又一个 Agent？这次我多看了两眼

2026 年开年到现在，Agent 圈的新项目多到让人有点疲惫。Claude Code 还没玩透，OpenClaw 的龙虾热刚散，Cursor 又换了代，每隔几周就冒一个号称"颠覆性"的新框架出来。大多数看一眼就过去了。

Hermes Agent 是 2 月份冒出来的那一个。第一次在 X 上刷到的时候，我的反应和你现在一样：又来？

后来让我坐下来认真把它拆开看的，是 Nous Research这几个字。

Nous Research 这个实验室在开源 AI 圈算是一股"安静的狠劲"。人不多，几乎不做营销，但他们的 Hermes 模型系列（从 8B 到 405B）被圈内当作"纯靠后训练能做到什么程度"的参考答案。这帮人突然从出模型跳去出 Agent 框架，不太像凑热闹的样子。

花了几天把文档和代码翻完之后，我把 Hermes 是什么用一段话说清楚。

它是一个开源的自主 Agent 框架，MIT 许可证，一行curl命令装完，可以跑在一台 $5/月的VPS上。装完之后你会拿到一个住在服务器上的 AI：你可以在终端里和它聊，也可以把它接到 Telegram、Discord、Slack、WhatsApp、Signal 这一串十几个消息平台。所有入口背后是同一个大脑：你早上在 Telegram 问的事，中午回到电脑前用 CLI 接着聊，它知道你在说什么。配置只有一个 ~/.hermes/config.yaml，数据全部在 ~/.hermes/ 这一个目录下，没有云端、没有 telemetry、没有"哪天 API 改了把你锁死"的隐患。想搬家？打包这个目录就行。

这些都是表层信息。Hermes 真正的特别之处是它官网顶上的那句 slogan：

An agent that grows with you.

一个会随你一起长大的 Agent。

这句话听起来像产品宣传，但背后是一整套有具体技术落地的机制：学习循环、三层记忆、Skill 自改进、Honcho 用户建模，每一块都值得单独拆开讲。

这篇文章想把这些都说清楚：Hermes 是什么、它靠什么实现"成长"、和 Claude Code、OpenClaw 比起来到底怎么选、以及哪些地方你得冷静点看。

为什么不能用 ChatGPT 或 Claude Code 做同样的事

在进入机制之前，先回答一个你可能正在想的问题：Hermes 做的这些事，ChatGPT 不能做吗？Claude Code 不够用吗？

ChatGPT 是金鱼。你每次打开新对话，它就像第一次见你：你得重新解释你是谁、在做什么项目、偏好什么风格。聊了三个月，它不记得你们讨论过的任何东西。这不是 ChatGPT 的 bug，是它的设计。它从头到尾就没打算记住你。

Claude Code 好一些。CLAUDE.md 加 auto-memory 让它在项目内有了上下文，改代码时它知道你的项目结构、偏好、上次踩过的坑。但它有两个绕不开的约束：它住在你的电脑里，而且只在你坐在电脑前时工作。你一关终端它就停了。凌晨两点服务器挂了？它不会帮你看。上班路上突然想到一个点子想让 AI 帮你调研？对不起，等到晚上打开电脑再说。

Hermes 做的是另一件事：它在你不在场的时候也在工作。

这话听起来像 SaaS 广告词，但它是一个技术事实。Hermes 住在 VPS 上不关机，你通过 Telegram 找它，收到消息就响应，处理完了可以主动推回来。它还能跑 cron：你让它"每天早上 9 点给我推今日热点"，它就真的每天早上 9 点给你推，不需要你打开任何窗口。这些事 Claude Code 的定位决定了它做不了，不是能力不够，是它根本不在那个位置上。

这个定位上的差异，决定了 Hermes 必须解决几个别的工具不用解决的问题。长期记忆怎么存？经验怎么复用？跨平台之间怎么保持连续性？用得越久怎么让它越来越懂你？

下面一层层拆开看。

核心机制一：「学习循环」，它自己给自己造缰绳

学习循环是 Hermes 的心脏，也是它和其他 Agent 最大的区别。

一句话描述：每次完成任务，Agent 自动复盘——该记住什么、该提炼成什么 Skill、现有 Skill 要不要改。整个循环自动转，不需要你触发。

听起来简单，展开看是五个环节。我一个一个说。

第一环，策划记忆。每轮对话结束后，Agent 主动决定哪些信息值得持久化。注意是"主动决定"，不是被动存整段对话，而是像人写日记：今天发生了什么值得记？用户表达了什么偏好？有什么新发现？然后把筛选后的内容写进 SQLite 数据库。

