ARTICLE · 1065747
Hermes_第五课_MCP插件与多Agent_公众号精排版
Hermes 第五课
MCP、插件与多 Agent：搭建自己的 AI 工作团队
从“一个 AI”到“研究员 + 编辑 + 任务看板”的完整实测
本课目标 这一课不再只是让 Hermes “多一个功能”，而是让它开始拥有外部数据源、任务看板和多个专职 Bot。最终我们跑通了一个真正的协作链路：AI 新闻研究员负责研究，公众号编辑接收材料后完成成稿。 |
这一课，Hermes 开始像“团队”了
前四课，我们解决的是“一个 Agent 能不能干活”：联网搜索、读写文件、执行命令、运行代码、操作浏览器、控制 Windows 桌面。到了第五课，问题变了——能不能给它接入外部专业数据？能不能把任务放进看板自动流转？能不能创建多个长期角色，让它们互相交接工作？
答案是可以。我们实际跑通了三层能力：MCP 负责连接外部系统和数据，插件负责给 Hermes 增加新的产品能力，Bots 则让多个 Agent 形成明确分工。
先记住这 5 个概念 Skill = 工作方法；Tool = Hermes 自带能力；MCP = 外部系统/数据接口；Plugin = 给 Hermes 增加功能模块；Bot = 长期存在、拥有独立角色和记忆的 AI 同事。 |
一、MCP：给 Hermes 接上外部专业数据源
MCP 可以理解成一套“标准插座”。Hermes 本身不需要为每个外部服务单独写一套接入逻辑，只要对方提供兼容的 MCP 服务，Agent 就能获得新的工具。
1 | 进入 MCP 页面 在“技能与工具”顶部切换到 MCP。第一次进入时服务器列表为空，下面会显示可安装的 MCP 目录。 |
2 | 安装 AWS-Knowledge 我们选择了不需要 OAuth 登录的 AWS-Knowledge。安装后 Hermes 获得 AWS 官方知识检索工具。 |
3 | 做一次真实验证 要求 Hermes 只使用 AWS-Knowledge MCP，对比 S3 Standard 与 S3 Intelligent-Tiering，且禁止普通网页搜索。 |
实测：Hermes 通过 AWS-Knowledge MCP 返回 AWS 官方资料对比
为什么 MCP 值得学 这一步的价值不在于“查到了 S3”，而在于我们确认了：Hermes 可以被约束为只调用某个专业数据源，并且把来源边界说清楚。对财务、研发、运营、企业知识库等场景，这比普通网页搜索更可控。 |
二、插件：不是“数据源”，而是给 Hermes 增加新功能
MCP 和插件很容易混淆。MCP 更像连接外部服务的接口；插件则是直接改变 Hermes 本身的产品能力和界面。我们当前看到的内置插件包括 Bots、Kanban、Radio。
插件页面：Bots、Kanban、Radio 已随应用提供
一句话区分 MCP 与插件 MCP：连接外部系统 / 外部数据。 插件：给 Hermes 增加新的功能模块、界面入口或交互方式。 |
三、Kanban：让任务从“聊天”进入“工作流”
Kanban 是这一课里最直观的插件。它不是普通待办清单，而是一个可以把卡片交给 Agent 自动执行的任务板。
1. 开启 Kanban 插件
Kanban 插件初始为关闭状态
打开“桌面”开关后，左侧立即出现 Kanban 入口
2. 第一次打开看板
空白 Kanban：分诊、待办、已排期、就绪、运行中、受阻、审查、完成
新手最容易踩的坑 关键规则：卡片不会因为“创建了”就自动执行。真正准备交给 Agent 的任务，要进入“就绪”状态，并且需要有负责人。 |
3. 创建一张真实任务卡
我们创建的任务是“整理今日 AI 行业重点新闻”，要求搜索 OpenAI、Anthropic、DeepSeek 最近 24 小时的重要动态，筛选 3 条，用中文输出，并保留来源。负责人选择 default Agent。
新建任务：标题、描述、负责人、技能、模型等都可以配置
任务创建后默认进入“分诊”，这时还没有真正开跑
第一次等待了几分钟，卡片仍停在“分诊”。原因不是系统故障，而是任务尚未进入“就绪”。把卡片拖到“就绪”后，Agent 才会开始领取。
任务最终进入“完成”，右侧已经回写完整结果
Kanban 的完整流转 创建任务 → 分诊 → 拖到就绪 → Agent 自动领取 → 运行 → 完成 → 结果回写。 |
