Hermes Agent：自改进 AI Agent 框架从入门到精通

2026-03-28 预计阅读 24 分钟

Hermes Agent：自改进 AI Agent 框架

大多数 AI Agent 有一个共同的短板：每次会话都是全新的开始。Agent 学会了一个新技能，会话结束后就丢了；用户反复解释同一套偏好，Agent 每次都得从头来。Hermes Agent 把从经验中学习写进了架构，不是停留在口号层面。

它是 Nous Research 出品的自改进 AI Agent（self-improving AI agent）。官方对它的定位相当强硬：这是唯一一个自带学习循环的 Agent——从经验中创建技能、在使用中改进技能、主动提醒自己持久化知识、检索自己过去的对话，并在长期相处中逐步建立对用户的认知模型。

1. 传统 Agent 的问题

1.1 通用 Agent 的固有局限

当前主流的 AI Agent（Claude Code、ChatGPT 的 Agent 模式、各类 coding agent）能力很强，但都绕不开四个共性问题：

知识无法积累：每次会话都是全新的开始，Agent 无法记住之前学到的技能和经验。用户需要反复解释相同的偏好、规则和上下文。

技能无法复用：当 Agent 摸索出一条做某类任务的有效路径，这条路径只存在于当前会话的上下文里，下一次又要重新摸索。

平台绑定：大多数 Agent 只在单一入口运行——要么是终端工具，要么是某个聊天平台里的机器人。在 Telegram 上问一句，不能接着让它在你的电脑上干活。

模型锁定：Agent 与特定 LLM 提供商耦合，切换模型往往要改代码。

1.2 Hermes Agent 的回答

Hermes Agent 的核心主张：Agent 应该像人一样，从经验中学习，并把学到的东西带到下一个会话。对应四条设计原则：

持久化知识：学习成果写进磁盘，不随会话结束消失
技能显式化：从经验中生成的技能是独立的 SKILL.md 文档，可以被命名、检索、复用
多平台统一：一个 Gateway 进程接入 Telegram、Discord、Slack、WhatsApp、Signal、Email 等消息平台，背后是同一个 Agent
模型无关：Nous Portal、OpenRouter、OpenAI、Anthropic、Google 或任意 OpenAI 兼容端点，hermes model 一条命令切换，不改代码

1.3 学习循环的真实机制

“内置学习循环"不是一句宣传语，它由五个具体的子系统组成，每一个都能在文档和源码里找到对应实现：

技能创建：Agent 解决了一个非平凡问题后，系统提示会要求它用 skill_manage 工具把有效路径存成技能——一个放在 ~/.hermes/skills/ 下的 SKILL.md 文档。下一次遇到同类任务，按需加载即可。

技能改进：技能在使用过程中可以被 skill_manage 的 patch 动作修补，把新踩的坑、更好的参数写回去。文档对技能内容有一条明确标准：“记录教训，而不是日志”（lessons, not logs）——一条坑要写成可泛化的规则加一句机制解释，而不是流水账。

知识沉淀提醒：小而重要的持久事实（用户偏好、环境信息）由 memory 系统管理。Agent 会在合适的时机"提醒自己"把值得记的东西写进记忆文件——这是官方描述里 “nudges itself to persist knowledge” 的含义。

会话检索：所有会话存储在 SQLite 数据库里，用 FTS5 全文索引，配 LLM 摘要。Agent 可以用 session_search 搜自己的过去对话，找到"上次是怎么解决的”。