大多数人以为 AI 的"记忆"就是存聊天记录。这是最粗暴的方案，也是最常见的方案。但它有个致命问题：聊得越多上下文越长，直到撑不下为止。Hermes 更像人：一天聊几千字，睡前回想一下，真正值得记的可能就三五条。

系统还有个小细节叫 nudge****机制，它定时戳一下 Agent："你最近有什么该记的吗？"有点像手机日记 app 弹的"今天有什么值得记录的？"这个小东西挺关键的，没有它，Agent 容易顾着干活忘了总结；有了它，反思就成了循环里的硬性环节。

第二环，自己创建 Skill。完成一个稍微复杂点的任务后，Agent 会问自己一个问题：这个解法以后还会用到吗？如果答案是 yes，它就把解决过程蒸馏成一个 markdown 文件，存到 ~/.hermes/skills/ 目录下。触发条件、执行步骤、用户偏好、常见陷阱都在里面。

下次你再提出类似任务，它不是从零开始，而是加载这个 Skill，按验证过的路径直接执行。

举个具体例子你会更有感觉。假设你每天早上会让 Hermes 帮你整理一份"今日热点简报"——科技圈发生了什么、有没有你关注的公司新动作、有没有值得展开聊的社会议题。前几次你每次都得把需求重复一遍："给我挑三条科技新闻、一条财经、一条社会，每条两句话总结，不要标题党，标注来源。“大概到第三四次之后，你去 ~/.hermes/skills/ 目录下看一眼，会发现那里悄悄多了一个 daily-briefing.md——里面记着触发条件、筛选规则、你说过的每一条偏好。你没让它写，它自己写的。从这一刻起，你只需要说一句"给我看今天的简报”，Hermes 就知道该做什么。

第三环，Skill 自改进。这是 Hermes 最有意思的一环，也是它和所有其他 Skill 系统最大的区别。

OpenClaw 的 ClawHub 上有四万多个社区 Skill，质量很高，但那些 Skill 是静态的：写完就不变了。你觉得哪里不好？自己去改。Hermes 不一样。你对结果不满意，告诉它哪里不对，它不只是这次调整，它会回去修改 Skill 文件本身。下次再用，新版本就是默认版本。

这个过程挺像软件开发里的持续改进：每次上线出问题，修好之后不只打个补丁，还要更新文档防止同类问题再发生。只不过这里的"修文档"是 Agent 自己做的。

第四环，FTS5 跨会话召回。存了这么多东西，关键是能在对的时候找到。Hermes 用 SQLite 的 FTS5 扩展建全文索引。新对话开始时，它根据当前话题搜历史记忆，只加载最相关的片段。

这个设计被严重低估。对比一下就知道价值在哪——传统记忆方案有两种：要么不记得，要么把所有历史全塞进上下文。前者等于没有，后者几个月后就撑爆。Hermes 的做法是：你问数据库的事它翻数据库相关的记忆，你问前端的事它翻前端相关的记忆。更像一个整理得很好的笔记系统，有目录有索引，需要什么查什么——而不是一盘越来越长的录像带。

第五环，Honcho 用户建模。这是可选的外部集成，Plastic Labs 做的。它做的事比"记住你说过什么"再深一步——它在推理你是什么样的人。

举个具体点的例子。假设一个用户连续用了几周之后，Honcho 可能会推断出这样一些东西：这个用户不是纯新手但也不是专家（能看懂代码但偶尔写不出来）、习惯晚上 9-11 点活跃（可能是下班后的个人项目）、喜欢先看结果再问原理（不爱读长篇分析）、代码报错时会有点急躁（这时候简洁直接的回复效果更好）。

最有意思的是它会抓你"言行不一致"的地方。比如你嘴上说要写完整注释，但实际 review 代码时从来不看注释——辩证式建模就是同时关注这两种信号，而且相信行动而不是相信口头声明。

这些推断不会直接告诉你，而是作为隐形上下文注入到后续的 prompt 里。你看不到，但你会感受到 Hermes****变得更懂你。

五个环节串起来就是一个正反馈飞轮：记忆喂养 Skill，Skill 在使用中产生新反馈，反馈触发 Skill 改进，改进后的 Skill 带来更好的结果，更好的结果让用户建模更准确，更准确的画像又让下一次的记忆策划更有针对性。每转一圈，系统在几个维度上同时变强。

