作者：PySuper | 来源：zhengxingtao.com
135K+ GitHub 星标，2026 年增速最快的 Agent 框架。Hermes Agent 的核心创新不是更快、不是更便宜，而是"越用越聪明"——每完成一个任务，就提炼一个 Skill；每犯一次错误，就修补一个漏洞。这不是营销话术，是架构决定的必然。
目录
Hermes 是什么：自进化 AI Agent 框架
核心创新：闭环学习（Closed Learning Loop）
三大子系统：Memory / Skill / Nudge Engine
实战1：本地部署 Hermes Agent
实战2：体验自进化闭环
SKILL.md 自生成机制
Skill Curator：后台自动评分与修剪
持久记忆：多后端与跨会话召回
SOUL.md：活的身份文档
多执行后端：本地 / Docker / SSH / Modal / Daytona
与 OpenClaw 哲学分歧
踩坑记录
总结与展望
1. Hermes 是什么：自进化 AI Agent 框架
1.1 一句话定义
据 Hermes Agent 官方网站（https://www.hermes-agent.org/）：
Hermes Agent is an open-source autonomous AI agent built by Nous Research. It's not a coding copilot tethered to an IDE or a chatbot wrapper around a single API. Hermes lives on your server, remembers what it learns, and gets more capable the longer it runs.
翻译：Hermes Agent 是一个开源的自主 AI Agent，由 Nous Research 构建。它不是一个绑定 IDE 的编码助手，也不是一个套壳 API 的聊天机器人。Hermes 住在你服务器上，记住它学到的，运行越久越强大。
1.2 Nous Research 背景
plaintext
Nous Research
├── 创立：2023年，加州 Saratoga
├── 创始人：Jeffrey Quesnelle
├── A 轮融资：$50M，Paradigm 领投
├── 估值：$1B（独角兽）
├── 首发产品：Hermes Agent（2026.02.25）
└── 核心理念：聊天机器人范式已触顶
1.3 关键数据
表格
2. 核心创新：闭环学习（Closed Learning Loop）
2.1 什么是闭环学习
据《How Hermes Agent Gets Better Over Time》（https://hermes-agent.ai/blog/self-improving-ai-guide），Hermes 的自进化不是"自我修改权重"——那需要 GPU 训练。Hermes 的自进化是行为层面的闭环学习：
plaintext
┌──────────────────────────────────────────────────────────────┐
│ Hermes 闭环学习（4 阶段） │
│ │
│ ┌──────────────┐ │
│ │ Stage 1 │ │
│ │ 任务执行 │ 运行任务，调用工具，浏览网页， │
│ │ (Execute) │ 生成子 Agent... │
│ └──────┬───────┘ │
│ │ │
│ ▼ │
│ ┌──────────────┐ │
│ │ Stage 2 │ 每 15 次工具调用后暂停： │
│ │ 自评估检查点 │ "我做了什么？什么有效？什么失败？ │
│ │ (Evaluate) │ 是否值得提炼为 Skill？" │
│ └──────┬───────┘ │
│ │ │
│ ▼ │
│ ┌──────────────┐ │
│ │ Stage 3 │ 如果经验值得保留： │
│ │ Skill 创建 │ 写入或修补 SKILL.md 文件 │
│ │ (Distill) │ 如果已存在相似 Skill → 扩展而非重复 │
│ └──────┬───────┘ │
│ │ │
│ ▼ │
│ ┌──────────────┐ │
│ │ Stage 4 │ 关键事实、修正、约定写入： │
│ │ 记忆更新 │ MEMORY.md（环境事实） │
│ │ (Persist) │ USER.md（用户偏好） │
│ └──────┬───────┘ │
│ │ │
│ └──────────────▶ 下次执行时更聪明 │
│ （加载更好的 Skill + 更多记忆） │
└──────────────────────────────────────────────────────────────┘
2.2 自进化不是什么
表格
2.3 效果量化
据《Learning Loop — Self-Improving AI Skills》（https://hermes-agent.ai/features/learning-loop）：
After 20–30 complex tasks, you have an agent that handles your specific workflows measurably faster and with fewer errors.
