Hermes Agent — 会自己
进化的 AI 智能体

Hermes Agent 是 Nous Research（这个团队做过不少出名的开源 LLM 模型）在 2025 年 7 月启动、2026 年 2 月正式走向大众视野的项目。它的目标直指一个很实际的问题：现有的 AI Agent 都是一次性的——关掉终端，记忆就没了。下一个对话又得从头解释自己是谁、在做什么、偏好什么。

Hermes 的回答是：让 Agent 真正"住"下来。部署在你的 VPS 或 Docker 里，跑着一套完整的学习循环——每次对话后自动反思、沉淀技能、更新记忆。下次启动的时候，它比上次更了解你。

到 2026 年 5 月初，它已经积累了 128,306 颗 Stars 和 19,310 个 Fork，是整个 AI Agent 赛道中增长最快的项目之一。v0.12.0（2026.4.30）一个版本就带来了 1,096 次提交、550 个 PR、217 社区贡献者——这个迭代速度已经超过了绝大多数商业产品。

2025 年底到 2026 年初，AI Agent 赛道涌入大量项目。OpenClaw 以"配置即行为"的理念拿了 36 万+ Stars，Claude Code 靠 Anthropic 的模型能力占据了开发者日常编码场景。但这两个项目有一个共同的局限：对话结束即遗忘。Claude Code 依赖 CLAUDE.md 手动维护上下文，OpenClaw 的记忆需要用户自己编排。

Hermes 走了一条不同的路——它不要求用户手动管理记忆，而是把"学习"做进了 Agent 的运行循环里。每次对话结束后，一个后台 fork 会自动分析这次交互，判断需要保存什么记忆、创建什么技能、更新什么知识。用户什么都不用做，Agent 自己就变强了。

这不是噱头。v0.12.0 引入的 Curator 系统已经能自主管理整个技能库——定期评分、合并相关技能、清理过时内容、生成运行报告。Agent 在维护自己的同时也在进化自己。

另一个值得关注的维度是部署成本。Claude Code 按订阅计费，OpenClaw 免费但需要本地运行。Hermes 部署在 $5/月 的 VPS 上就能跑，支持 Docker 和 Serverless（Modal/Daytona），空闲时几乎不花一分钱。这对个人开发者和小团队来说是非常友好的定价模型。

Hermes 的核心卖点，一个字总结就是"长"。长期记忆、长期进化、长期运行。具体来说，这个学习闭环包含几个环节：

• 1
  自动记忆沉淀 — 每次对话结束，后台 fork 分析交互内容，将有价值的信息写入持久记忆。不需要用户告诉它"记住这个"。
• 2
  技能自动创建 — 当 Agent 完成一项复杂的多步骤任务后，它会自动生成一个可复用的 Skill 文件。下次遇到类似任务直接调用，不用从头摸索。
• 3
  使用中自我改进 — 已有的 Skill 不是静态的。Agent 在使用过程中会不断修正和优化技能描述、步骤和参数。
• 4
  定期记忆整理 — Curator 系统按周期（默认 7 天）自动评估记忆和技能的质量，合并重复项、清理过时内容。
• 5
  跨会话检索 — 基于 FTS5 全文搜索，配合 LLM 摘要，可以在历史对话中快速找到相关上下文。

Hermes 不绑定你的笔记本。它可以在六种环境中运行，根据需求自由切换：

Daytona 和 Modal 这两个 Serverless 后端尤其值得一提。Agent 的运行环境在空闲时休眠，收到消息或定时任务触发时自动唤醒——这意味着你可以在一台 $5/月 的 VPS 上跑一个"常驻"的 AI 助手，但只在它真正工作时才消耗资源。

一条 hermes gateway 命令，Agent 就同时接入 Telegram、Discord、Slack、WhatsApp、Signal 以及 Email 等平台。你在手机 Telegram 上发消息，Agent 在云端 VPS 上处理，处理完推送到你的 Discord 频道——对话在不同平台间无缝切换。

v0.12.0 又加入了 Teams 插件支持，加上之前已有的 18 个平台，Hermes 现在覆盖了几乎所有主流即时通讯工具。还内置了 Spotify 和 Google Meet 集成——这不是一个只会聊天的 Agent，它能直接操作你的服务。

除了标准文件读写、命令执行、代码编辑之外，Hermes 内置了浏览器自动化、Web 搜索、图像生成、TTS 语音合成、GitHub 集成、图表绘制等 40+ 工具。更关键的是它支持 MCP（Model Context Protocol），可以连接任意 MCP 服务器扩展能力边界。ComfyUI 和 TouchDesigner 在 v0.12.0 中从可选变成了默认内置——这是对 AI 创作场景的明显加码。