核心机制二：「三层记忆」，从金鱼到老友

学习循环是发动机，三层记忆是底盘。发动机再强，底盘不行也跑不快。

Hermes 的记忆分三层，而且这三层不是随便分的，对应的是认知科学里的三种记忆类型。它架构决策背后有个挺清晰的隐喻：它在模仿人脑是怎么记住事情的。

第一层，会话记忆，对应人脑里的情景记忆。回答的问题是：发生了什么。对话原文、工具调用、返回结果全部写进 SQLite，同时建 FTS5 索引。这对应海马体的职能：记录一个个具体事件。

关键设计前面说过：按需检索而不是全量加载。相当于你随身带一页笔记，需要细节时再去翻档案柜。

第二层，持久记忆，对应语义记忆。回答的问题是：你是谁。这层存的不是对话原文，是从对话里提炼出的持久状态：编码偏好、项目结构习惯、常用工具链、工作节奏。跨会话保持，不会因为开了新对话就丢。

这层是纯文件级的，没有外部服务器。你可以把 ~/.hermes/ 备份到 U 盘、挂到 Docker 卷、多设备之间用网盘同步。便携性这件事被严重低估了——很多 AI 工具的记忆锁在云端，你换个工具就得从零开始。Hermes 的记忆是你自己的文件，想怎么搬怎么搬。

第三层，Skill 记忆，对应程序性记忆。回答的问题是：怎么做事。每个 Skill 一个 markdown 文件，可读可编辑。这对应你学会骑自行车后那种"不用思考就能执行"的肌肉记忆。

三层一起工作的时候大概是这样的。你说"帮我部署这个项目"——Hermes 先用 FTS5 搜会话记忆，找到你上次部署时遇到的端口冲突（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 这个 Skill，按你验证过的步骤执行（程序性）。三层各司其职，像人脑处理熟悉任务的方式。

标题那句"从金鱼到老友"，说的就是这个。金鱼不是没有眼睛，是没有记忆——每次看到你都像第一次见面。大多数 AI 工具是这样的。老友不一样，老友知道你的脾气、你的习惯，知道你嘴上说不在意其实很在意，你不需要每次都解释背景，因为背景已经在那了。

Hermes 走的就是从金鱼到老友这条路。

不过得提一个警告：记忆污染****是个真实的问题。如果 Hermes 早期记住了错误信息，这个错误可能会一直影响它的后续行为。比如它误判你偏好 Python 2，之后生成的代码可能都带着 Python 2 的语法。目前它没有自动过期机制，长期使用需要你偶尔打开**~/.hermes/skills/****看看，删掉不合适的，**修正错了的推断。

就像整理笔记本一样。偶尔翻翻，你会发现不少需要更新的东西。

核心机制三：Skill 系统和 agentskills.io

Skill 这块还有个细节值得单独说——开放标准 agentskills.io。

Hermes 不是封闭生态。它兼容的这个 Skill 标准目前已经被 30 多个工具采用，包括 Claude Code、Cursor、Copilot、Gemini CLI。

这件事的长远影响可能比 Hermes 本身还大。因为它在说：不管你选哪个 Agent，Skill 都是通用的。你花在写 Skill 上的时间不会因为换工具而浪费。你积累的 Skill 是你自己的资产，不是某个平台的附属品。

OpenClaw 的 ClawHub 上有四万多个社区 Skill——理论上这些都可以被 Hermes 直接调用。Hermes 甚至专门内置了一个 hermes claw migrate 命令，带 dry-run 预览，专门帮 OpenClaw 用户把旧的 Skill 资产平滑搬过来。这很克制，也很聪明，与其和 OpenClaw 抢生态，不如直接把它的生态接过来。

还有一个值得留意的信号：Nous Research 自己开了一个叫 hermes-agent-self-evolution 的子项目，用 DSPy + GEPA 做 Skill、prompt 和代码的演化式自改进。目前还在实验阶段，但方向很清楚——他们想把 Skill 的进化从"基于反馈的线性修改"升级到"基于搜索的全局优化"。这可能是 Agent 自改进能力的下一个台阶。

核心机制四：工具、沙箱和多 Agent——Hermes 对"能力越多越好"的反话

这一节的主题其实只有一句话：Hermes****相信"约束"和"能力"同样重要。

大多数 Agent 框架的路数是"我接入了多少工具"——越多越好，越全越强。Hermes 的路数是反的：工具很多，但默认不全开；能并行，但并发有上限；能跑代码，但必须在沙箱里。这些看起来像限制的设计，每一条都有它要回答的具体问题。

