大家好，我是蓝戒，本篇我们来聊聊 “开源项目 Hermes Agent”。
这个开源项目发布两个月，GitHub Stars 突破 34,400，贡献者超过 310 人——它叫 Hermes Agent，是官方定义中唯一内置学习循环的 AI 智能体框架。
你有没有遇到过这种情况？
花了半个小时，把一个 AI 工具调教得刚刚好：告诉它你的代码风格、你习惯的输出格式、你不喜欢废话太多的回答……结果第二天打开，它又变回了那个什么都不记得的"陌生人"。
这不是你的错，这是绝大多数 AI 工具的通病——每次对话都是全新的开始，你教过它的一切，在会话结束的瞬间灰飞烟灭。
Hermes Agent 想做的，就是彻底解决这件事。
"The agent that grows with you"
这是 Hermes Agent 的官方定位，翻译过来就是——一个会随你成长的 AI 智能体。
它由 Nous Research 开发。这个实验室不是做产品的公司，而是真正做模型训练和强化学习研究的团队，Hermes 系列大模型、Atropos 强化学习框架都出自他们之手。实验室由联合创始人兼 CEO Jeffrey Quesnelle 主导，专注于开源模型开发和去中心化 AI。换句话说，这不是"套壳 ChatGPT"，而是从训练模型的人，反推出来的一套 Agent 架构。
2026 年 2 月正式发布，几周内 GitHub Stars 突破 22,000，截至目前已达 34,400+ 颗星，3,478 次代码提交，313 位贡献者，MIT 协议完全开源免费。这个速度，放在整个开源 AI 生态里都属于顶级爆款。
为什么它能火？因为它击中了一个真实的痛点
在 Hermes 之前，最热门的开源 Agent 框架是 OpenClaw——2025 年底上线后迅速爆红，GitHub Stars 突破 21 万，插件丰富、功能齐全，一度是开发者做任务自动化的首选。但用过的人都懂那个痛点：跨会话记忆需要手动配置，工作流难以自动沉淀。
你辛辛苦苦教会它处理邮件的方式、整理资料的偏好、生成周报的格式……换一次会话，这些经验不会自动保留。每次都要重新交代，反复配置，白白浪费精力。
Hermes Agent 的核心突破，就在于它内置了一套闭环学习系统：
当你交给它一个复杂任务（通常是 5 次以上工具调用），完成之后，它不只是把结果告诉你，还会把"怎么完成这个任务"这件事本身，自动提炼成一个可复用的 Skill 文件——一份结构化的 Markdown 文档，记录了操作步骤、注意事项、踩过的坑。
下次遇到类似问题，它不会从头推理，而是直接调用这个技能，比第一次快得多，也准确得多。更关键的是，技能还会自我优化——如果它在使用过程中发现了更好的做法，会主动更新技能文件。
值得注意的是，Hermes 还提供了一个配套的自进化工具（hermes-agent-self-evolution），基于 DSPy + GEPA（遗传-帕累托提示进化） 技术，可以对技能、提示词和工具描述进行自动化的进化搜索优化——不是更新模型权重，而是优化"如何使用模型"的策略本身，把 prompt engineering 和 workflow design 变成一个可自动迭代的闭环过程。
记忆系统：四层架构，越用越懂你
光有技能还不够，Hermes Agent 的记忆系统是一套精心设计的多层架构。
第一层是会话记忆，也就是当前对话的上下文，这一层所有 AI 都有，不稀奇。
第二层是持久化记忆，核心是两个文件：MEMORY.md 和 USER.md。前者存储环境信息、踩过的坑、项目背景；后者记录你的个人偏好和沟通风格。每次会话开始时，这两个文件会自动加载进系统提示词——这意味着它记住的不是上一次对话，而是你这个人。
第三层是技能记忆，就是上面说的那套 Skill 系统，存储的是解决方案模式，而不是原始对话记录。更聪明的是，技能采用渐进式加载：系统提示词中默认只包含技能名和摘要，完整内容仅在 Agent 判定与当前任务相关时才加载——这意味着即使你积累了 200 个技能，Token 开销也和 40 个时大致相当。
第四层是用户建模，这是可选的高级层。Hermes 支持集成 Honcho 辩证式用户建模引擎，它会随时间构建你的"用户画像"：你习惯简短回复，它下次就不会长篇大论；你偏好 TypeScript，它就不会默认写 JavaScript。这不是死板的规则，而是基于辩证式建模的动态学习过程，同时追踪你的偏好、沟通风格和领域知识。不过需要注意，Honcho 是可选组件，需要额外配置 API Key，对于大多数任务型自动化场景，前三层已经足够。