翻译：完成 20-30 个复杂任务后，你的 Agent 在特定工作流上可测量地更快、更少出错。
3. 三大子系统：Memory / Skill / Nudge Engine
3.1 三层记忆架构
据《awesome-code-docs: Hermes Agent Memory, Skills, Learning Loop》（https://github.com/johnxie/awesome-code-docs/blob/main/tutorials/hermes-agent-tutorial/04-memory-skills-learning-loop.md），Hermes 的记忆系统分为三层：
plaintext
┌──────────────────────────────────────────────────────────────┐
│ Hermes 三层记忆架构 │
│ │
│ Layer 1: 情景记忆（Episodic Memory） │
│ ┌──────────────────────────────────────────────┐ │
│ │ 存储：sessions.db（SQLite FTS5） │ │
│ │ 内容：会话摘要（200-500 字，LLM 生成） │ │
│ │ 检索：FTS5 全文搜索 │ │
│ │ 写入：会话结束时自动生成 │ │
│ │ 特点：按内容搜索，按需召回 │ │
│ └──────────────────────────────────────────────┘ │
│ │
│ Layer 2: 语义记忆（Semantic Memory） │
│ ┌──────────────────────────────────────────────┐ │
│ │ 存储：MEMORY.md + USER.md │ │
│ │ 内容： │ │
│ │ MEMORY.md → 长期事实（项目栈、团队约定） │ │
│ │ USER.md → 用户模型（风格、专长、目标） │ │
│ │ 注入：每次 Prompt 都注入（始终可用） │ │
│ │ 写入：Nudge Engine 自动触发 │ │
│ │ 特点：始终在线，成本固定 │ │
│ └──────────────────────────────────────────────┘ │
│ │
│ Layer 3: 程序记忆（Procedural Memory） │
│ ┌──────────────────────────────────────────────┐ │
│ │ 存储：~/.hermes/skills/*.md │ │
│ │ 内容：SKILL.md 文件（工作流、经验、修复） │ │
│ │ 检索：语义匹配 + 渐进式加载 │ │
│ │ 写入：闭环学习自动创建/修补 │ │
│ │ 特点：按需激活，用后优化 │ │
│ └──────────────────────────────────────────────┘ │
└──────────────────────────────────────────────────────────────┘
3.2 Nudge Engine（提醒引擎）
Nudge Engine 是 Hermes 的"自省机制"——它不是被动等待任务，而是主动推动 Agent 反思和学习：
python
# Nudge Engine 的核心逻辑（简化）
class NudgeEngine:
"""在会话中主动推动 Agent 反思和记忆管理"""
def should_nudge(self, conversation: list) -> bool:
"""判断是否应该触发提醒"""
# 条件1：对话已进行 5+ 轮
if len(conversation) < 5:
return False
# 条件2：用户提到了偏好或约定
if self._contains_preference_signal(conversation[-1]):
return True
# 条件3：距离上次记忆更新已超过阈值
if self._time_since_last_update() > timedelta(hours=1):
return True
return False
def generate_nudge(self, conversation: list) -> str:
"""生成提醒内容"""
return (
"Consider whether any information from this conversation "
"should be persisted to MEMORY.md or USER.md. "
"If yes, use the memory_manager tool to update."