遇到复杂任务时，Hermes 可以生成隔离的子代理并行处理。每个子代理有自己的对话上下文和终端环境，通过 RPC 通信。这意味着多步骤流水线可以被压缩成"零上下文成本"的并行调用——不需要把所有中间结果塞进主 Agent 的上下文窗口。

内置调度器，用自然语言就能设定定时任务。每天早上推送新闻摘要、每周五做代码审查、每月生成项目报告——全部无人值守执行，结果推送到任意消息平台。和传统 crontab 的区别在于，Hermes 的任务定义是语义化的，Agent 自己理解"每周五下午检查所有未关闭的 Issue"意味着什么。

Hermes 不只是一个使用 Agent 的工具，它还是训练下一代 Agent 的研究平台。内置 Atropos RL 环境和批量轨迹生成能力，支持并行生成数千条工具调用轨迹，配合 11 种工具调用解析器，可以针对任意模型架构进行强化学习训练。这意味着你用 Hermes 收集的交互数据，可以直接用来微调更好的 Agent 模型。

Hermes 的架构可以用一句话概括：一个持续运行的 Agent 循环 + 六层能力栈。

六层能力栈从下往上分别是：

• L
  LLM 层 — 模型无关的设计。通过 OpenRouter 支持 200+ 模型，也支持 OpenAI、Anthropic、本地 vLLM、NVIDIA NIM 等任意兼容端点。一条 hermes model 命令即时切换，零代码改动。
• T
  Terminal 层 — 六种终端后端，通过统一抽象层管理。Agent 不关心命令是在本地跑还是在远端 Docker 里跑。
• S
  Skills 层 — 基于 agentskills.io 开放标准，支持自动创建、使用中改进、社区共享。技能不是代码——是结构化的 Markdown 文件，人工可读可编辑。
• M
  Memory 层 — 三层记忆系统：短期上下文、中期记忆文件（MEMORY.md + 每日日志）、长期用户建模（基于 Honcho 方言用户模型）。FTS5 全文搜索 + LLM 摘要提供跨会话检索能力。
• G
  Gateway 层 — 统一消息网关，一个进程接入 18+ 平台。处理消息路由、用户认证、语音转录、跨平台对话连续性。
• A
  Automation 层 — Cron 调度 + Curator 自管理。定时任务无人值守，技能库自动维护。

v0.12.0 的自我改进循环做了架构级重构：从自由格式的 fork 改为基于评分标准的 class-first 模式，优先更新 Agent 刚刚加载的技能（active-update biased），正确继承父 Agent 的运行时环境（provider、model、credentials 全部透传）。后台 fork 被限制在 memory + skills 两个工具集内，防止能力扩散。每次 fork 处理前还会剔除上一轮的工具消息，确保看到一个干净的上下文。

从 v0.8.0 到 v0.12.0，不到两个月时间，Hermes 完成了从"能用"到"好用到惊人"的跃迁：

安装过程简单到有点不像一个功能这么复杂的项目：

# 一键安装（Linux / macOS / WSL2）
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

# 重载 Shell 环境
source ~/.bashrc

# 启动对话
hermes

安装脚本会自动处理 Python 环境、依赖安装等所有前置步骤。Android 通过 Termux 也能跑。

安装完成后，常用命令：

# 选择模型提供商和具体模型
hermes model

# 配置启用的工具
hermes tools

# 启动消息网关（接入 Telegram / Discord 等）
hermes gateway setup
hermes gateway start

# 从 OpenClaw 迁移数据
hermes claw migrate

# 更新到最新版
hermes update

# 诊断问题
hermes doctor

从 OpenClaw 迁移也很方便——hermes claw migrate 会自动导入 SOUL.md、记忆、技能、API 密钥和消息平台配置，基本可以做到无痛切换。

AI Agent 赛道目前三足鼎立：Claude Code 主打交互式编码，OpenClaw 主打配置化行为定义，Hermes 主打自主进化。它们不是互相替代的关系，而是覆盖了三种截然不同的工作流需求。

Hermes Agent 不是一个"又一个聊天机器人"。它回答了一个很多团队都在尝试但没做好的问题：怎么让 AI Agent 真正拥有持续性。不是靠人工维护的上下文文件，不是靠每次对话前粘贴系统提示，而是把学习和进化做进了运行时。

128K Stars 背后是实打实的产品力：两周一个版本、每次都是数百 commits 量级的功能迭代，社区贡献者从个位数增长到 200+。Curator 系统的引入让"Agent 自我管理"从一个概念变成了可运行的功能。Serverless 后端的整合则解决了"长期运行 Agent"最现实的成本问题。

如果说 2025 年是 AI Agent 的概念验证年，2026 年上半年是"谁能真的跑起来"的工程化年，那 Hermes 可能是目前最接近"跑起来"这个标准的开源方案。它不是某个大厂的实验项目，而是一个活着的、在进化的生态系统。