夜雨聆风🎋 你好，这里是小竹团队。
2026 年 2 月，Nous Research 发布了一个开源项目——上线后迅速获得大量关注。
它不依附 IDE，不是聊天机器人套壳，更不是一个"问答工具"。
它的官方定位只有一句话——「一个随时间增长的 Agent」。
叫 Hermes Agent。
这个名字来自希腊神话中的赫尔墨斯——众神的信使，掌管通信、旅行和边界跨越。而 Hermes Agent 做的事，恰好也是跨越边界：在你的 Telegram、Discord、Slack 等平台之间自由穿梭，同时还能记住你是谁、你做过什么。
但最让我感兴趣的，不是它的多平台能力，而是它背后的一个设计理念——
💭 AI Agent 真正的价值，不是单次回答多精彩，而是每一次使用都让下一次更好。
这篇文章想聊三件事：Hermes Agent 到底是什么 🔍；它的「闭环学习」架构是怎么做到越用越聪明的 🧠；以及，它对 AI Agent 行业意味着什么 🚀
一、Hermes Agent 是什么？
🤔 先说结论
Hermes Agent 是 Nous Research 开源的、基于 Python 的自主 AI Agent 运行时。 它有四个核心标签：
🧠 闭环学习：自动创建技能、技能在使用中改进、跨会话记忆 🌍 随处运行：CLI、Telegram、Discord、Slack、WhatsApp、Signal……一个网关进程搞定多平台 🔧 模型无关：可以用自家 Hermes 模型，也可以接 Claude、GPT、OpenRouter 200+ 模型，甚至本地 Ollama 🛡️ 6 种执行后端：本地、Docker、SSH、Daytona、Singularity、Modal——一行配置切换
用一句话概括：它介于 Claude Code 式的终端 Agent 和 OpenClaw 式的跨平台消息 Agent 之间——既能在终端干活，也能在 Telegram 里陪聊，而且越用越懂你。
📦 安装有多简单？
# 一行安装
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
# 交互式配置
hermes setup
# 开始对话
hermes
60 秒装完，2 分钟内开始第一次对话。从 OpenClaw 迁移？首次运行 hermes setup 时会自动检测 ~/.openclaw 并提示是否导入；之后也可以用 hermes claw migrate 手动迁移。
🏗️ 整体架构长什么样？
从上到下，可以拆成几个模块来看：
第一层，用户输入渠道。 CLI、Telegram、Discord、Slack、WhatsApp、Signal……多平台统一接入。
第二层，Messaging Gateway。 一个网关进程搞定所有平台的消息路由、用户授权、会话管理。
第三层，核心 Agent Loop。 经典的 ReAct 循环（观察 → 推理 → 行动 → 循环）。40+ 个内置工具，支持并行执行，还有 MCP 协议扩展。
第四层，LLM 模型层。 可插拔设计——Hermes 3/4、Claude、GPT、任何 OpenAI 兼容端点，甚至本地 Ollama / vLLM。一行命令切换模型：hermes model。
第五层，执行环境层。 六种后端实现同一个 BaseEnvironment 接口：本地、Docker（只读文件系统 + 命名空间隔离）、SSH 远程、Daytona 云开发、Singularity HPC 集群、Modal Serverless（空闲休眠，按需唤醒，成本几乎为零）。
设计原则很明确：Agent 代码不变，变的只是执行表面。
二、越用越聪明：闭环学习的秘密
🔑 核心创新：不只是 Agent，是「会学习」的 Agent
市面上大多数 Agent 的记忆，是"能搜到以前的对话"。这当然有用，但它有一个根本问题——搜索只返回碎片，不返回能力。
Hermes Agent 不一样。它实现了一个闭环学习系统，让 Agent 在使用中不断积累两种东西：
过程性知识（技能）：不只是"当时说了什么"，而是"当时怎么做的" 用户理解（画像）：不只是"你的名字是什么"，而是"你偏好什么、工作模式是什么"
这套系统由多个子系统协同组成：
技能文档（SKILL.md）：Agent 在完成复杂任务后自动创建 Markdown 文件，记录解决步骤 技能检索：技能文档可被按需加载和复用，遇到类似任务时自动匹配已有技能 跨会话搜索（FTS5）：SQLite 全文搜索引擎记录所有历史交互，支持"上周二我做了什么"这类查询 用户建模（Honcho）：来自 Plastic Labs 的用户建模库，异步推理用户偏好、工作模式和领域专长 定期自省：Agent 会定期主动整理有价值的知识，防止重要经验随会话消失
这个闭环的核心流程是：
① 完成任务
Agent 通过 ReAct 循环完成用户交代的复杂任务——调试微服务、优化部署流水线、分析数据集。
② 自动创建技能