)
4. 实战1：本地部署 Hermes Agent
4.1 一键安装
bash
# 官方安装脚本（支持 Linux/macOS/WSL2）
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
# 验证安装
hermes --version
# 输出：hermes-agent v0.11.0
4.2 配置模型提供商
bash
# 交互式选择模型
hermes model
# 支持的提供商：
# 1. Anthropic Claude（推荐）
# 2. OpenAI GPT
# 3. OpenRouter（200+ 模型）
# 4. Google Gemini
# 5. Hugging Face
# 6. Custom Endpoint（如 Ollama）
# 在会话中切换模型
/model claude-sonnet-4
/model openrouter:anthropic/claude
/model custom:qwen-2.5
# 使用本地模型（零 API 费用）
# 先安装 Ollama，然后在 Hermes 中选择 Custom Endpoint
hermes model # 选择 "Custom Endpoint" → 填入 Ollama 地址
4.3 配置 API Key
bash
# 方式1：环境变量
export ANTHROPIC_API_KEY=sk-ant-xxxxxxxx
export OPENAI_API_KEY=sk-xxxxxxxx
# 方式2：配置文件
cat > ~/.hermes/config.yaml << EOF
providers:
anthropic:
api_key: sk-ant-xxxxxxxx
default_model: claude-sonnet-4
openrouter:
api_key: sk-or-xxxxxxxx
default_model: anthropic/claude-sonnet-4
agent:
name: PySuper-Assistant
model: anthropic:claude-sonnet-4
max_context_tokens: 128000
enable_skill_creation: true
enable_memory_nudge: true
evaluation_interval: 15 # 每15次工具调用触发自评估
EOF
4.4 启动
bash
# 交互式终端
hermes
# 一次性查询
hermes chat -q "你好，列出你可用的工具"
# 运行全量配置向导
hermes setup
# 诊断环境问题
hermes doctor
4.5 Docker 部署
bash
# 初始化配置
mkdir -p ~/.hermes
docker run -it --rm -v ~/.hermes:/opt/data nousresearch/hermes-agent setup
# 网关模式持久运行
docker run -d \
--name hermes \
--restart unless-stopped \
-v ~/.hermes:/opt/data \
-e ANTHROPIC_API_KEY=sk-ant-xxxxxxxx \
nousresearch/hermes-agent gateway run
5. 实战2：体验自进化闭环
5.1 场景：让 Hermes 完成一个复杂的代码审查任务
bash
# 启动 Hermes
hermes
# 发送任务
你: "帮我审查 src/api/routes.py 这个文件的代码质量，
重点关注安全漏洞和性能问题，
最后生成一份审查报告"
5.2 观察自进化过程
plaintext
┌──────────────────────────────────────────────────────────────┐
│ Hermes 自进化闭环实录 │
│ │
│ [工具调用 1-5] 读取文件、分析代码结构 │
│ [工具调用 6-10] 安全扫描、性能分析 │
│ [工具调用 11-15] 生成审查报告 │
│ │
│ ══════ 自评估检查点（15次工具调用后）══════ │
│ │
│ Hermes: "我完成了代码审查任务。让我评估一下： │
│ - 我使用了 5 个工具，成功 5 个 │
│ - 我发现 3 个安全漏洞和 2 个性能问题 │
│ - 这个审查流程是可复用的 │
│ → 决定：创建 Skill" │
│ │
│ [自动创建 Skill] │
│ ~/.hermes/skills/code-review-automation.md │
│ │
│ 内容： │
│ --- │
│ name: code-review-automation │
│ description: | │
│ Automated code review covering security vulnerabilities │
│ and performance issues. Generates structured report. │
│ Use when user asks to 'review code', 'audit', 'check'. │
│ --- │
│ # Code Review Automation │
│ ## Procedure │
│ 1. Read target file(s) │
│ 2. Run security scan (check SQL injection, XSS, ...) │
│ 3. Analyze performance (check N+1 queries, ...) │
│ 4. Generate structured report with severity ratings │
│ ## Common Findings │
│ - SQL injection in f-string queries │
│ - Missing error handling in API routes │
│ - N+1 queries in ORM usage │
│ │
│ ══════ 下次使用 ═══════ │
│ │
│ 你: "审查另一个文件" │
│ Hermes: [自动加载 code-review-automation Skill] │
│ → 不需要重新学习审查流程 │
│ → 直接执行，更快更准确 │
└──────────────────────────────────────────────────────────────┘
5.3 Skill 的渐进改进
bash
# 第二次使用 Skill 时发现新问题
你: "审查 src/api/auth.py，特别关注认证逻辑"
# Hermes 发现 Skill 中没有"认证逻辑审查"步骤
# → 自动修补 Skill
# ~/.hermes/skills/code-review-automation.md 更新
skill_manage(action="patch",
name="code-review-automation",
old_text="3. Analyze performance (check N+1 queries, ...)",
new_text="3. Analyze performance (check N+1 queries, ...)
