Hermes Agent 深度剖析(1/7):25 万 Star 的自改进 Agent 到底强在哪

简介: Hermes Agent 是 Nous Research 开源的"自改进"Agent,开源半年 25.7 万 Star。本文拆解它的三层记忆、agentskills.io 技能标准与闭环学习机制,指出它和 OpenClaw 的根本差别,并给出三条上手命令。

摘要:Hermes Agent 是 Nous Research 开源的"自改进"Agent,2026 年 2 月开源,到 10 月已经 25.7 万 Star、5.6 万 Fork。它真正特别的地方不是模型、也不是工具数量,而是一套闭环技能学习系统——任务做完会自己写一份可复用的技能文档。本文拆它的架构、记忆和技能机制,并说明它和 OpenClaw 的根本差别。

这是「Hermes Agent 深度剖析」系列的第 1 篇,全系列 7 篇:

01 总览:25 万 Star 的自改进 Agent 到底强在哪(本文)
02 三层记忆架构:会话记忆、持久记忆与用户模型怎么分工
03 技能学习闭环:Agent 怎么自己写技能文档
04 多平台网关:一个进程接住 16+ 个消息平台
05 安全架构:容器沙箱、技能扫描与人在回路
06 从零到生产:四种部署方式与成本账
07 vs OpenClaw:十二个维度的选型对比


一、为什么值得花 20 分钟读完这篇

2025 到 2026 年,Agent 框架出了一大堆:LangChain、AutoGPT、CrewAI、OpenClaw、Claude Code……但绝大多数框架有个共同问题——它们是静态的。Agent 每次执行任务都像第一次见面,昨天刚解决过的同类问题,今天还得从头推理一遍。

Hermes Agent 的不同点在于内置了一个闭环学习环节:任务完成后,它会把这次的解决路径写成一份结构化技能文档;下次遇到类似任务,先检索、直接加载,不再从零推理。

这不是"套个 LLM 壳 + 一堆 function calling",而是一次设计范式的升级:Agent 从无状态函数,变成了有状态、会积累的服务。

读完之后你应该能回答三个问题:

  • Hermes 的技能闭环到底在哪个环节"插"进去的?
  • 三层记忆和传统的"对话历史 + 向量库"差在哪?
  • 这套东西值不值得你现在就迁移过去?

二、核心设计理念:Agent 的"肌肉记忆"

2.1 传统 Agent 的困境

传统 Agent 的循环很短:

用户输入 → LLM 推理 → 工具调用 → 结果回填 → 再推理 → … → 输出

每次任务都是从零推理。这带来三个后果:

问题 表现 实际代价
Token 浪费 重复推理反复塞满上下文窗口 成本高、首字延迟长
质量不稳定 每次推理路径可能不同 同类任务结果不一致
无积累效应 用得越久不会越好 形不成经验壁垒

2.2 Hermes 的解法:在循环里插一步"文档化"

Hermes 的循环多了一步:

  1. 接收消息(来自多平台网关)
  2. 检索记忆(FTS5 全文检索)
  3. LLM 推理 + 工具调用
  4. 判定任务复杂度:工具调用 ≥ 5 次就生成技能文档
  5. 持久化记忆
  6. 回复用户

第 4 步是关键。它把"这次是怎么做成的"沉淀成一份可复用的 SKILL.md,下次直接调。本质上是把 Agent 从"每次重算"变成了"命中缓存"。

三、架构深度剖析

3.1 整体分层

Hermes 的代码结构可以按五层理解:

层级 组件 职责 对外表现
接入层 Gateway 一个进程统一管理所有消息平台连接 Telegram / Discord / Slack / WhatsApp / Signal / Email / CLI 等
记忆层 Session / Persistent / User Model 会话上下文、跨会话检索、用户画像 越用越懂你
技能层 Skills(agentskills.io 标准) 结构化经验库 同类任务直接加载
执行层 Tools + 沙箱后端 本地 / Docker / SSH / Serverless 工具调用与代码执行
模型层 多 Provider 抽象 200+ 模型,可切本地 Ollama 一条命令换模型

链路是自下而上收敛的:消息进来 → 检索 → 推理 → 执行 → 文档化 → 回写记忆。

3.2 三层记忆架构

这是 Hermes 最核心的基础设施,也是它和其他框架差别最大的地方:

层级 存什么 生命周期 实现与特征
L1 Session Memory 当前对话上下文 单次会话 受模型上下文窗口限制,类似 RAM
L2 Persistent Memory 跨会话的长期知识 永久 FTS5 全文检索,上万条文档下检索仍在毫秒级
L3 User Model 偏好、沟通风格、专业领域、行为模式 跨会话自动更新 无需手工配置,Agent 自己维护

设计上真正值得学的一点:三层不是简单的"多存几份",而是分工明确——L1 是热数据,L2 是温数据,L3 是冷数据但影响面最广。热数据要快,冷数据要准。

3.3 技能系统:Agent 的"知识晶体"

技能遵循 agentskills.io 开放标准(该格式最早由 Anthropic 提出,现在已经是 Agent 技能的可移植格式)。一个技能就是一个目录,核心是 SKILL.md:

---
name: python-async-patterns
description: Common async patterns for Python including gather,
             semaphore, and task groups with error handling
version: 1.2.0
category: programming
tags: [python, async, concurrency]
---

# Python Async Patterns

## Quick Summary
Use `asyncio.gather()` for parallel I/O, `asyncio.Semaphore`
for rate limiting, and `asyncio.TaskGroup` (Python 3.11+)
for structured concurrency with automatic cleanup.

## Common Patterns

### Pattern 1: Parallel API Calls
(代码略)

## Edge Cases
- `gather(return_exceptions=True)` prevents one failure from
  canceling all tasks
- Semaphore must be created in the same event loop

## When NOT to Use
- CPU-bound tasks (use ProcessPoolExecutor instead)
- Tasks with strict ordering dependencies

三个关键设计决策:

  1. YAML Frontmatter:机器可解析的元数据,撑得起版本管理、分类检索
  2. 渐进式信息披露:先加载 Quick Summary,按需展开 Common Patterns,避免把整个技能塞进上下文
  3. 可移植性:因为是开放标准,理论上可以在 Claude Code、Codex 等支持该标准的 Agent 之间复用

3.4 技能的生命周期

创建(复杂任务完成)→ 入库 → 相似任务触发检索 → 加载 → 使用
                                                  ↓
                                              发现矛盾/补充
                                                  ↓
                                            原地 patch → 回库

形成的是正反馈循环:用得越多 → 技能越丰富 → 解决新问题越快 → 产生更多技能。这才是 Hermes 真正的竞争壁垒——不靠更大的模型,靠时间积累。

四、它和 OpenClaw 的根本差别(先看结论)

OpenClaw(社区昵称"小龙虾")是 2025 年最流行的开源 Agent 框架之一。2026 年初那波迁移潮的直接导火索是 CVE-2026-25253(CVSS 8.8,网关鉴权缺陷导致的一键远程代码执行),官方在 2026.1.29 版本已修复。但迁移潮背后不只是安全事件,更是设计取向的差异:

维度 OpenClaw Hermes Agent
设计哲学 消息驱动的智能助手 自进化的个人 Agent
核心循环 意图识别 → 处理 → 回复 检索 → 推理 → 文档化 → 持久化
记忆方案 会话缓存 + 关系库/向量库 三层记忆 + FTS5 全文检索
学习能力 无内置学习机制 闭环技能学习
技能格式 无统一标准 agentskills.io 开放标准
模型支持 主要几家云厂商 200+ 模型,含本地 Ollama
安全记录 有一次公开高危 CVE 核心仓库至今无公开 CVE
部署 Docker 为主,配置较重 一行命令,支持 Docker/SSH/Serverless

一句话概括:OpenClaw 的记忆像"日记本",记录发生过什么;Hermes 的记忆像"教科书",从经历里提炼出方法论。 完整对比放在本系列第 7 篇。

五、上手路径(三条命令)

# 1. 安装
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

# 2. 配置模型(也可用 ollama 走本地)
hermes model

# 3. 接一个平台并启动
hermes platform add telegram
hermes start

生产环境我更推荐 Docker 跑,并且把权限收干净:

docker run -it \
  --shm-size=1g \
  --cap-drop=ALL \
  --security-opt=no-new-privileges \
  --pids-limit=100 \
  -v ~/.hermes:/root/.hermes \
  nousresearch/hermes-agent:latest

部署方式、成本账、模型选型这些展开讲会很长,放在第 6 篇。

六、我的判断:它到底改变了什么

6.1 从"工具调用"到"经验积累"

代际 形态 核心问题
第一代(2023) Prompt Engineering 全靠提示词质量,毫无积累
第二代(2024-2025) Tool-Augmented Agent 每次从零开始,用完即弃
第三代(2026) Self-Improving Agent 使用时间越长,能力越强

