不是所有 AI 助手都能自己进化——Hermes-Agent 开源智能体深度体验

数据截至 2026 年 8 月 ｜ 阅读时间约 12 分钟

白色机器人的绿色"眼睛"，像不像一个正在观察、正在学习的 AI？

你有没有过这种经历？

跟 AI 助手聊了一个小时，把项目背景、技术栈、踩过的坑全交代清楚了。第二天打开新会话，它一脸茫然："你好，有什么可以帮你的吗？"

你只能把昨天的话原封不动再说一遍。第三天，再说一遍。第四天……

这就是绝大多数 AI 助手的真相：每一次对话都是从零开始。它很强，但它不记得你。

直到我认真体验了 Hermes-Agent——一个上线约一年就拿到 22 万 GitHub Star（截至 2026 年 8 月）的开源智能体。它最特别的地方，不是某个模型跑分有多高，而是它会记住你做过什么，并把解决过的问题沉淀成自己的"技能"，下次直接调用。

这篇文章来自我的真实上手记录。我会拆解它到底怎么"记住"和"进化"，以及它和 Claude Code、Codex CLI 这些当红工具的本质区别。

一、先交代背景：Nous Research 是谁

Hermes-Agent 出自 Nous Research——一个总部在纽约的美国开源 AI 研究集体，2023 年由 Jeffrey Quesnelle 和 Karan Malhotra 联合创立。它一开始并不是传统意义上的公司，而是从 Discord 和 Reddit 上自发聚集的研究者社区长出来的。目前公开仓库 89 个，拿过 a16z 的 Open Source AI Grant。

它的成长路径很有代表性：先训模型，再顺手做了一个内部自动化工具，最后把工具开源成产品。

也就是说，"Hermes"这个名字从语言模型一路用到了智能体。Nous 的路线图很清楚：训模型的终极目标，是造一个会自己沉淀经验、越用越强的 Agent。

二、22 万 Star 的"AI 操作系统"

先看几个硬指标（截至 2026 年 8 月 2 日）：

• 224,134 Stars
  、43,288 Forks，MIT 协议完全开源
• 创建于 2025 年 7 月，一年左右冲到这个量级
• 20,128 次提交，295+ 贡献者
• 当前版本 v0.17.0，核心语言 Python

22 万 Star 是什么概念？大概跟 Vue.js、React 一个量级。一个出生一年的项目能挤进 GitHub 全站最受欢迎行列，说明它戳中了很多人真实的痛点。

它对自己的定位只有一句话："The agent that grows with you"——一个会随着你一起成长的智能体。它不是绑在 IDE 里的编程副驾驶，也不是某个 API 的聊天封装。它是一个自主智能体，你用得越久，它越懂你。

如果说 Claude Code 是一个只会在终端里写代码的程序员，那 Hermes-Agent 更像一个跨平台、有记忆、会自我培训的 AI 管家：你可以在 Telegram 上跟它聊天，它能在 Docker 里跑代码，能记住你的偏好，还能把学到的东西存成"技能"下次直接用。

三、它凭什么"进化"：记忆 + 技能 + 跨会话搜索

"进化"这个词容易让人想到玄学，其实它的机制非常具体，就三件事：经验固化（技能）、持久记忆、跨会话检索。

1. 技能系统：把"会做的事"变成可复用的文件

Hermes 解决完一个复杂问题后，可以把解决方案自动保存成一个技能文件（SKILL.md），放进 ~/.hermes/skills/。下次遇到同类问题，它直接调用，不用重新摸索。

我本机上的实况：已安装 22 个技能，其中 18 个内置，4 个是本地自己沉淀出来的——比如 publish-blog-post（发布博客文章）、docker-config（配置 Docker 镜像源）这些，都是处理过实际问题后固化成的工作流。

技能按需加载，分三级，避免浪费 token：先只显示名称和描述（skills_list），要用时再加载全文（skill_view），还不够就加载具体引用文件。另外它兼容 agentskills.io 开放标准，技能可以分享、可以社区贡献，还有一个后台 Curator 会追踪技能使用情况、自动归档过时技能。

2. 持久记忆：一份跨会话的"小抄"

每个 Agent 有两份记忆文件：MEMORY.md（Agent 自己的笔记，上限 2200 字符）和 USER.md（你的画像，上限 1375 字符）。每次会话启动时，这两份文件作为"冻结快照"注入系统提示——所以它永远记得你的偏好和约定，而不是靠你重新交代。

我的记忆文件里现在就躺着这些内容：博客仓库地址、kanban 工作流约定、微信公众号 MCP 的配置方式……都是平时聊天或干活时自动沉淀进去的，下次直接生效。

3. 跨会话搜索：能"想起"上周五的对话

这是最惊艳的一层。通过 session_search 工具，它可以全文搜索所有历史会话（SQLite + FTS5），找到相关上下文后自动加载。所以你能对它说"修一下我们上周五追的那个 bug"，它真的会去翻周五的记录，而不是问你"哪个 bug？"

