Hermes Agent：Nous Research 开源的自我进化 AI Agent，两个月拿下 4 万星

摘要：Hermes Agent 是 Nous Research 开源的自进化 AI Agent，核心卖点是"越用越强"——它能从每次任务经验中自动提炼可复用的 Skill，持久化记忆跨会话积累，支持 15+ 消息平台、200+ 大模型，一行命令安装。本文带你全面了解它的核心机制和上手方式。

又一个"改变游戏规则"的 Agent？

说实话，我对"颠覆性 AI 工具"这种说法已经有点免疫了。

但 Hermes Agent 这个项目让我眼睛亮了一下——不是因为功能列表有多长，而是因为它做了一件其他 Agent 框架没认真做的事：让 Agent 真正从使用经验中学习，而不只是执行指令。

2026 年 2 月底开源，截至 4 月初已经积累了超过 4.1 万 GitHub Stars，230+ 贡献者，7 个版本迭代，速度相当炸裂。背后是做 Hermes、Nomos、Psyche 系列模型的 Nous Research 实验室。

我花了几天研究这个项目的架构和社区反馈，整理出这篇文章，聊聊它到底特别在哪里。

核心概念：闭合学习回路

大多数 AI Agent 框架的能力是静态的——你配好 Prompt、写好 Tools，它就一直这样跑。用三个月和用三天，能力没什么区别。

Hermes 的核心设计哲学完全相反：它会在使用中不断进化。

官方管这叫 Closed Learning Loop（闭合学习回路），具体分四个阶段：

第一阶段：任务执行接收到任务后，Agent 调用工具完成工作，跟普通 Agent 没区别。

第二阶段：自我评估检查点重点来了——每执行 15 次工具调用，Agent 会暂停做一次自检：

"我刚才做了什么？哪些步骤有效？有没有值得保留的模式？"

第三阶段：Skill 提炼或更新如果这段经验值得复用，Agent 会自动生成或更新一个 Skill 文档，存在 ~/.hermes/skills/ 里。Skill 文件格式遵循 agentskills.io 开放标准，是 Markdown 格式，人类可读。

第四阶段：记忆持久化任务结果和关键信息写入持久化记忆，用 SQLite FTS5 全文检索存储，下次遇到相似问题可以跨会话搜索调取。

实际效果是什么感觉？

有社区用户在 Discord 描述：

"第一周处理同一类任务需要 25 次工具调用，第六周已经缩短到 8-10 次。Skill 库在帮它跳过那些已经解决过的步骤。"

这就是复利效应——越用越快，越用越准。

技术架构速览

🧠 记忆系统

Hermes 的记忆分两层：

• 情景记忆：每次对话都会存档，用 FTS5 全文检索，支持 LLM 摘要辅助跨会话回忆

• 程序性记忆（Skills）：从任务经验中提炼的可复用 Skill 文件，随使用自动积累和改进

还集成了 Honcho 的辩证式用户建模——它会随着交互深入，构建对你这个用户的越来越深的认知模型。

⚡ 并行与委托

Hermes 支持派生隔离的子 Agent：

# Agent 可以在对话中自主 spawn 子 Agent 处理并行任务
# 每个子 Agent 有独立的上下文、终端环境和 Python RPC 接口

execute_code 工具支持通过 RPC 调用 Tools，可以把多步 Pipeline 压缩成单次推理调用，大幅降低上下文消耗。

🖥️ 六种终端后端

后端	场景
Local	本地开发，最低延迟
Docker	容器隔离，安全性更好
SSH	远程服务器直连
Daytona	无服务器，闲置近零成本
Singularity	HPC/GPU 集群环境
Modal	无服务器，按需唤醒

这意味着你可以在 5 美元的 VPS 上跑一个全功能的 Agent，它睡着的时候几乎不花钱，有任务来了自动唤醒。

15+ 平台消息网关

这个功能我觉得是被低估最多的。

Hermes 可以接入 15+ 消息平台，作为统一的接入入口：

国际平台：Telegram、Discord、Slack、WhatsApp、Signal、Matrix、Mattermost、Email、SMS

国内平台：DingTalk（钉钉）、Feishu（飞书）、WeCom（企业微信）、BlueBubbles

智能家居：Home Assistant

实际体验是这样的：你在手机上用 Telegram 给 Agent 发一条消息，它在云 VM 上处理，处理完发回通知。你换到电脑，打开 Discord，对话历史还在，继续往下聊。

