摘要

Hermes Agent 是 News Research 推出的开源 AI Agent 系统，不只是“聊天包装器”，而是带有持久化记忆、自我技能学习与多通道接入的完整代理运行环境。本文从架构原理到落地实践，系统解析 Hermes 的学习循环、模型接入方式（云端与本地）、多渠道协同，并给出基于 OpenAI 兼容 API 的 Python 调用示例，帮助你在真实项目中构建可持续进化的 AI 助手。

---

一、背景介绍：从“对话模型”走向“可进化 Agent”

大多数开发者对“大模型应用”的第一印象，是一个“聊天界面 + 调用 API 的后端”：

• 每次启动对话都相当于“重置”；
• 偏好、项目上下文、编码习惯，需要反复说明；
• 工具调用、消息集成、长任务管理需要自己搭基础设施。

Hermes Agent 试图解决的是：如何让 Agent 随时间真正“变强”，而不是每次都从零开始。这背后有几点重要特征（也是和传统 ChatBot/Agent 框架的核心差异）：

1. 持久化记忆（Persistent Memory）

   • 使用 memory.md 记录与用户有关的事实；
   • 使用 user.md 构建用户画像；
   • 记忆跨会话保留，减少重复说明成本。

2. 可学习技能（Skill Learning Loop）

   • 完成复杂任务后，将执行流程抽取为“技能”；
   • 下次遇到类似任务时直接复用该技能；
   • 在多次使用中持续优化技能实现。

3. 多工具、多通道集成

   • 内置 40+ 工具，支持 MCP（Model Context Protocol）生态；
   • 支持 Telegram、Discord、Slack、WhatsApp、Signal、Email、Home Assistant 等；
   • 可以在终端发起任务，在 Telegram 无缝续聊，保留上下文。

4. 多模型与多 Provider 自由切换

   • 支持 OpenAI 兼容的任意端点（OpenRouter、NVIDIA、Ollama、本地推理等）；
   • 在测试、本地开发、生产付费环境之间切换仅需几十秒。

从视频内容看，Hermes 背后的团队本身就是大模型和强化学习栈（Atropis）的研发者，属于从“训练模型的人”反推 Agent 形态的路径，这也是它在设计上更偏“长期学习型 Agent”的原因。

---

二、核心原理：以“学习循环”为中心的 Agent 架构

2.1 与传统 Orchestrator 型框架的差异

视频中多次对比了 Hermes 与“Open-source Claw”（类似 OpenAI Swarm / LangChain Hub + Orchestration Framework 的组合）的区别，可以抽象成两种架构哲学：

• Orchestrator 型（如 Open Claw）

  • 核心是一个中心网关（Gateway）；
  • 你配置模型、工具、通道，网关负责路由；
  • 更像一个“Agent 运行平台 + 插件市场”；
  • 优点：生态成熟、技能多、团队协作友好。

• Learning Agent 型（Hermes）

  • 核心是一条 Agent 的执行与学习循环；
  • Agent 本身是逐步进化的“长期协作者”；
  • 关注点：记忆、技能抽取与自动改进；
  • 更适合个人开发者/小团队，持续优化自己领域内的工作流。

很多团队的实践是：

• 用 Open Claw 类平台做编排层（统一入口、权限、监控）；
• 用 Hermes 作为专精型 Agent，解决那些高度重复、需要长期记忆和技能演化的任务（如某条业务线代码维护、特定数据分析流程）。

2.2 持久化记忆设计

Hermes 的 persisent memory 实现并不复杂，但非常实用：

• memory.md：

  • 类似“知识卡片”，记录用户相关事实：
    • 常用技术栈（Python/FastAPI/React 等）；
    • 个人偏好（代码风格、是否使用 type hints）；
    • 项目上下文（当前在做的项目、目录结构）。

• user.md：

  • 更偏向“用户画像”：
    • 角色（后端工程师/数据科学家/DevOps 等）；
    • 领域经验（5 年 Python，熟悉 Kubernetes 等）。