4. Review authentication logic (check token handling, session management,
password hashing) — added 2026-05-15 after auth review task")
6. SKILL.md 自生成机制
6.1 触发条件
据 Hermes Agent 源码中的 skill_utils.py，Skill 创建的触发条件：
python
async def evaluate_skill_creation(
self,
user_message: str,
assistant_response: str,
response_length: int,
tool_calls_made: list
) -> SkillCreationDecision:
"""
决定是否创建新 Skill 的启发式规则：
1. 响应长度 > 200 Token（太短不值得封装）
2. 包含可复用的代码模式
3. 多个工具调用以非显而易见的方式编排
4. 用户询问的是一个通用模式（非一次性）
5. 没有已存在的相似 Skill（相似度 > 0.8）
"""
if response_length < 200:
return SkillCreationDecision(create=False)
# 检查是否已有相似 Skill
similar = self.find_similar_skill(user_message, threshold=0.8)
if similar:
# 扩展现有 Skill 而非创建新的
return SkillCreationDecision(
create=False,
improve=similar,
improvement_type="extend"
)
# 让 LLM 评估并生成 Skill
decision = await self.llm.complete_json(
self._skill_creation_prompt(user_message, assistant_response),
model=self.fast_model # 用快速模型生成，节省成本
)
if decision["create"]:
await self._write_skill(decision["skill_content"])
return SkillCreationDecision(**decision)
6.2 生成流程
plaintext
┌──────────────────────────────────────────────────────────────┐
│ SKILL.md 自生成流程 │
│ │
│ 5+ 次工具调用 │
│ │ │
│ ▼ │
│ 自评估检查点 │
│ "这段经验值得提炼吗？" │
│ │ │
│ ├── 否 → 结束（不创建 Skill） │
│ │ │
│ └── 是 → 检查相似 Skill │
│ │ │
│ ├── 已有相似 Skill（>0.8） │
│ │ → 修补现有 Skill（patch） │
│ │ │
│ └── 无相似 Skill │
│ → 生成草稿 Skill │
│ → 存入 ~/.hermes/skills/ │
│ → 标记为"草稿"状态 │
│ │
│ 3 次复现验证 │
│ │ │
│ ▼ │
│ 草稿 Skill 被使用 3+ 次 → 自动提升为"正式" Skill │
│ 从未使用的草稿 → 定期清理时删除 │
└──────────────────────────────────────────────────────────────┘
7. Skill Curator：后台自动评分与修剪
7.1 Skill 生命周期
plaintext
┌──────────────────────────────────────────────────────────────┐
│ Skill 生命周期 │
│ │
│ ┌────────┐ ┌────────┐ ┌────────┐ ┌────────┐ │
│ │ 草稿 │───▶│ 试用 │───▶│ 正式 │───▶│ 优化 │ │
│ │ Draft │ │ Trial │ │ Active │ │Refined │ │
│ └────────┘ └────────┘ └────────┘ └────────┘ │
│ │ │ │
│ │ 3次复现验证后提升 │ │
│ │ │ │
│ └── 未使用 → 清理删除 ←── 使用率低 ←─────┘ │
│ 评分下降 │
└──────────────────────────────────────────────────────────────┘
7.2 Skill Curator 评分维度
python
class SkillCurator:
"""后台 Skill 质量管理器"""
def score_skill(self, skill: Skill) -> float:
"""对 Skill 进行多维度评分（0-100）"""
scores = {
# 使用频率（40% 权重）
"usage_frequency": self._calc_usage_frequency(skill),
# 成功率（30% 权重）
"success_rate": self._calc_success_rate(skill),
# Token 效率（15% 权重）
"token_efficiency": self._calc_token_efficiency(skill),
# 新鲜度（15% 权重）
"freshness": self._calc_freshness(skill),
}
weights = {
"usage_frequency": 0.40,
"success_rate": 0.30,
"token_efficiency": 0.15,
"freshness": 0.15,
}
return sum(scores[k] * weights[k] for k in scores)
def _calc_usage_frequency(self, skill: Skill) -> float:
"""使用频率评分：最近 7 天被使用的次数"""
recent_uses = skill.usage_count_last_7_days
if recent_uses == 0:
return 0.0
elif recent_uses < 3:
return 40.0
elif recent_uses < 10:
return 70.0
else:
return 100.0
def _calc_success_rate(self, skill: Skill) -> float:
"""成功率评分：使用后用户是否满意"""
return skill.successful_uses / max(skill.total_uses, 1) * 100
def _calc_token_efficiency(self, skill: Skill) -> float:
"""Token 效率评分：使用 Skill 是否比不用更省 Token"""
baseline = skill.avg_tokens_without_skill
with_skill = skill.avg_tokens_with_skill
if baseline == 0:
return 50.0
savings = (baseline - with_skill) / baseline * 100
return min(savings, 100.0)