这个演进很像数据库:从全表扫描,到 B-Tree 索引,再到自适应索引。Hermes 的技能系统本质上就是 Agent 的"自适应索引"——把高频模式缓存下来,避免重复计算。

6.2 技能文档 ≈ 软件工程的设计模式

软件工程 Hermes Agent
设计模式(GoF) 技能文档(SKILL.md)
从项目中提炼可复用方案 从任务中自动生成技能
模式目录 技能库
反模式 Edge Cases 章节
适用场景判断 When NOT to Use 章节

这不是巧合。好的 Agent 框架本质上是在做"知识的工程化"——把隐性知识(一次成功的推理)变成显性知识(结构化文档),使其可检索、可复用、可迭代。

6.3 壁垒不是代码,是时间

一个用了 1 个月的用户和一个新用户,Agent 的表现差距不是模型差距,是积累差距:前者有几十个个性化技能,Agent 知道他的代码风格、项目结构、常用工具;后者一片空白。哪怕后者用更贵的模型,前者效率依然更高——这就是数据飞轮。

6.4 但我有三个担忧

一、技能质量的下限。 自动生成的技能取决于当时的推理质量。如果某次推理本身就错的,生成的技能会把错误固化,形成错误的正反馈。目前的安全扫描主要查数据泄露和 Prompt 注入,对"内容是否正确"缺乏自动验证。

二、技能膨胀后的检索精度。 技能库从几十个长到上万个时,FTS5 的检索延迟可能还撑得住,但精度会不会掉?如果加载了"看起来相关、实际不适用"的技能,反而会误导推理。这本质上是语义检索的精度-召回平衡问题。

三、隐私与技能共享的张力。 技能可移植是双刃剑。Agent 从你的代码库学到的模式写进技能文档后,分享到社区时会不会泄露敏感信息?显式的密钥能拦,隐式的业务逻辑很难检测。

七、总结

Hermes Agent 代表了一个转折点:从"更强的单次推理"转向"可持续的经验积累"。它的创新不在于模型能力或工具数量,而在于把 Agent 从无状态函数变成了有状态、可成长的服务。

关键要点:

  1. 闭环技能学习是核心差异——任务完成后自动生成技能文档,下次直接加载
  2. 三层记忆(会话 / 持久 / 用户模型)让"长期记忆"真正可用,而不是对话缓存
  3. agentskills.io 标准让技能可移植,是生态的地基
  4. 时间积累效应是最深的护城河——用得越久,迁移成本越高
  5. 开放标准 + 一行安装 + 可自托管,把迁移门槛压得很低

我的判断是:Hermes 不会是 Agent 框架的终局,但它指对了方向。未来 Agent 的竞争不是谁的模型更大、工具更多,而是谁能更好地帮用户积累和复用知识。

对中高级开发者的建议:先装一个跑起来,让它开始"认识你"。哪怕你暂时不完全依赖它,每天的积累都在构建一个越来越懂你的 Agent——这种时间壁垒,后来者短期追不上。


下一篇:《Hermes Agent 的三层记忆架构》——为什么它敢说自己是"长期记忆",而不是"更长的对话历史"。

延伸阅读

如果这套「拆开源 Agent 源码」的连载对你有用,可以点作者卡片关注,第 2 篇会在一周内更新。
也想听听你们的场景:你现在用的 Agent 里,"记住上次怎么做的"这件事是靠人肉维护,还是靠框架自己攒?