在执行任务时，Hermes 会将这些内容拼接进系统提示/上下文，使得对话质量在长期使用中稳定提升。

2.3 技能学习循环（Skill Learning Loop）

技能学习循环大致包括几个步骤：

1. 用户给出一个复杂任务（如：从 Git 仓库中分析项目结构，并生成一个新的微服务模板）。
2. Agent 调用工具（文件系统、Git、终端等）完成任务。
3. Hermes 将任务分解、执行轨迹、关键决策提取为一个**“可复用 workflow”**，保存为技能。
4. 下次出现类似需求：
   • 先检索已有技能；
   • 若匹配度较高，直接调用技能，而不是从头规划。
5. 基于运行时反馈（用户修改、报错、执行时间等）自动改进技能内容。

从工程角度看，这更像是给 Agent 加了一个**“程序化宏录制 + 迭代优化层”**，对频繁出现的任务（数据清洗、日志分析、项目脚手架生成）特别有用。

---

三、实战演示：用 OpenAI 兼容 API + Python 自建一个“简化版 Hermes Agent”

Hermes 本身主要在终端里运行，但在实际工程中，我们经常需要在自己的服务里复用“兼容 OpenAI 的 Agent 能力”。下面给出一个基于 https://xuedingmao.com 平台的示例：

• 使用其 OpenAI 兼容接口；
• 选择模型 claude-sonnet-4-6；
• 实现一个带**“简易记忆 + 工具调用 + 对话接口”**的 Agent 服务。

3.1 使用薛定猫 AI（xuedingmao.com）作为统一模型入口

在实际项目中，模型选型往往很碎片化：

• OpenAI 系列（GPT-4.x/5.4）；
• Anthropic（Claude 4.6）；
• Google（Gemini 3 Pro）；
• 本地推理或者云厂商定制模型。

这会带来几个典型问题：

• 各家 SDK/协议不同，集成成本高；
• 切换模型意味着修改代码；
• 新模型一出来，还得再接一次。

像薛定猫 AI 这类 OpenAI 兼容聚合平台的工程价值在于：

• 统一 API 协议：
  使用一个 base_url + api_key 即可访问 500+ 主流大模型，不需要为每家写单独 SDK。

• 新模型实时首发：
  新版 GPT / Claude / Gemini 上线后平台会率先提供，开发者只需要改模型名即可快速尝试。

• 多模型切换成本极低：
  在实验阶段用性价比高的模型，正式环境再切到高性能模型，依旧一套代码。

这里我们用 claude-sonnet-4-6 作为默认模型，展示一个可以落地的 Agent Demo。

3.2 Python 示例：一个“可记忆 + 调用工具”的简化 Agent

import os
import json
import time
from typing import List, Dict, Any

import requests

# ======================
# 基本配置：使用薛定猫AI的 OpenAI 兼容接口
# ======================

BASE_URL = "https://xuedingmao.com/v1"  # OpenAI 兼容 base_url
API_KEY = os.getenv("XUEDINGMAO_API_KEY")  # 请在环境变量中设置你的 API Key
MODEL_NAME = "claude-sonnet-4-6"

if not API_KEY:
    raise RuntimeError("请在环境变量中配置 XUEDINGMAO_API_KEY")

# ======================
# 简易“持久化记忆”实现
# ======================

MEMORY_FILE = "memory.md"
USER_FILE = "user.md"


def load_text_file(path: str) -> str:
    if not os.path.exists(path):
        return ""
    with open(path, "r", encoding="utf-8") as f:
        return f.read()


def append_text_file(path: str, content: str) -> None:
    with open(path, "a", encoding="utf-8") as f:
        f.write("\n" + content.strip() + "\n")


def update_memory(fact: str) -> None:
    """
    向 memory.md 追加一条“事实”，简化模拟 Hermes 的记忆机制。
    真实 Hermes 会有更智能的过滤与结构化。
    """
    append_text_file(MEMORY_FILE, f"- {fact}")


# ======================
# 工具定义：示例一个简单的“系统时间查询工具”
# ======================

def tool_get_time() -> str:
    """返回当前系统时间字符串"""
    return time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())