用户建模：USER.md 文件保存用户的偏好、沟通风格、技术背景；可选接入 Honcho 做更细粒度的用户认知建模。

这五件事合在一起，构成一个闭环：干完活 → 沉淀技能和记忆 → 下个会话开局加载 → 遇到新问题先查过去的会话 → 又产生新的经验。

2. 架构：学习循环 / Gateway / Memory / Skills

2.1 整体架构

几个要点：

入口层：官方架构图上共六个入口——CLI（含 TUI 形态）、消息网关、ACP 适配器、API Server、Python 库和批量轨迹生成（Batch Runner），全部汇到同一个 AIAgent 核心。消息网关和 CLI 可以同时开着——你在终端里给它派活，同一个 Agent 在 Telegram 上应答。
AIAgent 核心：负责组装系统提示、解析模型提供商、分发工具调用、压缩上下文。Provider 解析支持三种 API 协议（OpenAI chat completions、Codex responses、Anthropic Messages），所以任意提供商都能接。
学习循环：不是独立的守护进程，而是 Agent 核心的一组能力（skill_manage、memory、session_search）加上两个后台角色——turn 结束后的自改进评审（background self-improvement review）和定期维护技能库的 Curator。
会话存储：SQLite + FTS5，一个文件搞定，这也是它能跑在廉价 VPS 上的原因之一。

2.2 Memory：两个 Markdown 文件的容量哲学

Hermes 的持久记忆刻意做得很小：

文件	内容	上限
`MEMORY.md`	Agent 的个人笔记：环境事实、项目约定、踩坑经验	2,200 字符（约 800 token）
`USER.md`	用户画像：偏好、沟通风格、技术背景	1,375 字符（约 500 token）

两个文件都存在 ~/.hermes/memories/，会话开始时作为冻结快照注入系统提示。Agent 通过 memory 工具增删改条目（add / replace / remove），写入立即落盘，但要到下一个会话才进入系统提示——这是为了保住 LLM 的前缀缓存。

小容量是刻意设计：写满时 memory 工具直接报错而不是悄悄丢弃，逼 Agent 自己做取舍——合并旧条目、删掉不重要的，腾出空间再写。记忆的质量靠这种压力维持。

2.3 Skills：过程性记忆

技能系统遵循 agentskills.io 开放标准，用渐进式披露（progressive disclosure）控制 token 成本：平时只加载技能清单，用到某个技能才读全文。所有技能放在 ~/.hermes/skills/，每个技能自动成为一个斜杠命令：

/gif-search funny cats          # 调用 gif-search 技能
/excalidraw                     # 只给技能名，Agent 会问你要画什么
/github-pr-workflow /test-driven-development fix issue #123   # 一条消息叠两个技能

/learn 是把经验变成技能的最短路径——指向本地代码、在线文档、刚刚走过的操作流程，甚至一整本 PDF，Agent 自己收集材料并按规范写成技能：

/learn the REST client in ~/projects/acme-sdk, focus on auth + pagination
/learn how I just deployed the staging server

2.4 Curator：技能库的园丁

自改进循环有个天然的副作用：技能会越攒越多，几十个高度相似的窄技能会把目录污染掉。Curator 是专门的后台维护进程，负责技能库的修剪：

跟踪每个技能的查看、使用、修补频次，让长期不用的技能沿 active → stale → archived 流转：14 天未用标记 stale，30 天未用移入 ~/.hermes/skills/.archive/（可随时恢复）
默认每 7 天跑一次，且要求 Agent 空闲至少 2 小时——绝不打断正事
可选开启 LLM 整合（curator.consolidate: true）：让辅助模型通读技能库，合并重复技能、归纳出类级"伞技能"。这一步默认关闭，因为一次全面整合要消耗 50–100 次 API 调用
有几条铁律：置顶技能永不处理；从 Skills Hub（agentskills.io）安装的技能永不处理；任何情况下都不自动删除，最坏结果也只是归档

2.5 安全阀门

学习循环意味着 Agent 会自己改自己的"大脑"，Hermes 为此留了审批闸门。memory.write_approval: true 和 skills.write_approval: true 分别管住记忆写入和技能写入：后台评审产生的修改不再直接落盘，而是暂存待审，你在 CLI 或聊天平台里用 /memory pending、/skills pending 逐条批准或驳回。小模型容易"声称保存了但实际没调用工具"、隔离环境需要审计，这两个闸门就是为这些场景准备的。