底层存储用 SQLite + FTS5 全文检索，配合 LLM 摘要压缩，让它能从几个月前的历史对话里快速召回相关上下文，同时不会无限膨胀 Token 成本。
40+ 工具 + MCP 生态，能力边界无限扩展
Hermes Agent 开箱即用就带了超过 40 种工具：
文件操作、终端命令、网页搜索、内容提取、代码执行、图像生成、TTS 语音合成……基本覆盖了日常自动化的所有场景。
更重要的是，它支持 MCP（Model Context Protocol）。简单说，任何 MCP Server 提供的工具，都可以直接接入 Hermes。这意味着它的能力边界不是固定的，社区生态有多少 MCP 工具，它就能扩展多少。
还有一个细节让开发者特别喜欢：内置 cron 自然语言调度器。你可以直接说"每天早上 9 点生成一份 GitHub 仓库动态摘要，发到 Telegram"，它会自动解析成定时任务，全程无人值守。
子 Agent 并行也是亮点——复杂任务可以拆分给多个隔离的子 Agent 同时跑，比如同时监控 3 台服务器日志 + 部署一个新服务，互不干扰。
它不绑在你的笔记本上
大多数 Agent 的使用场景是"打开终端、敲命令、关闭终端"。Hermes 的野心显然更大。
它支持 6 种终端后端：本地、Docker、SSH、Daytona、Singularity、Modal。其中 Daytona 和 Modal 支持 Serverless 持久化——Agent 空闲时自动休眠，收到消息时立刻唤醒，闲置期间几乎不花钱。最低只需 5 美元/月的 VPS 就能跑起来。
更关键的是，它内置了全平台消息网关。只需运行一个 gateway 进程，就能同时接入 Telegram、Discord、Slack、WhatsApp、Signal。你在手机上发语音，它自动转写处理；你在电脑上用 CLI，共享同一套会话历史。
这意味着什么？你可以把 Hermes 部署在云服务器上，然后在地铁里用 Telegram 给它发指令，到公司的时候，结果已经在等着你了。这种体验，是任何"IDE 插件型 Agent"给不了的。
模型不绑定，随便换
这是另一个让开发者放心的设计。Hermes 支持的模型提供商包括：Nous Portal、OpenRouter（200+ 模型）、OpenAI、z.ai/GLM、Kimi/Moonshot、MiniMax，以及你自己搭建的 Ollama / vLLM 本地接口。
切换方式极其简单：
hermes model # 交互式选择模型一行命令，零代码改动，没有厂商绑定。在 2026 年的 Agent 生态里，这种开放姿态并不常见。
60 秒上手，真的就一行命令
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash安装完成后，重新加载 Shell，然后：
hermes setup # 交互式配置向导（模型、工具、网关一次搞定）
hermes # 开始对话如果你之前用过 OpenClaw，迁移成本几乎为零：
hermes claw migrate # 自动导入设置、记忆、技能和 API 密钥这代表了 AI Agent 的一个新方向
坦白说，当前大多数 AI 工具仍然停留在"工具"阶段——你用它，它帮你完成任务，仅此而已。它不会记住你，不会变聪明，不会因为你用了三个月而变得更懂你。
Hermes Agent 想做的事情不一样。它把 AI Agent 定义成一个长期协作者：会随着你的使用积累经验，会从你的习惯中学习，会把重复的工作流封装成技能，会在你不在的时候继续工作，会在你回来的时候告诉你它做了什么。
不过，社区共识并不是 Hermes 将取代 OpenClaw。多数用户认为两者是互补关系：OpenClaw 擅长多渠道操作、团队协作和生态广度；Hermes 擅长学习层——持久记忆、自动技能生成、模型推理和长周期任务。一种常见做法是让 Hermes 作为高层规划器，调用 OpenClaw 的工具层。
这不只是技术上的进步，更是一种交互哲学的转变——从"我用 AI"到"AI 陪我成长"。
34,400+ 颗 GitHub Stars，是开发者用行动投出的一票。这个方向，值得认真对待。
项目地址： github.com/NousResearch/hermes-agent
官方文档： hermes-agent.nousresearch.com/docs
技能社区： agentskills.io
文章评论