任务完成后，Agent 会自主判断：这件事值得记下来吗？ 如果值得，它会自动生成一个 SKILL.md 文件——用 Markdown 记录完整的解决步骤。
注意，这不是聊天记录的搬运，而是结构化的过程性知识。就像一个有经验的工程师在写"踩坑笔记"，而不是流水账。
③ 技能在使用中改进
下次遇到类似任务，Agent 会检索到相关技能，把它作为"脚手架"。而且技能不是静态的——Agent 在使用过程中会持续优化它。用得越多，技能越精准。
④ 定期提示持久化
Agent 不是被动等任务，而是会主动整理知识。它会定期"提醒自己"：最近有什么有价值的经验值得归档？这种"自省"机制确保了重要知识不会随会话结束而消失。
⑤ 跨会话检索
FTS5（SQLite 全文搜索引擎）记录了所有历史交互。当你问"上周二我做了什么"——Agent 能跨会话检索并总结。
⑥ 用户建模
最后，也是最有意思的一层——Honcho 用户建模（来自 Plastic Labs）。它不只在记录"你做了什么"，更在推理"你是谁"：你的偏好、工作模式、领域专长。每次对话都让这个模型更精准。
这些子系统形成闭环：完成任务 → 创建技能 → 技能改进 → 持久化知识 → 跨会话检索 → 更好地理解用户 → 更好地完成下一次任务。
每一次会话，都让下一次更好。记忆复利，技能复利，用户理解复利。
三、底层支撑：模型训练和标准化
📚 Hermes 模型家族
Hermes Agent 的底层模型是 Nous Research 自研的 Hermes 系列，但它不绑定自家模型——你可以用任何 OpenAI 兼容的端点。
Hermes 3（2024 年 8 月）：
基于 Llama 3.1 微调，三个规模：8B / 70B / 405B。关键数据：
训练数据：~3.9 亿 token，合成数据为主，涵盖通用指令、角色扮演、数学、代码、工具调用等多个类别 训练方式：先监督微调（SFT），再直接偏好优化（DPO） 函数调用：前身 Hermes 2 Pro 就达到 90% 精度（同期通用模型只有 60-70%），Hermes 3 进一步提升 支持能力：函数调用（JSON Schema + <tools>XML 标签）、结构化输出、RAG 引用标注（<cite>标签）、多轮对话上下文窗口：128K token
Hermes 4（2025 年 8 月）：
一次巨大飞跃，训练规模大幅扩大：
混合推理：模型可以在标准回复和深度思考之间切换，思考过程使用专用推理标签包裹 DataForge：图结构的合成数据生成系统，每个节点做一次结构转换（比如维基百科文章 → 问答对），由 LLM 评委评分过滤 训练规模：相比 Hermes 3 的百万级样本，Hermes 4 大幅扩展了训练数据量和多样性 Hermes 4.3（36B）：一个特别版本，基于字节跳动的 Seed 36B 微调（不是 Llama 骨干），在推理效率上有显著改进，有效缓解了"模型想太久"的问题
🎯 结构化推理
Hermes 的工具调用模板支持结构化推理——在调用工具之前，先规划目标和行动步骤：
<scratch_pad>
Goal: 分析这份 CSV 数据，找出异常值
Actions:
- result = read_file(path="data.csv")
- summary = analyze_data(data=result)
- anomalies = detect_outliers(data=result, threshold=3.0)
Reflection: 需要先读取文件，再分析数据，最后检测异常。工具完备，参数明确。
</scratch_pad>
先在 <scratch_pad> 里规划目标和行动，再执行。不是"边想边做"，而是"先想清楚再动手"。
🔌 agentskills.io：技能的"POSIX 标准"
Hermes Agent 的技能遵循 agentskills.io 开放标准。一个技能就是一个目录，核心是 SKILL.md：
---
name: deploy-to-production
description: 安全部署当前分支到生产环境，支持回滚
license: Apache-2.0
---
## 步骤
1. 运行测试套件，确认全部通过
2. 从当前分支创建标记版本
3. 使用项目部署脚本执行部署
4. 验证健康检查端点
5. 健康检查失败则自动回滚
为什么这件事重要？因为越来越多的工具在采用同一个标准——Claude Code、Cursor、GitHub Copilot、Gemini CLI 等主流开发工具都在兼容 agentskills.io。
为 Hermes Agent 写的技能，在 Claude Code 里也能用。为 Cursor 写的技能，Hermes Agent 也能跑。
在 Agent 生态里，这种跨框架兼容性非常罕见。
四、跟其他 Agent 比，它强在哪？
📊 横向对比
Hermes Agent 的优势：灵活性最高。6 种运行后端、丰富的记忆子系统、广泛的平台覆盖、可移植技能。
