为了让 Agent 拥有特定的能力，我们不得不手动编写大量 Skill 代码、维护复杂的Prompt，并在"写技能 → 发现新问题 → 修改技能"的循环中反复消耗。这种"人工编排"的模式，不仅效率低下，更让 Agent 的能力被限制在开发者手动编写的边界内。

那么，Agent 能不能像人类一样，在解决问题的过程中自己总结经验，自己生成新的技能，实现"自我进化"？GitHub上 23k+ Star的开源项目 hermes-agent 给出了一个解法。

—

痛点：Agent 面临的问题

了解了当前 Agent 面临的其中两类痛点问题，就能理解 hermes-agent 的设计逻辑。

一类是能力边界问题。这一问题是所有依赖手动编写 Skill 的 Agent 的共同局限：Agent 只能处理开发者预见到的场景和为其预置 Skill，面对动态变化的真实任务时，技能库很快就会失效或缺位。在动态场景中，就算找到了对应技能，随着任务场景变化也可能马上失败。

还有一类是生态安全问题，即社区贡献的 Skill 的安全性问题。

hermes-agent 试图解决的正是“能力边界”问题——让 Agent 自己生成和维护技能，从而突破人工编排的上限。

—

hermes-agent 的解法：技能自动生成与自我进化

hermes-agent 的设计哲学与 OpenClaw 截然不同。如果说 OpenClaw 追求的是"广度"，那么 hermes-agent 追求的则是"深度"。它的核心目标是构建一个能够随着时间推移不断成长的 Agent。

核心机制

hermes-agent 让Agent自己生长能力的核心机制在于其内置的 Self-Improvement Loop（自我提升闭环）。这个闭环的本质，是将"能力生产"的工作从开发者手中交给了 Agent 本身。

当 Hermes-agent 面对一个复杂任务时，它的工作流程如下：失败 → 反思 → 生成 Skill → 存储 → 再使用。

具体来说：Agent 在尝试解决问题的过程中，会不断地调用工具、遭遇错误、分析原因、调整策略。当它最终成功解决问题后，它会自动编写一个结构化的 Skill 文档，记录下解决该问题的步骤、可能遇到的陷阱以及验证方法。

这个新生成的 Skill 会被保存下来，遵循开源的 agentskills.io 标准，使其可以跨平台移植。下次遇到类似任务时，它会直接加载这个 Skill，而不是从头开始摸索。

这不是一个简单的"记忆"功能，而是一个真正的技能自动生成。

技能的自动生成

在 hermes-agent 中，技能不再是预先写死的代码，而是 Agent 在实践中总结出的经验池。通过内置的 skill_manage 工具，Agent 可以自主创建、更新和管理技能。

系统 Prompt 中内置了如下指令，驱动 Agent 在特定情形下主动生成技能：

# agent/prompt_builder.py

SKILLS_GUIDANCE = (
    "After completing a complex task (5+ tool calls), fixing a tricky error, "
    "or discovering a non-trivial workflow, save the approach as a "
    "skill with skill_manage so you can reuse it next time.\n"
    "When using a skill and finding it outdated, incomplete, or wrong, "
    "patch it immediately with skill_manage(action='patch') — don't wait to be asked. "
    "Skills that aren't maintained become liabilities."
)

换句话说，Hermes 并不依赖外部触发，而是在系统层面将"经验沉淀"写进了 Agent 的行为规范。一旦满足条件，Agent 就会调用 skill_manage 的 create 动作，生成一份标准格式的 SKILL.md 技能文档，包含 YAML frontmatter 元数据和 Markdown 正文两部分。

每一个自动生成的技能文档，都包含了完整的操作步骤、已知的边界条件、以及验证成功的方法。以创建 deploy-k8s 技能为例：

# ~/.hermes/skills/devops/deploy-k8s/SKILL.md
---
name: deploy-k8s
description: 将应用部署到 Kubernetes 集群，包含镜像构建、推送和滚动更新
version: 1.0.0
author: Hermes Agent
license: MIT
metadata:
  hermes:
    tags: [kubernetes, devops, deployment]
    related_skills: [docker-build, github-pr-workflow]
---
# Kubernetes 部署工作流
## 触发条件
需要将容器化应用部署到 K8s 集群时使用。
## 步骤
1. 构建并推送镜像：`docker build -t registry/app:$TAG . && docker push`
2. 更新 deployment：`kubectl set image deployment/app app=registry/app:$TAG`
3. 等待滚动更新：`kubectl rollout status deployment/app`
## 已知陷阱
- ImagePullBackOff：检查 registry 凭证是否已配置为 K8s Secret
- 滚动更新卡住：检查 readinessProbe 配置是否正确
## 验证
`kubectl get pods` 所有 Pod 状态为 Running 且 READY 列为 1/1。