相关文章
|
存储 运维 搜索推荐
Hermes Agent 深度剖析(2/7):三层记忆架构——会话、持久与用户模型怎么分工
大部分 Agent 的记忆只是更长的对话历史。Hermes 把它拆成三层:会话记忆管当下、FTS5 持久记忆管跨会话检索、用户模型从行为推断画像。本文拆技术选型、数据流转与失效边界,并横向对比 LangChain 和 OpenAI Assistants。
|
22天前
|
消息中间件 存储 安全
Hermes Agent 深度剖析(4/7):多平台网关——一个进程接住 16 个消息平台
一个 Agent 要同时接住 Telegram、Discord、Slack、WhatsApp、Signal、Matrix、CLI 十几个入口,最省事的做法是上消息队列,把每个平台当成独立服务。Hermes Agent 反其道而行:所有平台连接塞进同一个进程。本文拆它为什么敢这么做、八段消息管道怎么走、会话路由的 30 分钟窗口是什么、能力协商如何把说什么和怎么说拆开。
|
22天前
|
供应链 安全 Shell
Hermes Agent 深度剖析(5/7):安全架构——从容器沙箱到人在回路,Agent 的破坏半径怎么压到最小
一个能执行 Shell、能读写文件、能装社区技能的 Agent,本质上是一台接在聊天窗口后面的远程终端。2026 年初 OpenClaw 的 CVE-2026-25253(CVSS 8.8)让人看清了这件事:点一个恶意链接就可能丢整台机器。本文复盘这个漏洞的真实成因,然后逐层拆 Hermes Agent 的五层防护——容器沙箱、技能扫描、Safety Guard、人在回路、本地模型,最后给一套可以直接抄的生产部署配置。
|
缓存 安全 开发者
Hermes Agent 深度剖析(3/7):技能学习闭环——工具调用超过 5 次,它就自己写文档
传统 Agent 每完成一次任务,经验就随上下文蒸发。Hermes 在循环里插了一步文档化:工具调用达到 5 次就自动生成 SKILL.md,下次先检索再执行。本文拆五步闭环、技能格式、渐进式加载的 token 账和技能生命周期。
|
8月前
|
人工智能 Linux API
告别周五熬夜写周报!OpenClaw全自动周报生成实战教程(阿里云/本地部署+百炼API配置)
每到周五,无数职场人都会陷入同样的内耗:想不起一周做了什么、琐碎工作不知如何包装、流水账没人想看、写报告占用大量休息时间。2026年,借助OpenClaw(Clawdbot)AI智能体,你只需要每天花5分钟简单记录碎片工作,就能让AI自动整理、结构化包装、价值升华,生成让领导一眼认可的专业周报。本文将完整讲解AI自动生成周报的完整流程,并提供**2026年3月最新阿里云ECS、Windows11、MacOS、Linux全平台部署OpenClaw**详细步骤、**阿里云百炼Coding Plan免费大模型API配置**、可直接复制的代码命令与高频问题解答,让AI成为你的专职周报助理,彻底解放周末
1619 89
|
22天前
|
人工智能 IDE 安全
新版上线 | 阿里云 Qoder CN AI 编程智能体功能全解析
阿里云 Qoder CN 服务平台不再是一个"代码补全工具"——它是一套端到端的AI研发智能体平台,将需求拆解、编码、自测、部署、文档维护全部交由AI智能体辅助完成。从桌面IDE到云端沙箱,从单行补全到万行工程交付,从个人极客到企业级数字员工,阿里云 Qoder CN 服务平台以"一个账号、全场景覆盖、Credits共享"的一体化体验,重新定义了国产AI编程的天花板。 ‌2026年,选择阿里云 Qoder CN 服务平台,就是选择让AI成为你的虚拟技术团队。
383 2
|
30天前
|
人工智能 安全 API
MCP 是 API 的下一层?先搞清楚它到底解决什么问题
MCP 是 API 的下一层吗?本文讲清 MCP 解决的 N×M 集成问题、与 API 的本质区别、适用场景和当前已知风险,给 API 服务商一个冷静的接入建议。
332 1
|
运维 安全 NoSQL
Hermes Agent 深度剖析(7/7):vs OpenClaw——十二个维度的选型对比,和三个必须先核实的事实
Hermes Agent 和 OpenClaw 常被放在一起比,但网上流传的对比表格里有一半数据是错的。本文先把 Star、版本号、CVE 三类事实校准一遍,再按架构、记忆、技能、安全、部署、成本六个维度逐项对比,最后给六个典型场景的选型建议。结论不是谁全面领先,而是它们解决的不是同一个问题。
|
22天前
|
安全 Serverless API
Hermes Agent 深度剖析(6/7):从零到生产——四种部署方式、三级模型配置与一张成本账
Hermes Agent 有四种部署方式:一行命令、Docker、5 美元 VPS、Modal Serverless。选错了不是「跑不起来」,而是踩进安全边界、成本曲线和运维复杂度三个坑。本文按决策、安装、配置、加固、成本、运维的顺序走一遍,每个决策点给出理由,最后给一张可以直接抄的决策速查表。
|
1月前
|
JavaScript
DSH plugin 开发教程:从环境准备、脚手架到打包上架,DSH 插件开发完整教程与新手入门流程
DeepSeek Harness(DSH)插件开发教程:从准备 Node 与 pnpm、创建插件工程、用 cordis.yml 挂载调试,到打包成 bundle 并装进 profile 验证。六步跑通第一个可安装插件。
834 0