夜雨聆风—— 硅谷老OG Alan Walker 讲给朋友们听的一版 ☕️
整理版说明：在尽量不改动原文结构和判断的前提下，仅做了标题与讲述口吻上的轻微调整。
先说一个很多人有过的经历。
你花了半天时间，跟你的 AI 助手把项目背景解释清楚：技术栈是什么、代码风格要什么、上次那个 bug 是怎么绕过去的…… 然后你关掉窗口。第二天打开，它什么都不记得了。 你重新开始解释。这件事发生了多少次，你大概已经数不清了。
2026 年 2 月 25 日，Nous Research 在推特上发了一条消息：
"Meet Hermes Agent, the open source agent that grows with you. Hermes Agent remembers what it learns and gets more capable over time, with a multi-level memory system and persistent dedicated machine access."
48 小时内，GitHub 收到了 22000 颗星，242 名贡献者加入了这个项目。 开发者社区炸了。不是因为它比其他 Agent 更聪明 —— 而是因为它解决了一个所有人都忍了很久、却从来没被认真对待过的问题：AI 用完之后，什么都不留下。
01
它是什么，一句话版
Hermes Agent，Nous Research 出品，开源，MIT协议，免费自托管，不收遥测数据，你的数据完全在自己机器上。
但最重要的不是这些。最重要的是它的核心设计哲学，四个字：用越多，越强。
它不是一个会聊天的工具，它更像是一个住在你服务器里的员工——每次帮你完成一个任务之后，它会把"这个任务是怎么解决的"写成一份可复用的技能文档，存起来，下次遇到类似情况直接调用，而且还会主动修订这份文档，让它变得更好。
用技术语言说，这叫 闭环学习系统（Closed Learning Loop）。
用大白话说：这是第一个会把自己用过的经验变成本能的AI Agent。
02
别的Agent是怎么工作的？
为什么你会觉得它们"蠢"
在解释 Hermes 为什么特别之前，先说清楚其他 Agent 的结构性局限。
绝大多数现有的 AI Agent，包括 OpenClaw🦞，都是"无状态执行器"。
什么叫无状态？举个例子。
你去咖啡馆，每次去的时候，你都要跟店员说一遍："我要一杯美式，少冰，不加糖，用纸杯"。
无状态的 Agent 就是这个店员 —— 每次你来，它都像第一次见你，没有记忆，没有积累，没有任何"你是谁、你习惯什么"的认知。
大多数 AI Agent 在设计上是无状态的。打开一个新会话，一切从零开始——agent 没有上次哪些方法有效的记忆，没有你偏好的记录，也没有从以往运行中积累的任何知识。
这不是 laziness，这是架构设计的取舍 —— 处理好一次对话已经够复杂了，谁有时间管上次那次？
03
Hermes 是怎么工作的？拆开看
三层记忆系统。
第一层：会话历史（Episode Memory）
所有对话都被存进 SQLite 数据库，用 FTS5 全文搜索引擎索引。这意味着你三个月前跟它说过的一句话，它能在 1秒 内检索到。不是靠魔法，靠的是工程。
第二层：用户画像（User Modeling）
Hermes 集成了一个叫 Honcho 的辩证式用户建模系统。它不只是 "记住你说过什么"，而是在不断推断 "你是一个什么样的人，你的工作习惯是什么"。用起来越久，它对你的理解越精准。
第三层：技能库（Skill Documents）
这是最关键的部分。
当 Agent 完成一个复杂任务（通常是五个以上的工具调用），它会把那次经验自动合成为一份 可永久复用的技能文档。这些技能以结构化 Markdown 文件的形式存储，遵循开放的 agentskills.io 标准，包含操作流程、踩坑记录和验证步骤。下次遇到类似任务，Agent 加载这份技能文档，而不是从零开始解题。
更牛的地方是：这些技能文档会自我更新。
当 Agent 发现了一个比技能文档里更好的方法，它会直接修改那份文档。每次使用，都是一次迭代。
有 Reddit 用户报告说，在 Agent 花了两小时创建了三份技能文档之后，它在重复性研究任务上的速度提升了 40%。
这就是 复利效应（Compound Learning）—— 不是功能叠加，是能力叠加。
用代码来直观感受一下它的工作原理：
