【AI】 HERMES Agent

根据 2026 年 4 月的最新信息HERMES Agent是由Nous Research开发的开源自主 AI Agent 框架于 2026 年 2 月 25 日发布是当前开源 Agent 领域最热门的项目之一。以下是核心要点核心定位属性详情开发方Nous ResearchHermes 系列模型背后的团队许可证MIT完全开源商用GitHub Stars42,000截至 2026 年 4 月最新版本v0.8.02026 年 4 月 8 日发布核心口号“The agent that grows with you”与你共同成长的 Agent差异化能力运行时自进化与 OpenClaw、AutoGPT 等框架相比HERMES Agent 的核心突破是闭环学习机制阶段功能效果执行 (Execute)使用 40 内置工具完成任务代码执行、浏览器自动化、Web 搜索等评估 (Evaluate)分析任务完成质量显式反馈 隐式接受信号抽象 (Abstract)将成功经验转为 Skill 文档Markdown 格式存于~/.hermes/skills/精炼 (Refine)后续使用中持续优化 Skill10-20 次相似任务后执行速度提升2-3 倍关键洞察这不是简单的 RAG 检索而是真正的技能进化——Agent 会自主重写工具定义无需人工干预。技术架构亮点1. 四层记忆系统非简单键值存储层级功能技术实现工作记忆当前会话上下文128K Token 窗口情景记忆具体经验存储向量数据库带情绪标签语义记忆抽象知识蒸馏每 6 小时自动压缩用户建模Honcho 辩证用户画像跨会话偏好学习2. 多平台消息网关支持平台Telegram、Discord、Slack、WhatsApp、Signal、飞书/钉钉、Matrix、Webhook跨平台连续性Telegram 发起任务CLI 查看进度Discord 接收结果3. 六后端执行环境后端适用场景Local本机开发Docker隔离沙箱SSH远程服务器Daytona/Modal无服务器闲置时几乎零成本SingularityHPC 集群4. MCP 原生支持 安全层v0.8 新增MCP OAuth 2.1安全接入第三方工具恶意软件扫描安装 MCP 插件时自动检测凭证池轮换多 API Key 负载均衡防限速模型支持完全开放提供商模型示例Nous PortalHermes 3/4原生优化OpenRouter200 模型Claude、GPT、Gemini 等国产模型DeepSeek、Kimi、GLM、MiniMax、Xiaomi MiMo本地部署Ollama、vLLM、SGLang一键切换hermes model命令无需代码修改。与 OpenClaw 的对比维度HERMES AgentOpenClaw核心差异运行时自进化自动生成/优化 Skill23 平台覆盖 Canvas 可视化记忆系统四层自动压缩记忆基础持久化记忆目标用户AI 研究者 / MLOps 工程师企业用户 / 非技术用户MCP 支持✅ OAuth 2.1 安全扫描❌ 自有 ClawHub 生态训练数据生成✅ Atropos RL ShareGPT 导出❌Stars42K354K生态更大但功能传统典型应用场景持久化研究助手跨会话跟踪论文、代码、实验结果MLOps 自动化批量生成训练数据、运行 RL 实验、导出轨迹用于微调运维自动化夜间安全扫描、日志异常摘要、定时报告推送多步骤任务委托生成子 Agent 并行处理RPC 调用零上下文成本快速开始# 一键安装Linux/macOS/WSL2curl-fsSLhttps://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh|bash# 配置模型hermes setup hermes model# 选择 Nous Portal / OpenRouter / 本地等# 启动交互hermes# 部署消息网关可选hermes gateway setup# 配置 Telegram/Discord 等hermes gatewayinstall# 设为系统服务关键意义HERMES Agent 代表了 2026 年开源 Agent 的范式转移从工具调用到经验学习不是执行预定义工作流而是像人类专家一样积累经验从无状态到渐进成长每次交互都使 Agent 更懂用户、更擅长任务从框架到基础设施可部署在 $5/月的 VPS 上7×24 小时自主运行对于需要可进化、可审计、可私有化部署的 AI Agent 场景HERMES 是当前开源市场中最完整的选择。HERMES Agent 的技术架构代表了 2026 年开源 Agent 的最高工程水平——不是简单的 LLM 包装而是完整的认知架构系统涵盖记忆、学习、建模、进化四个维度。其核心创新在于将使用转化为训练数据使每个用户都能拥有随时间个性化增强的专属 Agent。ERMES Agent 的核心技术细节实现可分为 四大支柱自进化学习闭环、四层记忆架构、Honcho 辩证用户建模、Atropos RL 训练基础设施。一、自进化学习闭环The Closed Learning Loop这是 HERMES 区别于其他 Agent 框架如 AutoGPT、CrewAI的决定性技术实现从执行工具到积累经验的质变。