def _calc_freshness(self, skill: Skill) -> float:
"""新鲜度评分：最近一次更新的时间"""
days_since_update = (datetime.now() - skill.last_updated).days
if days_since_update < 7:
return 100.0
elif days_since_update < 30:
return 70.0
elif days_since_update < 90:
return 40.0
else:
return 10.0
7.3 自动修剪策略
python
async def prune_skills(self):
"""定期修剪低效 Skill"""
all_skills = self.load_all_skills()
for skill in all_skills:
score = self.score_skill(skill)
if score < 20:
# 严重低效：直接删除
await self.delete_skill(skill.name)
logger.info(f"Deleted low-score skill: {skill.name} (score: {score})")
elif score < 40:
# 效率不高：标记为需要改进
skill.needs_improvement = True
await self.save_skill(skill)
logger.info(f"Marked skill for improvement: {skill.name} (score: {score})")
# 合并相似的 Skill
similar = self.find_similar_skills(skill, threshold=0.85)
if len(similar) > 1:
merged = await self.merge_skills(similar)
logger.info(f"Merged {len(similar)} similar skills into: {merged.name}")
8. 持久记忆：多后端与跨会话召回
8.1 多后端支持
plaintext
┌──────────────────────────────────────────────────────────────┐
│ Hermes 记忆后端 │
├──────────────┬──────────────────────────────────────────────┤
│ 后端 │ 适用场景 │
├──────────────┼──────────────────────────────────────────────┤
│ SQLite + FTS5│ 默认后端，零配置，单用户 │
│ │ FTS5 全文搜索，200-500 字 LLM 摘要 │
├──────────────┼──────────────────────────────────────────────┤
│ PostgreSQL │ 生产环境，支持 pgvector 语义搜索 │
│ │ 适合大规模部署 │
├──────────────┼──────────────────────────────────────────────┤
│ Redis │ 高频读写场景，缓存层 │
│ │ 通常与 PostgreSQL 配合使用 │
├──────────────┼──────────────────────────────────────────────┤
│ Milvus 2.6 │ 语义搜索增强，解决 FTS5 关键词匹配局限 │
│ (第三方集成) │ 向量检索 + BM25 混合搜索 │
└──────────────┴──────────────────────────────────────────────┘
8.2 FTS5 的局限与 Milvus 增强
据《How to Fix Hermes Agent's Learning Loop with Milvus 2.6 Hybrid Search》（https://milvus.io/blog/hermes-agent-learning-loop-milvus-hybrid-search.md），FTS5 的核心局限是：
When users phrase the same intent differently across sessions, FTS5 misses the match. The Learning Loop doesn't fire. No new Skill gets written.
翻译：当用户在不同会话中用不同的措辞表达相同意图时，FTS5 无法匹配。学习闭环无法触发，不会生成新的 Skill。
Milvus 2.6 的混合搜索（向量检索 + BM25）解决了这个问题：
python
# Milvus 混合搜索配置
from pymilvus import MilvusClient, AnnSearchRequest
# 创建集合（同时支持稠密向量和 BM25 稀疏向量）
schema = MilvusClient.create_schema(auto_id=True)
schema.add_field("id", DataType.INT64, is_primary=True)
schema.add_field("text", DataType.VARCHAR, max_length=65535)
schema.add_field("dense_vector", DataType.FLOAT_VECTOR, dim=1024)
schema.add_field("sparse_vector", DataType.SPARSE_FLOAT_VECTOR)
# 混合搜索：向量检索（语义匹配）+ BM25（精确关键词）
search_req_dense = AnnSearchRequest(
data=[query_embedding],
anns_field="dense_vector",
param={"metric_type": "COSINE"},
limit=20
)
search_req_sparse = AnnSearchRequest(
data=[bm25_query],
anns_field="sparse_vector",
param={"metric_type": "IP"},
limit=20
)
# Reciprocal Rank Fusion 合并结果
results = client.hybrid_search(
collection_name="hermes_memory",
reqs=[search_req_dense, search_req_sparse],
ranker=RRFRanker(),
limit=10
)
9. SOUL.md：活的身份文档
9.1 什么是 SOUL.md
SOUL.md 是 Hermes Agent 的"身份文档"——它定义了 Agent 是谁、怎么说话、遵循什么原则。关键在于，SOUL.md 会随着使用而进化。
markdown
---
name: PySuper-Assistant
created: 2026-05-01
last_evolved: 2026-05-15
evolution_count: 7
---
# Soul: PySuper-Assistant
## Identity
I am a technical assistant focused on Python and AI engineering.