当 Agent 决定创建上述技能时，实际执行的是如下工具调用：

# Agent 调用 skill_manage 创建新技能
skill_manage(
    action="create",a
    name="deploy-k8s",
    category="devops",
    content="""---
name: deploy-k8s
description: 将应用部署到 Kubernetes 集群，包含镜像构建、推送和滚动更新
...
---
# Kubernetes 部署工作流
..."""
)

# 返回：{"success": true, "message": "Skill 'deploy-k8s' created.","path": "devops/deploy-k8s"}

在底层，skill_manager_tool.py 中的 _create_skill 函数会依次完成：校验 name 格式与 frontmatter 结构、检查同名技能是否已存在、创建目录、原子写入 SKILL.md（使用临时文件 + os.replace() 防止写入中断导致文件损坏），最后对新技能执行安全扫描——与社区 Hub 安装的技能享有同等的安全审查待遇。

# tools/skill_manager_tool.py（节选）

def _create_skill(name: str, content: str, category: str = None) -> Dict[str, Any]:
    # 1. 校验名称（小写字母、数字、连字符，最长 64 字符）
    err = _validate_name(name)
    # 2. 校验 frontmatter 结构（必须包含 name 和 description 字段）
    err = _validate_frontmatter(content)
    # 3. 检查同名冲突（跨本地目录和外部目录全量搜索）
    existing = _find_skill(name)
    if existing:
        return {"success": False, "error": f"Skill '{name}' already exists."}
    # 4. 创建目录并原子写入 SKILL.md
    skill_dir = _resolve_skill_dir(name, category)
    skill_dir.mkdir(parents=True, exist_ok=True)
    _atomic_write_text(skill_dir / "SKILL.md", content)
    # 5. 安全扫描（与 Hub 安装技能同等待遇）
    scan_error = _security_scan_skill(skill_dir)
    if scan_error:
        shutil.rmtree(skill_dir, ignore_errors=True)  # 扫描失败则回滚
        return {"success": False, "error": scan_error}
    # 6. 清除系统 Prompt 缓存，使新技能立即生效
    clear_skills_system_prompt_cache(clear_snapshot=True)
    return {"success": True, "message": f"Skill '{name}' created.", ...}

技能创建完成后，系统会立即清除缓存，使新技能在当前会话中即刻可用——这意味着 Agent 在同一次任务中就能复用刚刚总结的经验。

这种从无到有的自动生成能力，打破了人工编写技能的瓶颈，让 Agent 能够适应各种未知的场景。

技能的自我进化

更重要的是，这些自动生成的技能并不是一成不变的。随着 Agent 处理更多类似的任务，它会不断完善和优化现有的技能文档，添加新的边界条件处理，优化执行步骤。

技能的生命周期并不止于"创建"。Hermes-agent 同样在系统层面规定了技能的维护义务：当 Agent 在使用某个技能时发现它"过时、不完整或有错误"，必须立即修复，不必等待用户提示。

技能进化的核心工具是 patch 动作。与 edit（全量替换）不同，patch 采用精准的 find-and-replace 方式，只修改需要变更的片段，大幅降低 Token 消耗。这是 Hermes 明确推荐的首选更新方式：

# Agent 发现技能如deploy-k8s中缺少对某个错误信息如 ImagePullBackOff 的处理，立即修补
skill_manage(
    action="patch",
    name="deploy-k8s",
    old_string="## 已知陷阱\n- ImagePullBackOff：检查 registry 凭证是否已配置为 K8s Secret",
    new_string="""## 已知陷阱
- ImagePullBackOff：检查 registry 凭证是否已配置为 K8s Secret
- CrashLoopBackOff：先用 `kubectl logs <pod>` 查看启动日志，通常是配置文件路径错误
- 节点资源不足：`kubectl describe node` 检查 CPU/Memory 是否有 Pressure 状态"""
)

# 返回：{"success": true, "message": "Patched SKILL.md in skill 'deploy-k8s' (1 replacement)."}

在底层，_patch_skill 函数调用了 fuzzy_find_and_replace，这意味着即便 Agent 提供的 old_string 存在轻微的空白符差异或缩进偏差，匹配依然能够成功——这是一个专门为 LLM 生成内容的不精确性而设计的容错机制。


# tools/skill_manager_tool.py（节选）

def _patch_skill(name, old_string, new_string, file_path=None, replace_all=False):
    target = skill_dir / "SKILL.md"  # 默认修改 SKILL.md
    content = target.read_text(encoding="utf-8")
    # 使用模糊匹配引擎，容忍空白符/缩进差异
    new_content, match_count, match_error = fuzzy_find_and_replace(
        content, old_string, new_string, replace_all
    )
    if match_error:
        # 匹配失败时返回文件预览，帮助 Agent 自我纠正
        return {"success": False, "error": match_error,
                "file_preview": content[:500]}
    # 校验 patch 后 frontmatter 结构仍然完整
    _validate_frontmatter(new_content)
    # 原子写入 + 安全扫描 + 回滚机制
    _atomic_write_text(target, new_content)
    ...