四阶段循环实现# 概念架构基于 LangGraph 参考实现classSelfImprovingLoop:defexecute(self,task,context):# Stage 1: 任务执行工具调用resultself.agent_executor.invoke(task)# Stage 2: 结果评估显式隐式反馈scoreself.evaluate(result,user_feedback)# Stage 3: 技能抽象成功模式提取ifscoreSKILL_THRESHOLD:skillself.abstract_skill(task,result)self.skill_store.save(skill)# Stage 4: 技能精炼持续优化similar_skillsself.skill_store.retrieve_similar(task)forskillinsimilar_skills:refinedself.refine_skill(skill,new_experienceresult)self.skill_store.update(refined)关键技术细节阶段技术实现核心机制执行ReAct 工具调用40 内置工具支持子 Agent RPC 调用评估双信号融合显式反馈用户评分 隐式信号是否接受/修改输出抽象LLM 结构化提取将成功轨迹转为 Markdown Skill遵循 agentskills.io 标准精炼对比学习新经验 vs 旧 Skill保留更优模式10-20 次迭代后速度提升 2-3 倍Skill 防爆炸机制针对技能无限增长问题HERMES 实现三层防护抽象化存储存储通用逻辑如电商平台比价而非具体步骤“京东查价”动态修剪相似度 0.9 的 Skill 自动合并低使用频率 Skill 归档语义检索向量搜索确保仅加载相关 Skill而非全量加载二、四层记忆架构Memory HierarchyHERMES 的记忆系统不是简单的键值存储而是分层信息管理体系模拟人类大脑的工作记忆-长期记忆分离。架构详解层级载体容量更新频率技术实现提示记忆MEMORY.mdUSER.md~2,200 ~1,375 字符每次会话后直接注入系统提示Prompt Injection会话存档SQLite FTS5无上限实时写入全文检索LLM 摘要总结技能记忆~/.hermes/skills/*.md动态管理任务成功后渐进式披露Progressive Disclosure按需加载用户建模Honcho API无上限异步后台辩证推理Dialectic Reasoning跨会话累积关键技术有界热记忆Bounded Hot Memory# MEMORY.md 示例有界强制约束 § Environment: Ubuntu 22.04, Python 3.11, uses poetry not pip § Project: QCM6490 driver debug, kernel 5.15 § Preferences: concise answers, show commands first, explain on request § Quirks: I2C LPM issue workaround known, SPI DMA channel 2 preferred设计原则强制压缩字符限制迫使 Agent 优先高信噪比信息增量更新使用§分隔符支持条目级增删改冻结快照会话期间系统提示不变保证 Anthropic Prompt Caching 命中会话检索技术-- FTS5 全文检索实现CREATEVIRTUALTABLEsessionsUSINGfts5(content,conversation_id,timestamp,tokenizeporter-- 词干提取);-- 语义搜索查询SELECThighlight(sessions,0,mark,/mark)FROMsessionsWHEREcontentMATCHauth system implementationORDERBYrank;三、Honcho 辩证用户建模Dialectic User Modeling这是 HERMES 与 OpenClaw、AutoGPT 等框架的最大技术差异实现深度个性化而非简单记忆。核心机制辩证推理Dialectic Reasoning不同于传统 RAG 检索用户说过的话Honcho 通过问答式推理推导用户画像# Honcho 推理流程简化版defdialectic_reasoning(conversation_history):questionsgenerate_questions(history)# 生成澄清问题answersllm_answer(questions,history)# LLM 基于历史回答conclusionsderive_facts(answers)# 提取结构化结论returnconclusions# 如用户偏好 TypeScript, 决策谨慎型# 示例结论非原始对话{preference:prefers_typescript_over_javascript,confidence:0.92,derived_from:[msg_47,msg_52],# 溯源last_updated:2026-04-10}双 Peer 架构Peer 类型数据来源建模内容User Peer用户消息偏好、目标、沟通风格、领域专长AI PeerAgent 消息Agent 的知识表示、工具使用习惯技术实现异步处理会话结束后后台推理不阻塞实时交互多 Agent 隔离同一用户的不同 Agent 实例如编程助手 vs 生活助手拥有独立 Peer 档案防止交叉污染API 工具集honcho_profile快速检索、honcho_search语义搜索、honcho_conclude写入结论四、Atropos RL 训练基础设施Research-ReadyHERMES 不仅是产品更是下一代工具调用模型的训练平台。