四、Bots：创建长期存在的专职 AI 同事
如果说 Kanban 解决的是“任务怎么流转”，Bots 解决的是“谁来负责”。Bot 不是一次性对话，而是一个长期存在的角色，拥有自己的名称、定位、记忆和聊天空间，还可以给其他 Bot 发消息。
Bots 插件已经开启
进入 BOTS 后，最初只有默认 Hermes
1. 创建“AI 新闻研究员”
我们给第一个专职 Bot 的定位是：持续研究 OpenAI、Anthropic、DeepSeek 等 AI 公司动态，优先核对官方来源与高可信媒体，筛选真正有产品、技术和商业价值的信息，并用中文输出简洁、可引用的研究摘要。
新建机器人：Name、Title、Description 决定这个 Bot 的长期角色
创建完成后，左侧出现“AI 新闻研究员”
2. 验证角色是否真的生效
我们让它筛选最近 24 小时 OpenAI、Anthropic、DeepSeek 最值得关注的 3 条动态，并明确要求：优先官方来源和高可信媒体，不要为了凑数加入低价值消息。
AI 新闻研究员的实际输出：能按角色筛选、核验、说明覆盖缺口
角色化 Bot 和普通聊天的区别 真正有价值的一点是：当 DeepSeek 在窗口内没有达到门槛的新动态时，它明确写“无实质更新”，而不是硬凑一条。这说明固定角色与长期约束开始发挥作用。 |
五、再创建一个“公众号编辑”
研究和写作最好不要混在一个角色里。于是我们又创建了第二个 Bot：公众号编辑。它只负责把已经核验过的研究资料转成公众号文章，不重新搜索、不擅自补充未经研究员确认的事实。
创建第二个 Bot：公众号编辑
左侧同时存在“公众号编辑”“AI 新闻研究员”“Hermes”
六、真正的多 Agent 协作：研究员 → 编辑
这是第五课最关键的实验。我们没有复制粘贴研究结果，而是直接让“公众号编辑”向“AI 新闻研究员”索取刚刚完成的研究材料。
公众号编辑主动向 @ai-news-researcher 发出请求，并生成异步 delivery_id
这一步可以确认：不是“我把研究内容复制给另一个聊天”，而是 Bot 自己在系统内部向另一个 Bot 发送任务请求。研究员处理完成后，消息再返回给编辑。
协作完成：研究员回传材料，公众号编辑据此生成成稿文件
我们真正跑通的 AI 团队链路 AI 新闻研究员查资料 → 把核验材料交给公众号编辑 → 编辑只基于材料加工 → 生成可交付文章文件。 |
七、这套能力，对普通人到底有什么用？
不要把多 Agent 理解成“多开几个聊天窗口”。它真正的价值是把复杂工作拆成职责清晰的岗位，并让任务可以被交接。
角色 | 主要职责 | 典型产出 |
研究员 | 搜索、核验、去重、引用 | 来源包、研究摘要 |
编辑 | 选题、结构、改写、润色 | 公众号成稿 |
看板 Agent | 领取任务、推进状态 | 任务结果、状态回写 |
专业 MCP | 提供权威外部数据 | 官方知识、业务数据 |
八、新手使用建议：先轻量，再扩展
·先只保留 2~3 个真正有明确职责的 Bot，不要一开始就搭十几个角色。
·研究和写作分开很值得保留：一个负责事实，一个负责表达。
·Kanban 适合持续、多步骤、需要状态管理的任务；一次性小任务直接聊天更快。
·MCP 只安装确实会用到的服务。外部连接越多，权限和维护成本也越高。
·涉及企业账户、写入、删除、发送等动作时，先用只读测试，再逐步开放权限。
·推理强度日常保持“中”即可；复杂协作、排错时再临时升到“高”。
第五课真正应该带走的东西 这一课最重要的不是“功能很多”，而是看到了一个可复用的结构：数据源（MCP）→ 任务管理（Kanban）→ 专职角色（Bots）→ 角色之间自动交接。 |
九、第五课总结
到这里，Hermes 已经从一个能调用工具的 Agent，升级成了一个可以连接外部专业数据、管理任务、创建专职角色并让多个 Agent 相互协作的工作平台。
对于个人用户，最实用的并不是搭一个庞大的“AI 公司”，而是从自己的真实工作出发：把研究、写作、校对、数据整理这类重复职责拆出来，让每个角色长期稳定地做好一件事。
下一课预告 下一课可以继续学习 Hermes 的更多连接能力与高级配置，重点放在“如何把这些能力真正接进日常工作”，而不是继续堆功能。 |
— 第五课完 —