而且所有平台共用一个 hermes gateway 进程，不需要分别部署。

47 个内置工具

支持 200+ 大模型（通过 Nous Portal、OpenRouter、OpenAI 兼容接口、本地 Ollama），内置 47 个工具，覆盖：

• 终端操作：命令执行、文件读写、进程管理

• Web 控制：搜索、抓取、浏览器自动化（带视觉理解）

• 代码执行：Python 沙箱、脚本运行

• 多媒体：图像生成、文字转语音、语音转文字

• 定时任务：自然语言写 Cron，每天早上 8 点给我发新闻摘要 这样就够了

还支持 MCP（Model Context Protocol），可以接入任意 MCP Server 扩展能力。

安装只需一行

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

支持 Linux、macOS、WSL2。安装脚本自动处理 Python、Node.js、依赖和 hermes 命令，前提只需要 git。

安装完成后：

source ~/.bashrc     # 重新加载 shell
hermes setup         # 运行配置向导（推荐第一次用这个）
hermes               # 直接开始对话
hermes model         # 切换模型/Provider
hermes tools         # 配置启用哪些工具
hermes doctor        # 诊断问题
hermes update        # 更新到最新版本

从 OpenClaw 迁移也很简单：

hermes claw migrate              # 交互式迁移
hermes claw migrate --dry-run    # 先预览会迁移什么

Skills、记忆、API Key、平台配置，都能一键导入。

跟 OpenClaw 有什么区别？

这是社区里问最多的问题。

简单说：两者定位不同，互补而非替代。

维度	Hermes Agent	OpenClaw
Skill 创建方式	自动从经验提炼	手动编写
跨会话记忆	内置，自动维护	需要手动配置
多平台接入	15+ 平台统一网关	多平台支持，生态更成熟
主要优势	长期使用越来越强	编排能力强，插件生态丰富
适合场景	需要深度个性化和长期记忆的个人工作流	团队协作、多渠道运营

社区的主流观点是：OpenClaw 处理多渠道运营和团队工作流，Hermes 负责学习层——如果你的工作有大量重复性复杂任务，Hermes 的复利效应会非常明显。

研究向能力：Atropos RL 集成

这个可能是大多数文章没提到的细节。

Hermes 内置了批量轨迹生成和 Atropos RL 训练环境。实际上，Nous Research 自己也在用 Hermes 为下一代工具调用模型生成训练数据。

# 批量生成任务轨迹
python -m hermes.batch --eval-set my_tasks.json --workers 4

# 导出为 ShareGPT 格式用于微调
hermes export --format sharegpt --output training_data.json

这意味着如果你在做 AI 研究，Hermes 不只是一个 Agent，还是一个可以直接用来构建 RL 训练数据集的基础设施。

我的判断

Hermes Agent 做对了一件事：把 Agent 的价值从"能做什么"转移到了"随时间能积累什么"。

大多数 Agent 框架在设计上都是无状态的——每次对话从零开始。Hermes 把有状态的经验积累放到了核心位置，这个方向是对的。

当然，它还很新（2026 年 2 月才开源），Issues 列表里 2000+ 的开放问题也说明还有不少要打磨的地方。但 230 位贡献者、两个月 8 次发版的节奏，说明这个项目跑得起来。

适合谁：

• 有长期重复性复杂任务需要自动化的个人开发者

• 想在 AI Agent 上做深度定制而不是浅层配置的人

• 对自托管和数据自主权有要求的人

• AI 研究者，需要 RL 训练数据生成的基础设施

暂时不适合谁：

• 需要成熟稳定生产级环境的团队（还在快速迭代中）

• Windows 原生用户（目前只支持 Linux/macOS/WSL2）

你用过类似的自进化 Agent 框架吗？或者你正在用什么方式来让 AI 工具记住你的工作习惯？欢迎在评论区聊聊。

项目地址：https://github.com/NousResearch/hermes-agent
官方文档：https://hermes-agent.nousresearch.com/docs
社区：Discord / agentskills.io Skills Hub

我是顾北，关注我，我们下期再见！