它的代价：配置复杂度——Python 运行时、独立的模型服务（Ollama/vLLM）、配置文件、依赖管理。对开发者友好，对非技术用户有门槛。
一个有意思的发现：有基准测试表明，同一个底层模型，不同的 Agent 脚手架在 SWE-bench 上可以有显著差异。架构比模型更重要。 这也验证了 Hermes Agent 在 Agent Loop + 记忆系统上投入的合理性。
五、它给行业带来了什么启示？
💡 启示一：Agent 的竞争维度变了
之前，Agent 竞争的是"谁的回答更聪明"。现在，竞争维度变成了**"谁记得更多、学得更快"**。
Hermes Agent 的闭环学习，把 Agent 从"一次性工具"变成了"长期伙伴"。你的每次使用，都在投资它的能力——技能在积累，对你的理解在加深。
💡 启示二：技能标准化可能改变生态
agentskills.io 已有多款工具兼容，意味着技能不再被框架锁定。这是一个类似 POSIX 的时刻——一旦标准建立，生态就会加速。
但这也有风险：标准是刻意的极简设计（只要 name 和 description），这让它容易采纳，但也可能在演化时遇到瓶颈——当各家需要标准不支持的功能（认证、版本管理、依赖声明）时，是扩展还是分裂？
💡 启示三：合成数据的规模很重要
从 Hermes 3 到 Hermes 4，训练数据的规模和多样性都有了显著增长。DataForge 的合成数据管道 + LLM 评委的质量过滤，验证了一个假设：大规模合成数据 + 任务级验证器，可能比小规模精心整理的数据更有效。
但这也有争议——合成数据可能放大种子数据中的偏见。合成数据是否真的比精心整理的数据好？基准测试给出了一些正面信号，但由于基础模型也变了（Llama → Seed），对比并不完全干净。
💡 启示四：用户建模是下一个蓝海
大多数 Agent 记忆系统关注的是"Agent 做了什么"（任务历史、工具调用、输出结果）。Honcho 关注的是**"用户是谁"**——偏好、工作模式、领域专长。
这是否能在 100 次会话后产生有意义的行为差异？还是只是积累了一个越来越过时的用户档案？这是一个有趣的开放问题。
🌟 写在最后
Hermes Agent 不是完美的——Python 运行时的门槛、配置的复杂度、技能是否会无限膨胀——这些都是真实的问题。
但它做了一件很少有人做的事：把"学习"当成 Agent 的一等公民来设计。
不是搜索历史，而是积累能力。不是记住对话，而是理解用户。不是一次性工具，而是越用越强的伙伴。
Agent 的终局，可能不是"谁更聪明"，而是"谁更记得住、学得会"。
如果 Hermes Agent 的方向是对的，那么 AI Agent 的竞争，才刚刚开始。
🎋 顺便介绍一下小竹
小竹 是一款本地优先、会记忆、能主动的私人 AI 助手。
我们做小竹的初衷很简单：AI 助手不应该只是一个"问答机器"，而应该是一个真正懂你、记住你、能主动帮你想事情的长期伙伴。
所以小竹有几个我们很在意的特点：
🧠 记忆飞轮：自动从对话中提取你的偏好、习惯和重要信息，越用越懂你
⚡ 主动引擎：不只是被动应答，而是基于记忆和模式识别主动提醒、主动关怀
🔒 本地优先：语音识别/合成、意图理解、记忆存储全部在本地运行，你的数据首先是你自己的
🧩 技能自进化：系统遇到能力缺口会自动创建新技能，越用越强
Hermes Agent 的"闭环学习"理念，和小竹的"记忆飞轮 + 技能自进化"有着异曲同工之妙。 不同的是，小竹用 Rust 实现，走的是本地优先路线——不需要 Python 运行时，不需要独立的模型服务，一个二进制搞定一切。
如果你对 AI Agent、本地助手、或者小竹本身感兴趣——
👇 欢迎来群里坐坐，一起聊。
💬 交流群
QQ 群：755265051
复制群号搜索即可加入 🙌
🌐 官网
https://xiaozhu-tec.cloud
欢迎访问，了解更多 🎋
本文提及的 Hermes Agent、Nous Research、Hermes 3/4 模型、agentskills.io 标准等内容均基于公开资料和官方文档整理。架构图和对比表以实际版本为准。
参考来源：
Hermes Agent 官方文档：hermes-agent.nousresearch.com/docs Hermes Agent GitHub：github.com/NousResearch/hermes-agent Hermes 3 Technical Report（arXiv:2408.11857） Hermes 4 Technical Report（arXiv:2508.18255） Hermes Function Calling：github.com/NousResearch/Hermes-Function-Calling agentskills.io 技能标准：agentskills.io CrabTalk 行业调查：crabtalk.ai/blog/hermes-agent-survey