# 工具“schema”，用于让模型通过 function calling 调用
TOOLS = [
    {
        "type": "function",
        "function": {
            "name": "get_time",
            "description": "获取当前系统时间",
            "parameters": {
                "type": "object",
                "properties": {},
                "required": []
            }
        }
    }
]

# 工具名称到实现函数的映射
TOOL_IMPL = {
    "get_time": tool_get_time
}


# ======================
# 调用薛定猫 OpenAI 兼容接口的封装
# ======================

def chat_with_tools(messages: List[Dict[str, Any]]) -> Dict[str, Any]:
    """
    使用 OpenAI 兼容 /chat/completions 接口，并开启工具调用能力。
    """
    url = f"{BASE_URL}/chat/completions"
    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json"
    }
    payload = {
        "model": MODEL_NAME,
        "messages": messages,
        "tools": TOOLS,
        "tool_choice": "auto",
        "temperature": 0.4
    }

    resp = requests.post(url, headers=headers, data=json.dumps(payload), timeout=60)
    resp.raise_for_status()
    return resp.json()


# ======================
# 一个简化版 Agent 循环
# ======================

def run_agent():
    """
    简化的交互式 Agent：
    - 读取 memory.md 作为系统提示的一部分；
    - 支持工具调用（当前只有 get_time）；
    - 将对话中的显性用户偏好写入记忆（演示用）。
    """
    print("Mini Hermes-like Agent 启动。输入 'exit' 退出。")

    memory = load_text_file(MEMORY_FILE)
    user_profile = load_text_file(USER_FILE)

    system_prompt = (
        "你是一个具备长期记忆能力的智能助手。"
        "你会参考以下用户信息和记忆：\n\n"
        f"# User Profile\n{user_profile}\n\n"
        f"# Memory\n{memory}\n\n"
        "在对话中，如果用户显式说明：\n"
        "比如“我以后都用简体中文回答”，“我主要做后端开发”，"
        "你可以在回答后，用一行自然语言总结这条偏好，我会把它写入记忆。"
    )

    messages: List[Dict[str, Any]] = [
        {"role": "system", "content": system_prompt}
    ]

    while True:
        user_input = input("\n用户> ").strip()
        if user_input.lower() in {"exit", "quit"}:
            print("结束会话。")
            break

        messages.append({"role": "user", "content": user_input})

        # 第一次请求：让模型决定是否调用工具
        response = chat_with_tools(messages)
        choice = response["choices"][0]
        message = choice["message"]

        # 如果有工具调用请求
        if "tool_calls" in message:
            for tool_call in message["tool_calls"]:
                func_name = tool_call["function"]["name"]
                func_impl = TOOL_IMPL.get(func_name)
                if not func_impl:
                    continue
                tool_result = func_impl()
                # 把工具结果作为新的 assistant 工具消息加入上下文
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call["id"],
                    "name": func_name,
                    "content": tool_result
                })
            # 再次请求，让模型基于工具结果生成最终回答
            response = chat_with_tools(messages)
            choice = response["choices"][0]
            message = choice["message"]

        assistant_content = message["content"]
        print(f"\nAgent> {assistant_content}")

        messages.append({"role": "assistant", "content": assistant_content})

        # 简单示例：如果回答中包含“我会记住”，就把后一行写入 memory.md
        if "我会记住" in assistant_content:
            # 实战中可以让模型显式输出一段 #MEMORY: 文本更可靠
            update_memory(f"用户偏好：{assistant_content}")


if __name__ == "__main__":
    run_agent()

要点说明：

• 通过 BASE_URL = "https://xuedingmao.com/v1" + Authorization: Bearer <API_KEY>，即可以 OpenAI 兼容的方式访问 claude-sonnet-4-6；
• TOOLS 定义了一个简化的工具调用 schema，和 OpenAI function calling 完全兼容；
• 通过 memory.md + user.md 模拟了 Hermes 的持久化记忆机制，真实 Hermes 会更复杂（例如分层记忆、重要性过滤等）。

