Hermes Agent 完全指南 2026：Nous Research 出品的"会成长"的个人 AI 代理

OpenClaw 的龙虾热还没散，Hermes Agent 就来了。

两个月 27000+ stars，2026 年 4 月 13 日刚发布 v0.9.0 “the everywhere release”，过去两周合并 209 个 PR、解决 81 个 issue。看着很热闹，但你可能跟我第一反应一样：龙虾我都还没搞明白，又来一个？

我花了一周时间把 Hermes 从头到尾拆了一遍，又对照读完了花叔那本《Hermes Agent 从入门到精通》(v260407) 的 63 页教程。结论是：Hermes 不是又一只龙虾，它在做一件我们一直讨论但没人做成产品的事——把 Harness Engineering 的五个组件全内建了，而且让缰绳自己长大。

如果你在用 Claude Code，这不是让你换工具的文章。如果你用过 OpenClaw，Hermes 也不是龙虾的升级版。它解决的是另一个问题：你不在场的时候，Agent 怎么继续干活并变得越来越懂你。

这篇文章不替 PDF 教程，教程 63 页的细节我消化过但不照抄。我想回答的是三个问题：它到底是个什么物种？值不值得装？什么人适合？

一句话讲清 Hermes Agent 是什么

Hermes Agent = 自改进学习循环 + 三层记忆 + 自主 Skill 系统 + 40+ 内置工具 + 多平台 Gateway，全部 MIT 开源，部署到 $5 VPS 就能 7×24 跑。

它的官方 slogan 是 “The Agent That Grows With You”——会成长的 Agent。这句话很容易被当营销词读过去，但拆开看：

• 会成长 = 它每次完成任务后会自动复盘，决定什么该记住、什么该提炼成 Skill、现有 Skill 需不需要优化
• 和你一起 = 它记得你是谁、知道你的偏好、理解你的工作习惯，而不是每次从零开始

我在《OpenClaw vs AI Agents 生态全景》里聊过 2026 年 Agent 赛道的几条路线。当时我没看到 Hermes 这种把 Harness Engineering 产品化的做法。它和 OpenClaw 的差别可以用一句话总结：OpenClaw 是你养出来的龙虾，Hermes 是自己会长大的龙虾。一个靠你用心喂养，一个靠自己从经验中学习。

核心数据（都摘自《Hermes Agent 从入门到精通》教程 v260407 并和官方仓库核对过）：

为什么这次不一样：从 Harness Engineering 到出厂就带缰绳

如果你读过我之前那篇《AI 编码 Agent 2026 横评》，可能记得一个观点：2026 年初 AI 编码圈的共识是"瓶颈不是模型，是环境"——LangChain 团队用同一个 GPT-5.2-Codex，只调整缰绳配置，成绩从 52.8% 涨到 66.5%，排名从 Top 30 跳到 Top 5。

Mitchell Hashimoto（Terraform 创始人）给这事命了名：Harness Engineering。他的做法很朴素——每次 AI 犯错，就加一条规则到 CLAUDE.md，让它永远不再犯同一个错。

但方法论有一个问题：执行全靠人。你得自己写 CLAUDE.md、自己配 hooks、自己搭记忆系统、自己设计工作流。

Hermes 做的事情就一件：把 Harness 的五个组件全部内建了，而且自动运转。

—— 摘自《Hermes Agent 从入门到精通》教程 v260407

graph LR
    subgraph Manual["手动搭建 — 资深工程师的半年工程"]
        M1[指令层
手写 CLAUDE.md]
        M2[约束层
hooks + linter + CI]
        M3[反馈层
人工审查 / 评估 Agent]
        M4[记忆层
手维护知识库]
        M5[编排层
自建多 Agent pipeline]
    end
    subgraph Hermes["Hermes 内建 — 装完改一份 YAML"]
        H1[Skill 系统
自动创建 + 自改进]
        H2[工具权限
沙箱 + toolset 按需启用]
        H3[学习循环
任务后自动复盘]
        H4[三层记忆
+ Honcho 用户建模]
        H5[delegate_task
+ cron 调度]
    end
    M1 -.->|产品化| H1
    M2 -.->|产品化| H2
    M3 -.->|产品化| H3
    M4 -.->|产品化| H4
    M5 -.->|产品化| H5

