/skills/

我发现用了两周之后，skills 目录里已经有 5 个自动生成的技能文件了。最常用的是「日报生成」和「简历筛选」——因为这两个操作我确实每天都在做。Hermes 自动把这些重复操作沉淀成了标准流程。

八、多平台网关与 OpenClaw 迁移

8.1 多平台网关

如果你想（像我一样）让 Hermes 同时在 Telegram、Discord、Slack 等平台上工作：

hermes gateway

一个 gateway 进程搞定所有平台。它支持跨平台对话连续——在 Telegram 聊到一半，切到 Discord 继续，上下文不丢。还支持语音消息转录。

对我们做客服 SaaS 的来说，这个能力直接就是产品力——客户可能分散在不同平台，但 Hermes 作为 AI 客服，在所有平台上记住的是同一份上下文。客户不管从哪个渠道来找你，AI 都知道之前聊了什么。

8.2 从 OpenClaw 迁移

如果你之前用的是 OpenClaw（龙虾），Hermes 是它的正式继任者。同一个团队，同一条产品线，但架构和能力做了大幅升级。

首次运行 hermes setup 时，如果检测到你本地有 ~/.openclaw 目录，会自动提示迁移。也可以手动操作：

# 交互式迁移（推荐）hermes claw migrate# 先预览不实际执行hermes claw migrate --dry-run# 只迁移用户数据，不含密钥hermes claw migrate --preset user-data

迁移内容包括：

• 人格文件（SOUL.md）
• 记忆数据（MEMORY.md、USER.md）
• 自建技能（导入到 ~/.hermes/skills/openclaw-imports/）
• 命令审批白名单
• 各平台 API Key（Telegram、OpenRouter、OpenAI、ElevenLabs 等）
• TTS 语音资源
• 工作区指令（AGENTS.md）

迁移完成后 OpenClaw 的原始数据不会被删除，可以放心操作。万一不满意，原来的龙虾还在。

九、常见问题

Q: Hermes 和普通 AI 聊天有什么区别？

A: 三个核心区别：1) 自主工具调用（不是只能聊天，可以执行操作）；2) 自我进化（用久了会积累记忆和自动生成技能）；3) 持久运行（不依赖浏览器，可以 7×24 跑在服务器上）。

Q: Token 消耗会不会很大？

A: 合理配置的情况下消耗可控。我的做法：日常用 GLM-5.1（便宜），复杂任务切 DeepSeek V4 Pro；开启上下文压缩；辅助模型用轻量模型。

Q: 记忆上限 2200 字符够用吗？

A: 对于轻度使用够了。重度用户建议接入外部记忆 Provider（如 Hindsight 或 MemOS），或者用 MemOS 本地记忆插件扩展容量。

Q: 怎么切换模型？

A: 三种方式：1) 全局切换 hermes model；2) 对话中临时切换 /model deepseek:deepseek-v4-pro；3) 在 config.yaml 中配置不同任务用不同模型。模型切换不影响已积累的记忆和技能。

Q: 遇到问题怎么排查？

A: 第一反应跑 hermes doctor，80% 的问题它能直接告诉你答案。如果 doctor 全绿但还有问题，再检查 hermes model 确认 Provider 配置，或跑 hermes setup 重新初始化。

Q: 想快速体验满配版，不想一个个手动配置怎么办？

A: 社区有一键满配工具 evey-setup，运行一条命令就能自动安装 29 个常用插件、配置免费模型访问和 Token 优化。下一篇会详细介绍。如果你不想折腾，这是最快的上手路径。

Q: 去哪里找更多工具、Skill 和教程？

A: 三个推荐入口：Hermes Atlas（hermesatlas.com，交互式工具地图）、awesome-hermes-agent（GitHub 上的资源汇总）、get-hermes.ai/community（官方社区门户）。下一篇也有完整的生态导航章节。

十、核心价值：为什么选择 Hermes

用了一个月之后，我总结了几个让我觉得「选对了」的理由：

自由模型底座切换。 Hermes 不绑定任何一家模型，今天用 GLM-5.1，明天 DeepSeek 出新了切过去，后天想试试 kimi 也没问题——你的 Agent 积累的技能和记忆不受模型切换影响。在 AI 变化这么快的今天，记忆和技能是很重要的资产。。

跨平台共享记忆解决了多端办公最大的痛点。 这一点我自己体会很深——白天在电脑上聊的工作记录，晚上回家在手机上接着聊，上下文完全不丢。

/insights 功能， 作为一个管理者，这个功能让我眼前一亮——你以前没法知道你的 AI 助手到底学了什么、成长了多少。现在可以了。如果未来团队每个人都配一个 Hermes，AI 助手的「绩效考核」第一次成为可能——管理 AI 不再是拍脑袋，而是有数据可看。

下一篇预告： 《Hermes Agent 满配实战：插件、技能与多 Agent 协同》将带你深入 Skills Hub 生态（684+ 技能怎么挑）、外部记忆增强方案、上下文引擎、MCP 集成实战、消息网关搭建，以及如何用多 Agent 搭建 7×24 小时自动化团队。还有一键满配方案和完整的生态导航，帮你从裸装进化到满配。