I prioritize practical solutions over theoretical explanations.
## Communication Style
- Use Chinese when the user writes in Chinese
- Be concise: no fluff, no filler phrases
- Use code examples to explain concepts
- Acknowledge uncertainty rather than guessing
## Values
- Correctness over speed
- Security over convenience
- Simplicity over cleverness
- Teaching over doing-it-for-you
## Boundaries
- Never execute destructive commands without explicit confirmation
- Never share API keys or credentials
- Never modify files outside the workspace
## Learned Preferences
- User prefers type hints in all Python code (learned 2026-05-03)
- User uses `uv` instead of `pip` (learned 2026-05-05)
- User prefers `pytest` over `unittest` (learned 2026-05-08)
- User's projects use `ruff` for linting (learned 2026-05-12)
- User writes commit messages in English (learned 2026-05-15)
9.2 SOUL.md 的进化机制
plaintext
用户说: "我习惯用 uv 管理依赖"
│
▼
Nudge Engine 检测到偏好信号
│
▼
更新 SOUL.md:
"Learned Preferences" 部分添加：
"- User uses `uv` instead of `pip` (learned 2026-05-05)"
│
▼
下次对话中，Hermes 自动使用 uv 而非 pip
10. 多执行后端：本地 / Docker / SSH / Modal / Daytona
plaintext
┌──────────────────────────────────────────────────────────────┐
│ Hermes 执行后端 │
├──────────────┬──────────────────────────────────────────────┤
│ 后端 │ 特点 │
├──────────────┼──────────────────────────────────────────────┤
│ 本地终端 │ 直接在本机执行命令 │
│ │ 最快，但安全风险最高 │
├──────────────┼──────────────────────────────────────────────┤
│ Docker │ 容器沙箱隔离 │
│ │ 只读根文件系统、降权、PID 限制 │
│ │ 推荐：生产环境首选 │
├──────────────┼──────────────────────────────────────────────┤
│ SSH Remote │ 在远程服务器上执行 │
│ │ 适合需要特定环境的场景 │
├──────────────┼──────────────────────────────────────────────┤
│ Modal │ 云端 Serverless 执行 │
│ │ 按需付费，弹性扩缩 │
│ │ 适合 GPU 密集型任务 │
├──────────────┼──────────────────────────────────────────────┤
│ Daytona │ 开发环境管理平台 │
│ │ 预配置环境，支持团队协作 │
└──────────────┴──────────────────────────────────────────────┘
10.1 配置执行后端
bash
# 交互式选择
hermes setup # → 选择 Terminal Backend
# 或在配置文件中指定
cat >> ~/.hermes/config.yaml << EOF
execution:
backend: docker
docker:
image: python:3.12-slim
memory: 512m
cpus: 1.0
network: none
read_only: true
EOF
11. 与 OpenClaw 哲学分歧
plaintext
┌──────────────────────────────────────────────────────────────┐
│ 哲学分歧：自进化运行时 vs 控制面 │
│ │
│ OpenClaw 的立场： │
│ "AI 应该是工具，人是控制者" │
│ - 手动安装 Skill │
│ - 审批敏感操作 │
│ - 审计日志记录所有行为 │
│ - 类比：企业 IT（严格管控） │
│ │