这三层加起来，就是标题里说的"自己进化"的真相：不是模型变聪明了，而是它把每次解决问题的经验留了下来，变成了下次出发时的起点。别的 Agent 每次对话从零开始，Hermes 带着一个记忆文件和一个技能库进场——越用越聪明，说的就是这个。

经验像神经元连接一样积累

四、多智能体编排：这篇文章就是它自己组织写出来的

单 Agent 会进化已经很酷了，但 Hermes 更狠的是多 Agent 协作——而且不是花架子，我现在写的这篇文章，就是跑在它自己的 Kanban 任务板上产出的。

Kanban 是它内置的持久化多 Agent 协作系统：基于 SQLite 的任务板，每个任务是数据库里的一行；一个 Dispatcher 每 60 秒扫描一次，负责回收超时任务、把就绪任务提升、原子性领取、生成工作进程。任务之间可以设依赖，子任务在所有父任务完成前保持等待，完成后自动提升。

本次文章的生产流水线是这样的：

orchestrator（总协调）   ├── researcher（深度调研，产出素材）   ├── image-curator（配图，6 张图全部版权安全）   ├── writer（本文作者，撰写）   └── reviewer（审核，给出 3 处修正意见）

每个角色是一个独立的 profile、独立的操作系统进程、独立的工作空间。reviewer 提的修正意见（比如"Stars 数据要注明时效"、"第三方评测要标明来源"），writer 在下一环逐条落实——这正是任务依赖自动流转带来的效果。

除了 Kanban，还有 delegate_task（同步子 Agent，支持最多 3 个并行，上下文和终端完全隔离）和 Cron 调度（自然语言定时任务："每 30 分钟"、"每个周一早上 9 点"都行，还支持任务链式依赖）。

*说白了，它把"一个团队怎么协作"这件事，搬进了 Agent 的世界。*

五、架构与原理：四层结构

拆开看，它的架构是四层，非常清晰：

┌─────────────────────────────────────────────┐ │ Gateway（多平台接入层）                        │ │  ├─ Telegram  ├─ Discord  ├─ WeChat  ├─ CLI  │ ├─────────────────────────────────────────────┤ │ AIAgent Core（核心对话循环）                   │ │  ├─ System Prompt Builder（记忆+技能+环境注入） │ │  ├─ Tool Dispatch（工具路由）                  │ │  ├─ Context Compression（上下文压缩）          │ │  └─ Model Router（多提供商模型路由）            │ ├─────────────────────────────────────────────┤ │ 持久化层                                      │ │  ├─ Memory ├─ Skills ├─ Sessions ├─ Kanban   │ ├─────────────────────────────────────────────┤ │ 执行层                                        │ │  ├─ Terminal Backends（local/docker/ssh/...） │ │  └─ Code Execution（沙盒 Python）             │ └─────────────────────────────────────────────┘

核心对话循环是一个 while 循环：构建系统提示（注入记忆、技能、环境信息）→ 调 LLM → 有工具调用就分发执行、把结果追加回去继续 → 直到纯文本回复。默认最多 90 轮。接近 token 上限时自动触发上下文压缩，把历史浓缩成摘要继续干活。

几个值得说的工程细节：

• Profile 体系
  ：同一台机器可以跑多个完全独立的 Agent 实例，各自有独立的 config、密钥、记忆、技能、会话。我写文章用的 profile 和跑博客任务用的 profile 互不干扰。
• 模型无关
  ：支持 20+ 模型提供商（OpenRouter、Anthropic、OpenAI、Google、DeepSeek、xAI，以及 GLM、Kimi、MiniMax、Qwen 等国产模型），还有认证池自动轮换 API Key 防限流、主模型失败自动切换备用。
• 工具系统
  ：60+ 内置工具按 toolset 分类（web、browser、terminal、file、vision、image_gen、memory、kanban……），支持任意 MCP 服务器扩展。我这边实测启用了 15 个 toolset，连了 5 个 MCP 服务器（含 12306 查票、高德地图、微信公众号）。

六、一行命令上手：我的实测记录

安装极简，Linux / macOS / WSL2 / 安卓 Termux 都是一行命令：

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

安装器会自动配好 uv、Python 3.11、Node.js、ripgrep、ffmpeg，不用手动折腾环境。装完直接 hermes 进入交互式聊天，hermes setup 有完整配置向导。

我实机跑出来的结果：

$ hermes --version Hermes Agent v0.17.0 (2026.6.19)  $ hermes skills list 22 个技能已安装（18 内置 + 4 本地）  $ hermes tools list 26 个内置 toolset，其中 15 个已启用 5 个 MCP 服务器已连接