看左列和右列的对比。左边全是手动操作，你得是一个有经验的工程师才能搭出来。右边是开箱即用，装完就有。

这就是"出厂就带缰绳"的字面意思：你不需要像 Mitchell 那样每次犯错加一条规则。Hermes 会自己观察、自己总结、自己写入 Skill、自己在下次调用时应用这些规则。人的参与从"持续写规则"变成"偶尔审查一下"。

核心机制：学习循环是怎么转起来的

这是 Hermes 最值得琢磨的部分。很多 Agent 都说"我有记忆"，但 Hermes 的记忆是活的，它的 Skill 也是活的。

学习循环有五个环节：策划记忆 → 创建 Skill → Skill 自改进 → FTS5 召回 → 用户建模。单看每个都不新鲜，但串起来形成了一个持续改进的飞轮。

flowchart LR
    A([用户完成任务]) --> B[1 - 策划记忆
什么值得留下]
    B --> C[2 - 创建 Skill
是否重复模式]
    C --> D[3 - 优化 Skill
现有 Skill 失误]
    D --> E[4 - FTS5 召回
按需检索片段]
    E --> F[5 - 用户建模
从行为推断偏好]
    F -->|下一轮
越用越准| A

举一个 PDF 里的真实例子（摘自教程 §03）：

假设你第一次让 Hermes 帮你写一个 Python 爬虫。它会写出一个能用的脚本，但风格可能不是你喜欢的，变量命名可能跟你的习惯不一样，错误处理方式也未必符合你的预期。挺正常的，毕竟它不认识你。

到了第十次，情况完全不同。它知道你偏好用 httpx 而不是 requests，知道你习惯把错误日志写到文件而不是打印到终端，知道你的项目结构通常在 src/ 目录下按模块划分，知道你讨厌过长的函数。没有人教它这些。它是自己学会的。

这个过程的关键在于用户反馈被沉淀为 Skill 文件。你每次的修改（把 进行优化 改成 优化一下，把 综上所述 删掉）都会被 Hermes 观察记录，然后写入 ~/.hermes/skills/ 下的对应 markdown 文件。下次再调用时，那条规则已经内化。

我在《Claude Code 最佳实践》里写过，Claude Code 的 CLAUDE.md 也能做类似的事，但区别是：CLAUDE.md 是人编写的，AI 执行；Skill 是 AI 编写的，人可以覆盖。前者控制力更强，后者门槛为零。

三层记忆：从金鱼到老友

大多数 AI 聊天工具的记忆像金鱼，上一轮说的话下一轮就忘了。Hermes 用三层架构解决：

• 第一层 会话记忆（情景记忆）：回答"发生了什么"。每轮对话写入 SQLite + FTS5 全文索引。关键设计是按需检索而不是全量加载——新对话开始时不把过去所有历史都塞进来，而是根据当前话题 FTS5 搜索相关片段。
• 第二层 持久记忆（语义记忆）：回答"你是谁"。存的不是对话内容，是从对话中提炼的持久状态：编码偏好、项目结构习惯、常用工具链、工作时间规律。
• 第三层 Skill 记忆（程序性记忆）：回答"怎么做事"。每个 Skill 是 ~/.hermes/skills/ 下一个 markdown 文件，可读可编辑。

这三层对应认知科学里的三种记忆类型（情景/语义/程序性）。PDF 里给了一个很直观的例子：你说"帮我部署这个项目"，Hermes 会先 FTS5 搜索会话记忆，找到上次部署时遇到的端口冲突问题（情景）；再查持久记忆，知道你用的是阿里云 ECS、Nginx 反向代理（语义）；最后加载 deployment-checklist.md 这个 Skill，按验证过的步骤执行（程序性）。三层各司其职。

flowchart TB
    Q([用户：帮我部署这个项目]) --> R{查询路由}
    R -->|发生过什么| E[情景记忆
SQLite + FTS5
'上次部署遇到端口冲突']
    R -->|你是谁| S[语义记忆
持久状态
'阿里云 ECS + Nginx 反代']
    R -->|怎么做| P[程序性记忆
Skill markdown
'deployment-checklist.md']
    E --> M[合成最小上下文]
    S --> M
    P --> M
    M --> A([Agent 执行])

重点：FTS5 是 SQLite 的全文搜索扩展，所有数据存在本地 ~/.hermes/ 目录下。没有云端同步，搬家时拷贝这个目录就行。对比 ChatGPT 那种"看起来有记忆但其实每次都重新加载全部历史"的做法，Hermes 是按需检索，数据库积累几个月对话也不会变慢。