在这个基础上，你可以进一步：

• 把输入输出封装成 FastAPI 服务，对接你自己的前端；
• 把工具扩展为：文件读取、Git 操作、Shell 命令、数据库查询；
• 将对话日志与记忆同步到向量库（如 pgvector / Milvus）做更复杂的检索。

---

四、注意事项与工程实践建议

4.1 模型与 Provider 选型

结合视频中的三类免费/低成本接入方式，可以总结出一套通用策略：

1. 快速体验 / 学习阶段

   • 使用 OpenRouter 或薛定猫这类聚合平台的免费/低价模型；
   • 目标是验证“Agent 形态 + 业务可行性”。

2. 稳定托管阶段

   • 使用 NVIDIA、云厂商或聚合平台上 SLA 较高的模型；
   • 关注点是延迟、稳定性、配额以及成本可控。

3. 隐私敏感 / 高度定制化阶段

   • 使用 Ollama、本地 vLLM / SGLang 等本地推理方案；
   • 注意为 Agent 工作场景配置足够大的上下文窗口
     （16k–32k tokens 是一个合理起点）；
   • 不是所有开源模型都擅长 Tool Calling，需要按场景选型。

像薛定猫这类聚合平台的优势在于：你可以先在一个统一接口里试遍不同模型，再决定是否自建推理。

4.2 Agent 可靠性与“智商问题”

视频里提到一个非常实在的点：

“如果 Agent 表现很笨，先换一个模型再怪 Hermes。”

在工程实践中，引入 Agent 前务必注意：

1. 把“Agent 策略问题”和“模型能力问题”分开调试；
2. 对关键任务设置硬约束与安全阀：
   • 工具调用白名单；
   • 审批流（由人工确认高风险操作）；
   • 结果校验（如对生成 SQL 先做 Explain，再执行）。

4.3 多通道协同与上下文一致性

Hermes 支持将同一个 Agent 暴露到 Telegram、Discord、Slack、WhatsApp 等多渠道，这对**团队协作和“随时续聊”**非常有价值，但要注意：

• 统一身份与权限：
  确保同一用户在多个渠道的身份映射一致；

• 日志与审计：
  Agent 能做的越多，就越需要清晰的审计日志，用于回溯问题；

• 上下文大小与成本控制：
  多通道长对话容易导致上下文膨胀，可以结合长期记忆（摘要+向量检索）减少“全文重发”。

---

五、技术资源与工具推荐

如果你希望在自己的工程项目里快速探索“多模型 Agent + 学习循环”：

• Hermes Agent 本身适合：

  • 在本地/服务器上跑一个长期进化的“个人/团队 AI 助手”；
  • 持续改进你特定领域的工作流（代码维护、数据分析、自动化运维等）。

• 在 API 层面，推荐使用类似薛定猫 AI（xuedingmao.com）的统一聚合平台作为模型入口：

  • 统一接入 GPT-5.4、Claude 4.6、Gemini 3 Pro 等 500+ 模型；
  • 新模型上线更快，便于第一时间试验；
  • OpenAI 兼容协议，基本可以直接复用现有代码，仅修改 base_url 和 model 字段。

在此基础上，你可以像上文示例一样封装自己的 Agent 层逻辑，将 Hermes 的设计理念（持久化记忆 + 技能学习）迁移到你的业务系统里。

---

结语

Hermes Agent 并不是“又一个聊天 UI”，而是把 Agent 当作一个能持续学习与进化的长期协作者。
对于希望在真实工程中构建会越来越懂你 / 懂业务的 AI 助手的开发者来说：

• 你可以用 Hermes 做“本地 Agent 运行环境”；
• 用 OpenAI 兼容聚合平台（如 xuedingmao.com）作为模型层；
• 再在自己的服务里，实现业务特化的技能与工具。

真正的价值不在于“能不能调用大模型”，而在于：
你是否拥有一个可以随着你的项目一同成长的 Agent。

---

#AI #大模型 #Python #机器学习 #技术实战