3. 安装与配置

3.1 安装

Linux / macOS / WSL2 / Termux（Android）：

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

Windows 原生（PowerShell）：

iex (irm https://hermes-agent.nousresearch.com/install.ps1)

安装脚本会装好全部依赖：uv、Python 3.11、Node.js、ripgrep、ffmpeg；Windows 下还会带一个独立的 MinGit，不碰系统里已有的 Git。装完重载 shell，敲 hermes 直接开聊。

两条注意事项：

Docker 部署不支持 hermes update，升级靠换新镜像
PyPI / brew / AUR 安装方式官方明确列为 Unsupported——网上教程里的 pip install hermes-agent 不受支持，出问题不会修，建议换回官方安装脚本

3.2 初始化

hermes              # 交互式 CLI，直接开聊
hermes model        # 选择模型提供商和模型
hermes tools        # 配置启用哪些工具
hermes setup        # 完整设置向导，一次配完所有项
hermes doctor       # 诊断环境问题
hermes update       # 更新到最新版

最省事的路径是 Nous Portal：hermes setup --portal 一条命令完成 OAuth 登录，一个订阅覆盖 300+ 模型和全套工具网关（Firecrawl 网页搜索、FAL 图像生成、OpenAI 语音合成、Browser Use 云浏览器），不用挨个收集五家服务商的 API key。想继续用自己的 key 也行——工具网关按后端逐个启用，不是一刀切。

3.3 模型切换

hermes model                          # 交互式选择器，CLI 和网关共用
hermes chat --provider openrouter     # 单次会话强制走 OpenRouter
hermes chat --model "anthropic/claude-sonnet-4.6"

提供商注册表内置 Nous Portal、OpenRouter、OpenAI、Anthropic、Google 等，也可以指向任意 OpenAI 兼容端点（比如本地 Ollama）。切换不改代码，会话中途用 /model 斜杠命令也能换。

3.4 从 OpenClaw 迁移

Hermes 支持从 OpenClaw 一键迁移——首次运行 hermes setup 时会自动检测 ~/.openclaw 并询问是否导入；装完之后随时可以：

hermes claw migrate              # 交互式全量迁移
hermes claw migrate --dry-run    # 预览会迁移什么

导入范围包括 SOUL.md 人格文件、MEMORY.md / USER.md 记忆、用户自建技能、命令白名单、消息平台配置和常用 API key。从 OpenClaw 搬过来基本是无损的。

4. 日常使用

4.1 两个入口

Hermes 有两个日常入口：终端里敲 hermes 进交互式会话；或者跑 hermes gateway setup 配置消息平台、hermes gateway start 启动网关，然后在 Telegram、Discord、Slack、WhatsApp、Signal 或 Email 里和它聊。网关目前支持 21+ 消息平台（19 个原生适配器，IRC 和 Microsoft Teams 走插件）。

两边共享大部分斜杠命令：/new 开新会话、/model 换模型、/compress 压缩上下文、/usage 查用量、/skills 浏览技能、/retry 重试上一轮。CLI 里 Ctrl+C 或发新消息可打断当前工作，消息平台上对应 /stop。

hermes chat -q "总结这个仓库的 commit 历史"     # 单次查询，不进交互
hermes --continue                               # 续上最近一次 CLI 会话
hermes --resume latest --in ./dir               # 续指定目录的最近会话

4.2 记忆与会话边界

官方文档里有一条容易被忽视的实践建议：主动制造会话边界。在消息平台上，一个聊天默认是永续会话——重启机器都不断，几个月不重置的话它会越长越贵（反复压缩超长历史），而且"遗忘 → 查记忆 → 搜旧会话"的学习循环几乎没机会触发。自然的边界包括：一个任务做完、话题切换、新的一天开始，这时候发 /new。

4.3 定时任务与委托

Cron 定时任务：用自然语言或 cron 表达式安排周期任务（日报、夜间备份、每周审计），结果投递到任意平台，支持暂停、恢复、编辑。内部只有一个 cronjob_manage 工具，用 action 风格操作全部生命周期；网关进程每 60 秒 tick 一次执行到期任务，连续失败 3 次会发提醒。