轨迹生成与压缩# Atropos RL 环境简化架构classAtroposEnvironment:defcapture_trajectory(self,task_execution):# 记录完整轨迹观察 → 思考 → 行动 → 结果trajectory{observation:task_execution.context,thought:task_execution.reasoning,action:tool_call.to_dict(),reward:task_execution.evaluation_score}returntrajectorydefcompress_trajectory(self,raw_trajectory):# 去除冗余思考链保留关键决策点# 用于训练数据高效存储returncompressed与标准 RLHF 的区别维度OpenAI RLHF / Claude CAIAtropos RL数据归属用户数据训练共享模型用户拥有自己轨迹数据优化目标通用对齐Helpful/Harmless特定 Agent 行为优化训练范围基础模型全局更新用户特定行为模式适用模型专有模型Qwen 3.5、GLM、Gemma 等开源模型研究工具链命令功能hermes research run批量生成训练轨迹hermes research --inspect预览捕获内容不保存hermes research compress轨迹压缩用于模型微调五、系统集成架构图┌─────────────────────────────────────────────────────────────┐ │ User Interface Layer │ │ (Telegram/Discord/Slack/WhatsApp/Signal/CLI/Webhook) │ └──────────────────────┬──────────────────────────────────────┘ │ Gateway Process ┌──────────────────────▼──────────────────────────────────────┐ │ Core Agent Engine │ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────────────┐ │ │ │ ReAct │ │ Skill │ │ Memory Manager │ │ │ │ Loop │◄─┤ Router │◄─┤ (MEMORY/USER.md) │ │ │ │ │ │ │ │ │ │ │ └──────┬──────┘ └──────┬──────┘ └─────────────────────┘ │ │ │ │ │ │ ▼ ▼ │ │ ┌────────────────────────────────────────────────────────┐ │ │ │ Tool Registry (40 Tools) │ │ │ │ (bash/python/browser/search/code_edit/subagent_rpc) │ │ │ └────────────────────────────────────────────────────────┘ │ └──────────────────────┬──────────────────────────────────────┘ │ ┌──────────────┼──────────────┐ ▼ ▼ ▼ ┌──────────────┐ ┌────────────┐ ┌─────────────┐ │ SQLite │ │ Skill │ │ Honcho │ │ (FTS5) │ │ Store │ │ API │ │ Session Arch │ │ ~/.hermes/ │ │ User Model │ └──────────────┘ └────────────┘ └─────────────┘ │ │ │ └──────────────┴──────────────┘ │ ┌────────▼────────┐ │ Atropos RL │ │ Trajectory DB │ │ (Research) │ └─────────────────┘六、关键技术选型对比技术挑战HERMES 方案常见替代方案优势长记忆检索FTS5 LLM 摘要纯向量搜索精确匹配 语义理解结合用户建模Honcho 辩证推理简单偏好存储推导隐含模式非显式声明技能管理自进化 Markdown静态预设模板零人工维护持续优化多平台统一 Gateway各平台独立 Bot跨平台会话连续性部署灵活性6 种后端含 Serverless仅本地/仅云$5 VPS 到 GPU 集群弹性扩展模型锁定OpenRouter 200 模型单一厂商无 Vendor Lock-in七、实现限制与风险根据社区分析HERMES 的闭环学习存在结构性风险数据质量无人验证自生成训练数据缺乏外部校验可能累积错误无遗忘机制技能只增不减长期可能引入过时模式评估主观性隐式反馈用户是否修改可能误判成功缓解措施定期hermes skill audit人工审查结合insights命令分析使用模式。HERMES Agent 的技术架构代表了 2026 年开源 Agent 的最高工程水平——不是简单的 LLM 包装而是完整的认知架构系统涵盖记忆、学习、建模、进化四个维度。其核心创新在于将使用转化为训练数据使每个用户都能拥有随时间个性化增强的专属 Agent。