怎么装：三种方式，5 分钟到 24/7

安装方式三选一，以下步骤全部基于官方教程 v260407 §07。

方式一：本地安装（5 分钟上手）

# 官方一键脚本
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

脚本会自动处理 Python、Node.js 和所有依赖。macOS、Linux、WSL2 都能跑。

装完编辑 ~/.hermes/config.yaml：

model:
  provider: openrouter          # 模型提供商
  api_key: sk-or-xxxxx          # 你的 API Key
  model: anthropic/claude-sonnet-4  # 使用的模型

terminal: local                 # 本地执行代码

最后启动：

hermes

没错，就一个词。

方式二：Docker（隔离干净）

docker pull nousresearch/hermes-agent:latest
docker run -v ~/.hermes:/opt/data nousresearch/hermes-agent:latest

-v ~/.hermes:/opt/data 这个参数把容器的数据卷映射到宿主机，所有状态（记忆、Skill、配置）都存在 ~/.hermes/ 一个目录下。容器删了数据不丢。

方式三：$5 VPS 24/7 运行（推荐的长期方案）

这是 Hermes 真正的使用场景。如果你只是偶尔在笔记本上玩玩，那 Claude Code 够用了。Hermes 的价值在于你睡觉的时候它也在干活。

推荐配置（摘自教程 v260407 §07）：

选 Ubuntu 22.04 LTS，SSH 登录后跑一键脚本，和本地安装一模一样。不跑本地模型的话内存占用不到 500MB，$5 的机器绰绰有余。

关于 provider 的一个重要提醒

从 PDF §07 里我看到一条很关键的信息——2026 年 4 月起，Anthropic 封禁了第三方工具通过 Claude 订阅 (Pro/Max) 访问 Claude。Hermes、OpenClaw 等 Agent 框架都受影响。

这意味着你不能再用 Claude Code 的订阅账号给 Hermes 共用，只能走 API key 按量付费。但按 API 付费成本会高得多。我的建议：

1. 起步阶段用 OpenRouter，200+ 模型可选，灵活切换试手感
2. 确定常用模型后再直连对应 API 省中间费
3. 国内用户可以考虑 z.ai/智谱的 GLM-5
4. 隐私敏感可以在 VPS 上跑 Ollama + 开源模型（需 16GB 以上内存）

v0.9.0 “the everywhere release”：2026-04-13 刚发布

这是昨天的新闻。v0.9.0 叫 “the everywhere release”，直译是"无处不在版"。过去两周 209 个 PR 合并、81 个 issue 解决，重点是把 Hermes 搬到所有你能想到的消息入口。

核心新特性：

• Termux / Android 移动端：在安卓手机上跑一个完整的 Hermes 实例，配合 Termux 做本地终端
• iMessage 集成：苹果用户可以直接在系统 iMessage 里和 Hermes 对话（国外场景）
• WeChat 集成：通过社区扩展的 WeChat Bot 接入
• Fast Mode for OpenAI and Anthropic：针对 OpenAI/Anthropic 优化的快速响应模式，减少学习循环的 token 消耗
• 后台进程监控：可视化当前有多少子 Agent 在跑、每个在做什么
• 本地 Web 仪表板：http://localhost:port 打开一个管理界面，看记忆、Skill、任务历史

这里有一个很 Nous Research 的设计哲学：不是我来就我家，是你在哪我去哪。传统 Agent 工具要求你打开它的界面。Hermes 的思路是让 Agent 藏在你原本就在用的入口后面——Telegram、微信、iMessage、Discord。你甚至意识不到自己在和一个"AI Agent"对话。

我个人最看重的是 Fast Mode。PDF 里提过学习循环的问题：它的效率和使用频率直接相关。如果你一周只用一两次，改进会很慢。Fast Mode 降低了单次调用的延迟和成本，让"高频使用"这件事更可持续。