子 Agent 委托：delegate_task 可以拉起隔离子 Agent 并行干活，适合几条互不依赖的工作流同时推进。

代码执行：execute_code 让 Agent 写 Python 脚本、通过 RPC 调用工具，把多步流水线折叠进零上下文开销的一轮。

5. 二次开发：Python 库与插件系统

5.1 作为 Python 库使用

Hermes 不只是一个 CLI。官方文档明确支持把 AIAgent 导进自己的 Python 程序——注意导入路径是 run_agent，而且官方只支持从 git 检出配合 uv sync 使用，不发 PyPI wheel：

git clone https://github.com/NousResearch/hermes-agent.git
cd hermes-agent
uv sync
uv run python your_app.py

from run_agent import AIAgent

agent = AIAgent(
    model="anthropic/claude-sonnet-4.6",
    quiet_mode=True,   # 嵌入自己的程序时必设，否则 CLI 的转圈动画会污染你的输出
)
response = agent.chat("解释一下什么是异步编程")
print(response)

需要完整控制时用 run_conversation()，它返回完整的结果字典——最终回复、全部消息历史都在里面：

result = agent.run_conversation(
    user_message="搜一下 Python 3.13 的新特性",
    task_id="my-task-1",
    system_message="你是一个简洁的技术助手。",   # 可选，覆盖本轮临时系统提示
)
print(result["final_response"])
history = result["messages"]          # 传回 conversation_history 即可多轮续聊

工具面可以用 enabled_toolsets / disabled_toolsets 收放，比如做一个只开 web 的研究机器人，或者禁掉 terminal 的共享环境 Agent。

5.2 插件系统

想给 Agent 加自定义工具，正确的扩展点是插件系统（不是手写适配器类）。一个 Python 插件在初始化时通过上下文对象注册能力：

def register_tools(ctx):
    ctx.register_tool(
        name="deploy_status",
        toolset="company",
        schema={
            "type": "function",
            "function": {
                "name": "deploy_status",
                "description": "查询内部系统的部署状态",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "env": {"type": "string", "description": "环境名：staging / prod"}
                    },
                    "required": ["env"],
                },
            },
        },
        handler=check_deploy_status,
    )

插件还能打包技能（ctx.register_skill(name, path)，以 plugin:skill 命名空间加载）、挂生命周期 hooks、接外部服务。插件可以发布成 pip 包独立分发（如 hermes-plugin-calculator），官方还有一键安装的插件目录（Plugin Catalog）。

5.3 让学习循环更保守

默认设置下 Agent 写技能相当自由。如果希望它学得慢一点、稳一点，config.yaml 里有现成的旋钮：

# ~/.hermes/config.yaml
skills:
  write_approval: true        # 所有技能写入先暂存待审
memory:
  write_approval: true        # 记忆写入先暂存待审
curator:
  consolidate: false          # 保持默认：只修剪，不做 LLM 整合

再配合 memory.nudge_interval / skills.creation_nudge_interval 调低后台自改进评审的频率，学习循环就收窄成"只在人工批准时沉淀"的保守模式——适合生产环境或对小模型不放心的场景。

6. 与同类项目对比

维度	Hermes Agent	Claude Code	通用框架（LangChain 等）
定位	开箱即用的个人 Agent，自学习是卖点	终端编码 Agent	Agent 构建框架/编排库
持久学习	内置闭环：skill_manage + memory + Curator	CLAUDE.md 记忆文件，靠手维护	无内置，需自建
多平台消息	21+ 平台单一网关	无	需自行集成
模型	任意提供商，`hermes model` 切换	仅 Claude 系	模型无关，但要写代码
适合谁	想要一个"越用越懂你"的全能助理	专注写代码	想完全掌控架构的团队