# Hermes Agent 技能生成的简化逻辑示意# 真实实现在 hermes/skills/ 目录下classSkillManager:def__init__(self): self.skill_db = SQLiteDB("~/.hermes/skills/")defmaybe_create_skill(self, task_result):""" 完成一个复杂任务后，Agent判断是否值得 把这次经验写成可复用技能文档 """if task_result.tool_calls >= 5: # 复杂任务阈值 skill = self.extract_skill(task_result) self.skill_db.save(skill)# 下次遇到类似任务，直接调这份文档# 不用从零思考defrefine_skill(self, skill_name, better_approach):""" 当Agent发现更好的方法时，主动更新技能文档 不是替换，是进化 """ existing = self.skill_db.load(skill_name) existing.update(better_approach) existing.save()# 这份技能，比昨天的版本更好# 类比：你雇了一个实习生# OpenClaw的实习生：每次来上班，什么都不记得# Hermes的实习生：每完成一个项目，就写一份SOP，# 下次同类项目直接用，还会不断改进这份SOP04
安装有多简单？一行命令
这是 Hermes 最被低估的地方之一。
只需要一行命令，安装程序会自动处理所有依赖 —— Python、Node.js、ripgrep、ffmpeg，全部 自动搞定。
# 就这一行curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash支持 Linux、macOS、WSL2，以及通过 Termux 的 Android。
如果你原来用的是 OpenClaw🦞，迁移也极其顺滑：
# 自动检测你的OpenClaw配置并迁移hermes claw migrate# 如果想先预演一遍，看看会迁移什么hermes claw migrate --dry-run# 只迁移用户数据，不迁移密钥hermes claw migrate --preset user-data迁移过程会自动导入你的设置、记忆、技能和 API 密钥。
05
别的它能连接什么？你的整个数字生活
Hermes 不是一个只活在 terminal 里的工具。它是一个活在你所有通讯平台上的Agent。
Telegram、Discord、Slack、WhatsApp、Signal、Email、CLI —— 以及一个不断增长的平台列表。在一个平台开始，在另一个平台继续。
实际场景是什么样的？
你早上在 Telegram 上给它发了一条语音消息："帮我整理一下昨天爬到的那批论文，按相关性排序，重点的单独提炼摘要"。
它开始工作。
你去健身，回来的时候，在 Discord 上看到了整理好的报告。
下午你在 CLI 里继续问它某篇论文的细节，它知道你在说哪篇——因为它记得今天早上那个任务。
跨平台的记忆延续，不是"加上下文"，是真正的持久状态。
有用户花了约一小时设置了一个自动化报告：每天监控 Reddit 和 X 上最热的开源 AI 话题，整理成结构化的早报，通过 Telegram 发送给自己。
# 用自然语言设置定时任务，不用写cron表达式hermes schedule "每天早上8点，汇总昨天GitHub上star增长最快的AI项目，发给我的Telegram"# 它会自动转化成：# 0 8 * * * hermes run "gather-github-trending" --notify telegram# 然后自主执行，你什么都不用管06
模型自由，不锁定任何一家
Hermes 支持通过 Nous Portal、OpenRouter（200+模型）、本地 Ollama 接入200 多个模型，以及任何 OpenAI 兼容的端点。
切换模型的方式：
# 会话中随时切换模型，不需要重启hermes model# 或者直接指定hermes model gpt-4ohermes model claude-opus-4-6hermes model llama3:70b # 本地模型这意味着什么？
你可以用便宜的本地模型处理日常的简单任务，用顶级模型处理复杂推理，一套 Agent，多种大脑，按需分配。
当前最新版本 v0.8.0 已支持原生 Google AI Studio（Gemini）接入，以及MiniMax M2.7 的直接集成，后者是 Nous Research 和 MiniMax 战略合作的成果。
07
OpenClaw🦞，你还好吗？
说到这里，必须认真聊一下这个绕不开的问题。
OpenClaw，就是那只曾经让开发者集体疯狂的"龙虾"——它有 247,000+ 的开发者，5,700+ 的社区技能，定义了个人 AI Agent 这个品类。它做到了一件很了不起的事：让普通人第一次感受到 AI 助手可以真的替你干活。