│ Hermes 的立场： │
│ "AI 应该是同事，它需要自我成长" │
│ - 自动生成 Skill │
│ - 自我评估并改进 │
│ - 记忆随使用进化 │
│ - 类比：初创公司（快速迭代） │
│ │
│ 真相： │
│ 两者不是互斥的。OpenClaw 也在加入自进化特性， │
│ Hermes 也在加强安全控制。2026 年底， │
│ 两者会越来越像。 │
│ │
│ 当下的选择： │
│ ┌──────────────────┬──────────────────┐ │
│ │ 选 OpenClaw │ 选 Hermes │ │
│ │ 如果你需要： │ 如果你需要： │ │
│ │ • 审计合规 │ • 自适应学习 │ │
│ │ • 团队共享 │ • 个人效率 │ │
│ │ • 可控可预测 │ • 探索性工作 │ │
│ │ • 企业部署 │ • 研究实验 │ │
│ └──────────────────┴──────────────────┘ │
└──────────────────────────────────────────────────────────────┘
12. 踩坑记录
坑1：FTS5 搜索不到跨会话相似任务
问题 ：你昨天让 Hermes "分析数据"，今天说"处理数据"，FTS5 匹配不上，闭环不触发。
解决 ：集成 Milvus 2.6 混合搜索（参见第 8 章），或在 Skill 的 trigger_phrases 中覆盖更多同义词。
坑2：自动生成的 Skill 质量不稳定
问题 ：有些自动生成的 Skill 太笼统，触发后执行效果不好。
解决 ：
bash
# 手动编辑 Skill
vim ~/.hermes/skills/my-skill.md
# 或禁止自动创建 Skill
hermes config set agent.enable_skill_creation false
# 仅保留手动确认
hermes config set agent.skill_creation_mode confirm
坑3：SOUL.md 进化导致行为漂移
问题 ：SOUL.md 积累了太多"Learned Preferences"，Agent 行为逐渐偏离预期。
解决 ：
bash
# 查看 SOUL.md
cat ~/.hermes/SOUL.md
# 手动清理过时的偏好
vim ~/.hermes/SOUL.md
# 重置 SOUL.md
hermes soul reset
坑4：Docker 沙箱中无法访问宿主文件
问题 ：使用 Docker 执行后端时，Agent 无法读写宿主机上的文件。
解决 ：
yaml
# 在配置中挂载宿主目录
execution:
backend: docker
docker:
volumes:
- /home/user/projects:/workspace:rw
坑5：模型上下文长度不足
问题 ：Hermes 要求底层模型至少支持 64K Token 上下文，但有些模型不满足。
解决 ：
bash
# 检查模型上下文长度
hermes doctor
# 切换到支持长上下文的模型
/model anthropic:claude-sonnet-4 # 200K context
/model openrouter:google/gemini-2.5-pro # 1M context
13. 总结与展望
Hermes 的核心突破
Hermes Agent 的核心突破不是技术栈多先进，而是**理念转变 **——从"每次从零开始"到"越用越聪明"。闭环学习让 Agent 真正具备了"经验积累"能力。
2026 年的 Hermes 生态
据 Hermes Agent v0.11.0 Release Notes（https://github.com/NousResearch/hermes-agent/releases），Hermes 的演进速度惊人：
v0.1.0 → v0.11.0：1,556 commits，761 merged PRs，1,314 files changed
新增 React/Ink TUI、AWS Bedrock 支持、5 个新推理路径、第 17 个消息平台（QQBot）
GEPA 自我进化系统（DSPy + Genetic-Pareto Prompt Evolution）正在 Phase 1
自进化的未来
Hermes 的自进化机制正在从 Skill 层面扩展到更深层次：
Phase 1 （已实现）：Skill 文件自动进化
Phase 2 （计划中）：工具描述自动优化
Phase 3 （计划中）：系统提示自动调优
Phase 4 （计划中）：工具实现代码自动进化
Phase 5 （计划中）：持续改进闭环自动化
自进化是 Agent 的终局。Hermes 正在证明：AI Agent 不只是工具，是可以成长的数字同事。
本文作者 ：PySuper | 来源 ：zhengxingtao.com
参考资源：
Hermes Agent 官网：https://www.hermes-agent.org/
Hermes Agent 中文站：https://hermesagentai.cn
Hermes Self-Evolution：https://github.com/NousResearch/hermes-agent-self-evolution
How Hermes Gets Better Over Time：https://hermes-agent.ai/blog/self-improving-ai-guide
评论区