先看工具层。Hermes 内置 40 多个工具，分五大类：执行、信息、媒体、记忆、协调。再加上 MCP 协议可以接入任何外部服务。但它提供了一个叫 Toolset 的概念，让你在 config.yaml 里按需启用工具，而不是默认全开。

为什么？两个原因。

一个是效率：启用的工具越少，Agent 决策越聚焦、响应越快、token 消耗越少。40 个工具摆在模型面前，每次调用都要多算一层"我该用哪个"的选择。

另一个是约束：帮你整理日程的 Agent 没有理由拥有 code_execution 权限，管你代码仓库的 Agent 也不需要 Home Assistant。**Toolset 不是效率工具，是权限边界，**把"这个 Agent 能碰什么"写在配置里，而不是交给模型临场发挥。

再看多 Agent 这一层。Hermes 有一个 delegate_task 工具，允许主 Agent 生成子 Agent 并行执行任务。每个子 Agent 有独立的上下文、独立的终端、独立的工具集。但硬性规定：最多 3 个并发。

这个上限是刻意的。Nous Research 在测试里发现，超过 3 个之后主 Agent 的汇总质量会急剧下降，不是算力问题，是注意力问题。大模型在整合过多独立信息源时会变笨。一个容易被"再多一点就更强"这种执念牵着走的参数，他们选择了老老实实承认瓶颈。这个决定背后的成熟度比参数本身更值得注意。

子 Agent 的独立工具集也不是顺手设计，它是安全机制。想象一个场景：你让一个子 Agent 去网上搜一段示例代码，它搜到了一段藏有恶意指令的片段。如果这个子 Agent 同时持有 terminal 权限，这段代码可能被当场执行；但如果它只有 web 权限，返回的就只是一段无害的文本，等着主 Agent 审查。最小权限原则**，在 Agent 层面依然成立**，而且比在人类团队里更重要——因为 Agent 更容易被诱导。

最后是****执行环境。Hermes 支持六种终端后端：local、Docker、SSH、Singularity、Daytona、Modal。Docker 默认就做了只读根文件系统、capability 降级、命名空间隔离这些加固。Daytona 和 Modal 提供 serverless 持久化：空闲时休眠、收消息时唤醒，会话间成本趋近于零。

把这三层放在一起看：工具按需启用、子 Agent 受限委派、代码沙箱隔离，这是Hermes对"一个 7x24 运行、随时会接触到不可信输入的自主 Agent"给出的完整回应。不是"能做的事越多越好"，而是"能做的事必须在可控边界内"。

这一层设计上的克制，和前面学习循环的那种"放手让它长大"其实是一枚硬币的两面。放手不等于失控，成长不等于无边界。这是Hermes整个产品哲学里最有分量的一条。

Hermes、OpenClaw、Claude Code：三匹马怎么驾

到这里，你应该已经能感觉到：把这三个工具放在一起比较"谁更好"是个伪命题。它们解决的根本不是同一个问题。

先看一张对照表理清位置：

维度	Claude Code	OpenClaw	Hermes Agent
核心理念	交互式结对编码	配置即行为（SOUL.md）	自主后台 + 自改进
你的角色	坐在终端前实时指挥	写配置定义人格	部署后偶尔检查
记忆机制	CLAUDE.md + auto-memory	多层记忆，人工维护为主	三层自动记忆 + FTS5
Skill 来源	手动编写安装	ClawHub 四万多个社区 Skill	Agent 自创 + 社区 Hub
运行模式	按需启动	按需启动	7x24 后台常驻
最擅长	实时代码生产力	透明、可审计、可复制	持久性、自动化、跨平台

我更愿意把这三个工具理解成三种不同的认知分工。

Claude Code 在处理"在场的、需要实时判断的、反馈必须快的事"。你打开终端坐下来，它就上岗——你写一行它跟一行，你改一次它学一次，决策的权重始终在你这边。这种工具最适合处理短周期、高不确定性、需要人类在环的任务。写代码、做产品原型、改一份正在改的稿子，都属于这一类。它的核心价值不是"能做多少事"，而是"反馈延迟有多低"。