但 OpenClaw🦞 有一个 结构性的设计取舍：
OpenClaw 不包含原生的技能学习层。每个任务都被当作一个新问题来处理。Agent 拥有和平时一样的工具和指令，但它不会以任何结构化的方式积累经验。把同一类任务跑一百次，Agent 不会变得更擅长它。
这不是 OpenClaw 的错。这是它的设计选择——它选择了 "广度优先"：覆盖更多平台，支持更多集成，让更多人快速上手。
Hermes 选择了 "深度优先"：让同一个 Agent 在同一个人身上，随着时间变得越来越懂你。
2026年3月，OpenClaw 在 4 天内被披露了 9 个 CVE 漏洞，其中 CVE-2026-25253 的 CVSS 评分达 8.8，另一个达 9.9。超过 13.5 万个暴露的实例被发现分布在 82 个国家，ClawHub 上有超过 800 个恶意技能被标记。
Hermes 到目前为止：零个主要的 Agent 专属 CVE 漏洞。
Hermes Agent：当你想要一个更安全的默认设置、长期运行并随使用时间积累能力的Agent。
OpenClaw：当你想要更严格的手动控制和更接近工作区原生的助手体验。
这是两种价值观，不是谁杀死了谁。
实际上，很多聪明的开发者已经在用一种混搭方案：用 OpenClaw🦞 做指挥层——处理路由、权限、基础设施集成；用 Hermes 做专家层——当一个任务真正需要长期记忆和学习技能时，把它路由给 Hermes。
08
一个类比，帮你彻底想明白
想象你要找一个私人助理。
OpenClaw🦞 版本：
这位助理工作能力很强，认识全城所有的人和地方，能帮你做很多事。但每次你见到他，他都要你重新自我介绍 —— "你好，我是你的助理，请告诉我今天要做什么"。
Hermes 版本：
这位助理，第一个月可能有点生涩。但他会记笔记 —— "主人喜欢早报里包含技术和投资两块"、"上次那个研究任务，用这个搜索框架最有效"、"他不喜欢太长的总结，400字以内"。三个月之后，他不需要你解释任何事，直接就知道该怎么做。而且他每完成一类任务，就把方法论整理成一份工作手册，下次更快。
你愿意要哪个？
09
现实一点，它的局限是什么？
诚实说，Hermes 不是完美的。
生态还小。 OpenClaw🦞 有 5700+ 个社区技能，Hermes 自己的公开技能库还在早期。不过由于 Hermes 遵循 agentskills.io 开放标准，两边的技能理论上可以互通。
学习需要时间。 它的优势是随使用时间积累的。如果你只打算用它一周，你可能感受不到什么"复利"。
自我修改意味着不确定性。 Hermes 可以修改自己的流程。如果你很在意可审计性，这与 OpenClaw 那种显式的、人工编辑的 MEMORY.md 方式有明显不同。这两种模型都没有错，它们反映的是对控制权 vs 自主性的不同价值取向。
Windows 原生不支持。 需要 WSL2。
10
它指向什么未来？
Hermes 代表着一种 从静态系统向进化实体的转变。它优先考虑适应性而非配置，学习而非脚本，简洁而非基础设施堆砌。OpenClaw 可能仍然主导当前的市场格局，但进步的方向表明，AI Agent 的未来看起来将更像自我改进的系统，而不是精心编排的流水线。
从第一性原理看这件事：
AI Agent 真正的价值，不在于它能调用多少工具，而在于它与你共事的时间越长，你需要解释给它听的东西越少。
目前为止，没有任何 Agent 把这件事设计进核心架构里——除了 Hermes。
这不一定是终点，但这是一个正确方向的第一次认真尝试。
如果你想现在就试一试 ——
# Step 1: 一行安装curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash# Step 2: 配置向导hermes setup# Step 3: 检查一切是否正常hermes doctor# Step 4: 开始聊天hermes chat# 如果你来自OpenClaw，直接迁移hermes claw migrate --dry-run # 先预演hermes claw migrate # 确认后执行GitHub: github.com/NousResearch/hermes-agent
文档: hermes-agent.nousresearch.com
技能标准: agentskills.io
写在最后：
这不是广告，Nous Research 跟作者 硅谷Alan Walker没有任何商业关系。
只是 Hermes Agent 解决了一个真实的问题，值得认真介绍一遍。
本文引用数据截至 2026 年 4 月 9 日，Hermes Agent v0.8.0 版本。
Alan Walker doesn't use question marks.