这个表想说明的只有一件事：Hermes 的差异化不在单点能力，而在把"从经验中学习"做成了默认行为——别家要么没有，要么要你自己搭。

适用：

需要长期记忆和多平台接入的个人 AI 助理
希望重复性工作流被自动沉淀成技能的日常自动化
需要频繁切换模型、又不想绑定单一提供商的开发者
跑在廉价 VPS 或闲置服务器上的常驻 Agent

不适用：

需要毫秒级响应的实时系统——它是为对话节奏设计的
需要严格沙箱与审计合规的生产服务——虽有命令审批与容器隔离，但自学习循环本身需要人工监督

7. FAQ

Q: Hermes Agent 的自改进和普通 LLM 的上下文学习有什么区别？

上下文学习只活在当前会话，关掉就没。Hermes 的学习循环把经验写到磁盘上的具体位置——技能是 ~/.hermes/skills/ 下的 SKILL.md，事实是 ~/.hermes/memories/ 下的 MEMORY.md / USER.md，历史会话在 SQLite 里可全文检索。一个学会的"部署 staging 服务器"流程不会因为关掉终端就消失，下个会话按需加载。

Q: 消息网关需要一直开着吗？

需要。网关进程停下，Telegram 那边就没法收发消息。但 Agent 的状态（技能、记忆、会话）都在磁盘上，网关重启后一切恢复。如果只是自己用，不开网关、纯 CLI 也完全成立。

Q: 和 LangChain、AutoGPT 这类框架有什么本质区别？

LangChain 是构建框架，给你零件，自学习要自己造；AutoGPT 展示了自主 Agent 的可能性，但没有把经验沉淀做成产品级机制。Hermes 把学习循环做成了默认行为：技能创建、使用中修补、Curator 修剪、后台评审，每个环节都有对应工具和审批闸门。你要写代码才能在框架里复刻这套东西，而在 Hermes 里它是装完就有的。

Q: $5/月的 VPS 真的能跑？

能，这是官方明说的部署目标。Agent 循环本身是一个 Python 进程，会话状态存 SQLite，资源占用很低；真正吃资源的是 LLM API 调用和工具执行，前者由提供商计费，后者发生在你给它配的终端后端里。更妙的是 Modal、Daytona 这类 serverless 后端支持环境休眠——空闲时几乎不花钱，来消息了自动唤醒。

Q: 我怎么知道 Agent 有没有真的"记住"？

最直接的办法：cat ~/.hermes/memories/MEMORY.md。官方 FAQ 里专门列了一条高频故障——模型说"我记住了"但实际没调用 memory 工具，尤其是 30B 以下的小模型。文件里没有就是没记住，让它显式调用工具重写一遍。这也是 write_approval 闸门存在的意义。

参考来源与口径说明

本文数据口径：2026-09-22，对照 GitHub 仓库 NousResearch/hermes-agent（main 分支）、官方 README 与 hermes-agent.nousresearch.com 文档站（llms.txt 全量文本）核实
stars / forks：247,952 / 52,259（GitHub API，2026-09-22）。项目 2025-07-22 创建，增长极快，阅读时请以仓库实时数据为准
工具数（70+）、toolset 数（28）、终端后端数（7）、消息平台数（21+）、Curator 参数（14/30 天、7 天间隔、2 小时空闲）、MEMORY.md/USER.md 字符上限（2,200/1,375）均出自官方文档原文；Python 库用法出自官方 “Using Hermes as a Python Library” 指南；PyPI/brew/AUR 属 Unsupported 出自 Platform Support 页
本文早期版本引用的部分接口与配置示例（from hermes import Hermes、hermes run、hermes pick 等）在官方仓库与文档中均不存在，已在本次更新中替换为文档实证的真实接口；安装命令、CLI 用法、配置项一律以官方文档为准

参与讨论

使用 GitHub 登录。欢迎补充事实、异议与实践。

当前浏览器未启用 JavaScript。你仍可前往 GitHub Discussions 参与讨论。