OpenClaw 在处理"需要透明、可复制、别人也能理解的事"。SOUL.md 让 Agent 的一切变成可读的文本——什么场景下它会做什么、它的偏好是什么、它的禁区在哪里，一眼看得清楚。这种特性在个人使用时价值一般，但当你要把 Agent 交给团队、交给合规部门、交给一个你不能完全信任的场景时，透明度本身就是一种基础设施。OpenClaw 最被低估的一点是：它让"我的 Agent 做了什么"这件事可以被第三方审查。

Hermes 在处理"长期的、无人值守的、随时间累积的事"。它的核心价值不在任何一次对话里，而在几十次对话之后——当你发现它开始主动提议你需要的东西、当你发现它在没有配置的情况下已经按你偏好的方式工作、当你发现 ~/.hermes/skills/ 下的 Skill 越来越像为你定制的。这种价值是 Claude Code 和 OpenClaw 的设计都给不出来的，因为它们的交互模型里根本没有"长期累积"这一维。

所以真正的问题不是"选哪个"，而是哪些任务放在哪匹马身上。一个合理的组合方式：把所有需要你在场做判断的事交给 Claude Code，它反馈最快；把所有需要透明可审计的协作场景交给 OpenClaw，它配置最清晰；把所有你希望"用着用着它自己变好"的持续性工作交给 Hermes，它最擅长随时间成长。

agentskills.io 让这个组合的切换成本接近为零——你在一个工具里攒下的 Skill，可以直接被另一个工具读取。这意味着选择不是一次性的，组合方式可以随你的需求演化。

一句话收尾：Claude Code 让你更快，OpenClaw 让你更可控，Hermes让你更长久。三件事都重要，但它们发生在不同的时间尺度上。

几个该冷静的地方

Hermes 有它的漂亮，也有它的硬伤。下面几件事值得你在决定部署前先想清楚。

记忆质量随时间会****衰减。持续增长的记忆必然积累噪音。Skill 自动生成很方便，但相互矛盾的 Skill 怎么处理、过时的流程怎么剪枝——目前没有非常成熟的方案。重度使用半年之后，记忆库是资产还是负担，取决于你愿不愿意定期整理。这也是为什么 Nous Research 在推那个 self-evolution 子项目，他们自己也意识到单靠"堆积 + 线性修改"撑不住长期使用。

工具调用准确率依赖底层模型。40 多个工具加上 MCP，暴露给模型的选择空间很大，弱一些的模型经常选错。起步阶段建议用强一点的模型，熟悉了再尝试切到更便宜的方案。

自改进有一个根本性的反馈信号问题。学习循环依赖一个关键假设：Agent 能判断自己的改进是好是坏。你在场给反馈时循环是有效的；你不在场时，它只能用自己的评估标准。但"更快"和"更准"不等于"更对"——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。

自改进让 Agent 在已知方向上越跑越快。但方向本身，还是得人来定。

Kief Morris 之前提过一个很经典的担忧，我记得很清楚：如果 junior 开发者不接触代码细节，将来谁来设计 harness？在 Hermes 的语境下这个问题变成：如果 Agent 自己设计自己的缰绳，将来谁来判断缰绳设计得对不对？

我也没有确定答案。我的观察是：完全撒手不管的自改进 Agent，会在效率上赢、在方向上输。最健康的使用方式不是 in the loop 也不是 out of the loop，而是 on the loop 的某种轻量形态——不审查每一行代码，但理解整个系统在做什么、为什么这么做。每周花十分钟翻一眼 ~/.hermes/skills/ 下新长出来的 Skill，就是保持 on the loop 的最低投入。

花这点时间我觉得值。毕竟它是在替你做决策，你多少得知道它现在是什么样子的。

最后

Hermes Agent 提出了一个值得认真对待的问题：如果一个 AI Agent 能把它做过的每一件事转化为可复用的能力，那么随着时间的推移，它能成长到什么程度？

目前，大多数 Agent 框架解决的是"如何让 AI 完成一项任务"的问题。Hermes 在此基础上加了一个维度：如何让 AI 从每次任务中学习，让下一次任务变得更轻松。

这是一个关于复利的设计。初始的 Agent 和使用了三个月后的 Agent，技能库规模不同，记忆深度不同，对你的了解程度也不同。这种随时间积累的差异化，是目前大多数 AI 工具都不具备的能力。

对于愿意自托管、关注数据主权、希望 AI 工具真正"属于自己"的开发者和研究者来说，Hermes Agent 值得认真评估——不是作为另一个聊天机器人，而是作为一个会随你成长的系统。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】