实操场景：Hermes 在我工作流里的位置

讲了这么多机制，问题来了：你到底拿它干什么？

我现在同时用 Claude Code、Hermes 和 OpenClaw 三个工具。它们的分工是这样的：

Claude Code（白天团队）：实时编码。我坐在终端前，它写代码、跑测试、提交 git。核心价值是实时的代码生产力。

Hermes（夜班团队）：我不在场的事。PDF §13 给了一个典型场景我觉得很好（原文略简化）：

早上 9 点打开电脑，Telegram 弹出三条消息。不是同事发的，是 Hermes 发的：

• “昨晚 23:17，main 分支有一个 PR 合并，新增 387 行代码。审查了一下有两个问题：auth 模块的 token 过期逻辑没处理边界情况，测试覆盖率从 82% 掉到 76%。详细报告已存到项目 Skill 里。”
• “凌晨 2:40，CI 流水线跑了一轮回归测试，3 个用例失败。2 个是昨天那个 PR 引入的，1 个是已知的 flaky test。”
• “今天的日报初稿已生成，基于昨天的 4 个 commit 和 2 个 PR。需要你确认后发送。”

这就是 Hermes 最擅长的事：cron 调度 + GitHub MCP + 记忆系统让它在你睡觉时持续工作。

OpenClaw（标准化配置）：企业合规和团队协作场景。SOUL.md 一目了然，可审计可复制。详见《OpenClaw 多 Agent 实战指南》。

MCP 集成：连接 6000+ 外部应用

Hermes 内置 40 多个工具已经能打了，但真实工作场景远不止这些。MCP（Model Context Protocol）让 Hermes 接入 GitHub、数据库、Slack、Jira 等 6000 多个外部服务，不用写一行适配代码。

接入 GitHub MCP 的完整配置（摘自教程 v260407 §11）：

mcp_servers:
  github:
    command: "npx"
    args: ["-y", "@modelcontextprotocol/server-github"]
    env:
      GITHUB_PERSONAL_ACCESS_TOKEN: "ghp_xxxxx"
    allowed_tools:       # per-server 工具过滤
      - "list_issues"
      - "create_issue"
      - "get_pull_request"
      - "create_pull_request_review"

注意 allowed_tools 字段——即使 GitHub MCP Server 提供了删除仓库、修改设置等高权限工具，Hermes 也只会用你白名单里的几个。最小权限原则在 Agent 时代比以往任何时候都重要。

我在《Skill 和 MCP 的关系》里详细聊过这两者的配合。简单说：MCP 解决"能连什么"，Skill 解决"怎么用"。两者配合效果最好。

和其他 AI Agent 工具怎么选：不是选择题

写到这里，你可能想问：我已经在用 Claude Code 了，还要装 Hermes 吗？

我的判断（完全同意 PDF §16 的定位）：三个工具不是三条路，是三匹马。你要做的不是挑一匹，是搞清楚谁拉货、谁赶路、谁看家。

—— 综合自《Hermes Agent 从入门到精通》教程 v260407

什么场景用哪个（PDF §16 给的对照表我基本认同）：

• 写新功能、重构代码 → Claude Code（需要实时反馈和人的判断）
• 给团队搭标准化 Agent → OpenClaw（SOUL.md 一目了然，可审计可复制，参考《Claude Code 开源 Agent》）
• 7×24 小时代码审查 → Hermes（cron 调度 + GitHub MCP，无人值守）
• 个人知识助手 → Hermes（三层记忆跨会话积累，越用越懂你）
• 搭客服/社区 Bot → Hermes（原生 12+ 平台 Gateway，多端互通）

什么人适合装 Hermes

读到这里，你大概能判断自己该不该装。我总结 4 种适合的人：

1. 你用过 Claude Code 或 OpenClaw，想要一个能自主跑后台任务的 Agent。不是你坐在旁边盯着的那种，是你睡觉它也在干活的那种。
2. 你对 Harness Engineering 了解，好奇这套方法论被产品化之后是什么样子。Hermes 是目前唯一把 Harness 五组件全内建的 Agent。
3. 你想在自己的 VPS 上部署一个私有 AI Agent，数据不离开自己的服务器。MIT 开源，完全自托管。
4. 你做内容创作、个人知识管理、或者运营类工作，需要一个能持续积累你的风格和偏好的助手。Claude Code 做单篇文章很好，但第十篇和第一篇表现差不多；Hermes 第十篇已经比第一篇好太多了。

不适合装的人：

• 只是想快速验证一次性任务（翻译一段话、写个小脚本）→ 用 ChatGPT / Claude Code 就够了
• 不想折腾 VPS 和配置文件 → 用 Claude Code 或 Cursor 订阅制更省心
• 企业合规场景需要完全可审计的行为 → 用 OpenClaw 的 SOUL.md 配置更透明