上手体验的亮点：

1. 模型切换零摩擦
   ：hermes model 交互式选择，或 /model provider:model 斜杠命令随时切
2. 技能即命令
   ：/plan、/spike、/systematic-debugging 这些技能直接作为斜杠命令触发
3. Nous Portal 一键订阅
   ：hermes setup --portal OAuth 登录就能拿到 300+ 模型 + 搜索引擎 + 图片生成 + TTS + 浏览器

当然也有槽点，如实说：

• 概念密度高
  ：profile、skill、memory、toolset、kanban、cron……一堆概念，有学习曲线
• 配置文件复杂
  ：config.yaml 配置项多，虽然 hermes doctor 能帮忙检查，仍有门槛
• Windows 原生有坑
  ：部分配置写入会带 UTF-8 BOM 导致 400 错误
• 迭代太快
  ：我本地版本已经落后 upstream 781 个 commit 了——功能更新快是好事，但也意味着要经常跟上

七、和 Claude Code / Codex 比，差在哪、好在哪

先声明：下面的对比信息综合了公开资料和第三方评测，其中"14/18"数据来自 Towards AI 在 2026 年 5 月发布的 18 项真实任务对比评测，我未独立复现，仅供参考。

几点真实的判断：

纯编程能力，Claude Code 更强。 它在 SWE-bench 这类基准上的成绩有目共睹（具体分值随版本迭代变化，建议以官方最新数据为准）。如果你只想要一个终端里改代码、做 code review 的工具，Claude Code 是成熟选择。

但一旦任务需要"持续上下文"，Hermes 翻盘了。 据 Towards AI 2026 年 5 月的评测，在 18 项真实任务中，Hermes 以 14/18 击败 Claude Code 和 OpenClaw。秘诀不是模型更强——是它记得上周二你做过什么，不用把背景重新讲一遍。

定位不同：编程工具 vs AI 操作系统。 Codex CLI、OpenCode 是纯编程工具；Hermes 是一个通用平台——它能编程，但生态位更接近"你的 AI 操作系统"：记忆你的偏好、学习你的工作流、跨平台持续运行。AutoGPT 是第一代自主 Agent 的先驱，但缺少结构化的记忆和技能系统，Hermes 在工程化上远超它。

2026 年的 AI Agent 赛道大概分三层：IDE 内嵌（Cursor、Copilot）、CLI 编程 Agent（Claude Code、Codex CLI、OpenCode）、通用自主 Agent——而同时具备持久记忆 + 技能沉淀 + 多平台接入的开源选项，目前基本只有 Hermes。

八、平台与生态：20+ 平台，7 种后端

一个 Gateway 进程，同一套记忆和技能，可以同时接入 20+ 平台：CLI、Telegram、Discord、Slack、WhatsApp、Signal、微信公众号、企业微信、钉钉、飞书、QQ Bot、Matrix、Email、SMS、Home Assistant……也就是说，你可以在 Telegram 上给 Agent 发消息，它在一个云服务器上帮你跑代码。

终端后端有 7 种：local、Docker、SSH、Singularity，以及 Modal、Daytona、Vercel Sandbox 这些云沙盒。后三者支持服务端休眠、按需唤醒——闲置时几乎零成本，用的时候才花钱，很适合跑长期任务。

生态数据也值得一提：据公开数据，2026 年 5 月 10 日 Hermes 登顶 OpenRouter 全球 Agent 排名第一，日生成 2240 亿 tokens（对比同榜第二约 1860 亿）。围绕它还长出了一圈衍生项目，比如用 DSPy 自动优化 Agent 技能的 hermes-agent-self-evolution、由 Hermes Agent 驱动的自主小说写作管道 autonovel。

九、值不值得用？

如果你符合下面任何一条，我建议你花十分钟装上试试：

• 受够了每次跟 AI 重讲一遍背景
  ——让它记住你，比让它变聪明更省时间
• 经常有"重复劳动"型任务
  （发博客、配环境、查资料整理）——一次沉淀成技能，一劳永逸
• 想体验多 Agent 协作
  ——一个由不同角色分工、自动流转、互相审核的生产流水线，跑起来挺震撼的
• 想要个不绑定单一厂商的通用助手
  ——MIT 开源、任意模型、任意平台，数据都在自己手里

最后说一句这段时间用下来最大的感受：

AI 的下一个分水岭，不是谁的模型更强，而是谁记得你。

 每次对话都从零开始的助手，永远只能是个工具；而一个带着记忆和经验进场的 Agent，才配叫伙伴。

Hermes-Agent 用一年时间冲上 22 万 Star，靠的正是这个朴素的道理。它现在还远不完美——概念多、配置烦、迭代快——但"一个会记住你、会沉淀经验的开源智能体"这个方向，我觉得就是未来。

想动手的话：curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash，然后对你说第一句"记得我上次是怎么做的吗"。

参考来源：Hermes-Agent GitHub 仓库与官方文档、Nous Research 官网、SSOJet《12 AI Coding Agents Compared 2026》、Towards AI 18 项任务实测评测。GitHub 数据截至 2026 年 8 月 2 日。