值得注意的是，patch 失败时系统会返回文件的前 500 字符作为预览，这是一个专门为 Agent 自我纠错设计的反馈机制——Agent 可以根据预览重新构造正确的 old_string，完成自主修复，无需人工介入。

除了修改 SKILL.md 正文，Agent 还可以通过 write_file 动作为技能添加辅助文件，例如将复杂的 API 文档写入 references 目录，或将可复用的脚本放入 scripts 目录，形成一个完整的技能知识包。

这种从有到优的自我进化，使得 Agent 的能力随着使用时间的增长而不断增强——就像一个经验丰富的工程师，每解决一个新问题，都会让他的技能树更加完整。

—

不只是 Agent：hermes 还在为下一代模型采集训练数据

当然 Agent 处理任务的能力单靠 skill 是还不够，无论 Agent 设计得多么精妙，它的最终表现仍然受限于底层大语言模型（LLM）的推理和规划能力。Skill 可以让 Agent 更高效地执行已知任务，但面对真正需要深度推理的新问题，模型本身的能力才是最终的瓶颈。要突破这个现实约束，就必须让模型本身变得更强。

hermes-agent 的架构中隐藏着一个"大招"：它与的强化学习（RL）框架 Atropos 进行了深度集成。在 hermes-agent 执行任务的过程中，它不仅会生成 Skill，还会完整记录下整个执行轨迹（Trajectory），包括所有的工具调用、环境反馈、推理过程以及最终的奖励评分（Reward）。

这些包含了丰富上下文和交互细节的 Trajectory 数据，是微调和训练下一代模型的高质量数据。

hermes-agent 不仅仅是在让当前的 Agent 变强，它更像是一个不知疲倦的数据源，在真实世界的交互中不断积累高质量的训练数据资产。开发者可以并行生成数以千计的工具调用轨迹，导出这些数据，并用它们来微调模型。

这是一种从 Agent 到 Model 的能力迁移。今天 Agent 踩过的坑、总结的经验，明天就会成为新模型出厂自带的"本能"。hermes 不只是让 Agent 变强，而是在为更强的模型积累数据资产。

—

结语

从手动编写 Skill 到 Agent 自主生成、改进优化，hermes-agent 向我们展示了 Agent 发展的下一个重要阶段：自我进化。

当 Agent 成为一个长期运行的进程，能够不断积累关于你的代码库、工作流和决策模式的知识时，它就不再只是一个工具，而是真正意义上会成长的智能体。

更深远的意义在于它展示了：Agent 在真实世界中的每一次交互，都在为下一代更强大的模型积累数据预料。这个从Agent 使用到模型进化的数据飞轮，才是 hermes-agent 最令人兴奋的地方。

(如果这篇文章对您有所帮助，请帮忙关注并转发，谢谢！)

参考资料

[1] NousResearch. (2026 ). hermes-agent: The agent that grows with you. GitHub.

https://github.com/NousResearch/hermes-agent

[2] Janakiram MSV. (2026 ). OpenClaw vs. Hermes Agent: The race to build AI assistants that never forget. The New Stack.

https://thenewstack.io/persistent-ai-agents-compared

[3] NousResearch. (2026 ). Hermes Agent v0.6.0 Release Notes. GitHub.

https://github.com/NousResearch/hermes-agent/blob/main/RELEASE_v0.6.0.md

还在手写Skill？hermes-agent 让 Agent 自己进化能力

痛点：Agent 面临的问题

hermes-agent 的解法：技能自动生成与自我进化

核心机制

技能的自动生成

技能的自我进化

不只是 Agent：hermes 还在为下一代模型采集训练数据

结语

AI原生应用

热门文章

最新文章

相关电子书

探索云世界

热门

云计算

大数据

云原生

人工智能

数据库

开发与运维

活动广场

任务中心

训练营

直播

乘风者计划

下载

镜像站

技术资料

还在手写Skill？hermes-agent 让 Agent 自己进化能力

痛点：Agent 面临的问题

hermes-agent 的解法：技能自动生成与自我进化

核心机制

技能的自动生成

技能的自我进化

不只是 Agent：hermes 还在为下一代模型采集训练数据

结语

AI原生应用

热门文章

最新文章

相关电子书