避坑清单：几个值得提前知道的限制

读 PDF 的过程中我标记了几个容易踩的坑，提前说：

1. 记忆没有自动过期机制。如果你长期使用，~/.hermes/ 目录会持续增长。建议定期检查大小、清理过时的 Skill 文件。这是一个已知待改进点。
2. 记忆可能被"污染"。Hermes 在早期对话里误记住的错误信息（比如错以为你偏好 Python 2）会持续影响后续行为。所以定期审查记忆很必要——看看 ~/.hermes/skills/ 下有哪些 Skill，删掉不合适的。
3. 3 个并发子 Agent 是硬限制。Nous Research 测试发现超过 3 个子 Agent 后主 Agent 的汇总质量会急剧下降。不是算力问题，是大模型在整合过多独立信息源时的注意力分散问题。
4. Fast Mode 只对 OpenAI 和 Anthropic 生效。国内模型和 Ollama 本地模型用不上这个优化。
5. Skill 之间可能冲突。两个 Skill 触发条件重叠时，Hermes 会优先选匹配度更高的，但结果不一定符合你的预期。遇到行为异常先检查是不是 Skill 冲突。

最后一个问题：自改进 Agent 能走多远

PDF 最后一章（§17）花叔提了一个尖锐问题：自改进 Agent 的天花板在哪里？

他的判断我完全赞同：天花板不在技术，在反馈信号。

Hermes 的自改进循环依赖一个关键假设——它能判断自己的改进是好是坏。它改了一个 Skill，下次任务做得更好了，这就是正反馈。但"更好"是谁定义的？

如果你在场给反馈，循环是有效的。如果你不在场，Agent 只能用自己的评估标准。它觉得这次回复更快了、更准了。但"快"和"准"不等于"对"。有些错误需要领域知识才能发现。Agent 不知道自己不知道什么。

这对 Hermes 用户的实操启示是：部署不等于放手。至少核心场景要保留人工 review 的习惯。PDF 里花叔的判断我觉得很准：

最好的状态可能是：让 Agent 在"怎么做"上自改进，你只管"做什么"和"别做什么"。这不是偷懒，是另一种 on the loop。

带走这份决策框架

这是你今天能用上的（截图保存那种）：

□ 只是想快速写代码           → Claude Code
□ 给团队定制 Agent，要可审计  → OpenClaw
□ 想要 24/7 在线的私人助手    → Hermes Agent
□ 长期内容项目，要积累风格    → Hermes + Claude Code 组合
□ 数据不能离开自己服务器      → Hermes（MIT 自托管）
□ 企业合规，SOC2/HIPAA       → OpenClaw（行为可预测）

安装路径（Hermes）：
1. $5/月 VPS（Hetzner/DigitalOcean/Vultr）
2. curl 一键脚本安装
3. config.yaml 填 OpenRouter API Key
4. 配 Telegram Bot token
5. 最后一步：定期审查 ~/.hermes/skills/ 和 persistent memory

相关阅读

想把 AI Agent 这条线打通的话，我建议顺着这几篇读：

• 《OpenClaw 多 Agent 实战指南》—— OpenClaw 的核心能力全景
• 《OpenClaw vs AI Agents 生态全景》—— 2026 年 Agent 工具生态对比
• 《AI 编码 Agent 2026 横评》—— Claude Code / Cursor / OpenClaw 实测对比
• 《Claude Code 开源 Agent 新时代》—— 开源 Agent 的生态变化

外部一手资料：

• Hermes Agent GitHub（v0.9.0 源码）
• Hermes Agent 官方站
• Nous Research 官网
• agentskills.io 标准（Skill 互通协议）

写到这里我想坦白一件事：我对"自改进 Agent"这件事既兴奋又保留。兴奋是因为 Hermes 确实把 Harness Engineering 做成了一个产品，按教程装下来整套 $10 之内就能跑。保留是因为我还没在自己的工作流里跑满三个月——很多判断需要时间才能显现。

但如果你已经用 Claude Code 半年、对 “AI 能帮我做多少事” 开始有感觉，Hermes 值得你花一个周末装起来跑。最坏的情况是你多了一个 $5/月的 VPS 服务，删了就是。最好的情况是你第一次体验到什么叫"AI 真的在记得我"。