开源模型

Hermes Agent 深度解析：为什么它能“越用越懂你”？

2026 年 5 月 16 日

Hermes Agent如何通过自我复盘实现“越用越懂你”？一个开源项目如何让智能体真正沉淀经验、持续进化？核心内容： 1. 传统智能体无状态设计的核心痛点 2. Hermes Agent的学习回路与技能沉淀机制 3. 开源社区的真实采用与项目长期价值

15w+ Stars。每天 200+ 条 Issue。一个社区自发整理的"橙皮书"。

这不是某家大厂发布会的配套声量，是一个叫 Hermes Agent 的开源项目，在 2026 年 2 月横空出世后，自己滚起来的。

我最开始没太当回事。开源 Agent 项目每个月都有几个，GitHub Trending 刷一刷，热闹三天就散。但这个不一样——它在 Trending 上待了整整两周，然后安静下来，却没有消失。那些 Star 还在持续增加，社区里的讨论越来越具体、越来越技术，不像追风，倒像是真的在用。

于是我认真研究了一下。

先说一个真实的问题

你有没有遇到过这种情况：

花了半个小时跟 AI 把项目背景讲清楚，下次打开，又要从头来一遍。你告诉它你不喜欢代码里加过多注释，它点头答应，下一个任务又给你加了一堆。你教它用某种格式输出结果，有效一次，第二天失效。

这不是你的问题，也不是模型不够聪明。是结构性的：绝大多数 Agent 的设计，本质上是无状态的。它们没有学习的地方——每次对话结束，经验就清空。用三个月和用三天，没有区别。

Hermes 想解决的，正是这件事。

Hermes 是谁造的

Hermes Agent 由 Nous Research 开发，2026 年 2 月正式开源。

Nous Research 这个名字，做 AI 的人不陌生。他们是开源社区里最重要的微调研究组织之一，Hermes 语言模型系列（Hermes 1 → 2 → 2 Pro → 3）在开发者圈子里有很高的口碑——尤其是工具调用能力和指令遵循性上，长期是开源模型的标杆之一。

Hermes Agent 是他们把这些年积累的东西，往前走了一步：从语言模型，到一个能跑在你服务器上、持续运行、持续学习的智能体系统。

官方对它的定位很直接："An autonomous agent that lives on your server, remembers what it learns, and gets more capable the longer it runs."——住在你服务器上，记住它学到的东西，跑得越久，能力越强。

它到底做了什么不一样的事

大多数 Agent 的工作流程是：接收指令 → 调用工具 → 返回结果。这个循环里没有学习，没有沉淀，能力是水平线。

Hermes 在这个循环外面，加了一个外环。

学习回路：它会主动"复盘"

每完成一批任务，Hermes 会触发一次自我评估：这次执行有没有走弯路？有没有调用了根本没用的工具？中间有没有报错、然后用低效的方式绕过去？

评估结果不会丢掉。如果这次找到了一个好的解法，它会自动把这个解法整理成一份技能文件（Skill），写进 ~/.hermes/skills/ 目录下，格式是 Markdown，遵循 agentskills.io 标准——人可读，也可以手动编辑或删除。

下次遇到类似任务，Hermes 会先检索本地技能库，看有没有现成的解法可以复用，而不是从零开始摸索。

有一个社区里流传的案例：第一周处理同类任务需要 25 次工具调用，第六周缩短到 8–10 次。减少的那些调用，是它自己省掉的——因为它记住了哪些步骤是多余的。

这个机制背后的技术是 DSPy + GEPA（Genetic Evolution of Prompt Architectures，ICLR 2026 Oral）。它不是在训练模型，而是在自动进化技能描述、工具说明和系统提示词。每次优化的运行成本在 2–10 美元，不需要 GPU。

记忆系统：五层，不是一个文本文件

很多 Agent 的"记忆"，不过是把对话历史存成一个文本，下次塞进上下文。这个方案在任务简单时还行，任务一复杂，Token 爆了，或者找不到关键信息。

Hermes 的记忆是分层的：

第一层，短期记忆。管理当前对话的上下文，支持自动压缩。渐进式披露的设计——技能文件默认只加载摘要，需要用到再展开完整内容，不会一次性把 Token 撑爆。

第二层，情景记忆。用 SQLite + FTS5 全文索引存储历史交互。关键是，它不是直接把旧对话塞进新对话——而是先用 LLM 做摘要，再注入。这样既能找到"上次那件事是怎么处理的"，又不会让上下文失控膨胀。

第三层，持久化核心记忆。USER.md 和 MEMORY.md 两个文件，记录你的偏好、常用环境、项目背景。这些信息跨会话保留，哪怕重启、换设备也在。

第四层，程序性技能记忆。就是前面说的 Skill 文件。新任务进来，先搜这里。

第五层，Honcho 用户建模（可选）。这层比较有意思——它集成了 Honcho，通过辩证推理机制，在你和它的长期交互中，逐渐推导出你的工作风格和思维模式，形成用户画像。你不需要显式配置，它自己在跑。

跟 OpenClaw 有什么不同

这个问题被问得很多。两个项目都火，有时候社区里争得挺激烈。

我觉得，从设计哲学上，它们不是同一类东西。

OpenClaw 的核心是"连接"。它像一个万能网关，接入几百个工具和服务，把各种能力整合进来。它的强项是广度——你需要一个能调用什么都能调的系统，OpenClaw 很顺手。

Hermes 的核心是"进化"。它不是要接最多的工具，而是要把你用过的工具用得越来越好，把重复的工作路径固化成技能，把你的偏好沉淀成记忆。它的强项是深度——你需要一个真正了解你工作方式的系统，Hermes 更适合。

几个具体的差异值得提一下：

自进化能力。 Hermes 原生支持技能自动生成和迭代，这是架构层面的设计；OpenClaw 的技能依赖人工编写或从社区下载，没有自动进化机制。

记忆机制。 Hermes 有主动的周期性记忆保存，前面讲的五层都是系统内建的；OpenClaw 主要依靠模型自主判断要不要记，容易丢失。

安全性。 Hermes 内建了容器隔离、MCP 凭证过滤、Tirith 预执行扫描等多层防线，v0.5.0 还做了一次完整的供应链审计；OpenClaw 的插件生态复杂，历史上出现过安全隐患，这是已知的缺陷。

本地模型支持。 Hermes 对 Ollama 的支持更原生，配置也更灵活；这对想在本地跑模型、不依赖云端 API 的开发者来说，是实质性的差别。

结论不是谁更好，而是场景不同。单次任务、需要调用大量外部工具，OpenClaw 没有问题。规律性的、重复性的、需要长期积累的复杂工作，Hermes 会越来越顺手。

它能用在哪里

开发者场景是 Hermes 目前最成熟的用法。让它跑在你的服务器上，持续做 Code Review、生成接口文档、处理 Bug 单——这些任务高度重复，正好是学习回路能发挥价值的地方。跑了一个月之后，它对你的项目结构、命名习惯、常见问题的熟悉程度，会明显超过一个刚接手的新同事。

个人效率场景也有意思。在 Telegram 上给它发消息，它在云端的 VPS 上执行——不依赖你的电脑，不占你的本地算力，脱机也能跑定时任务。有人用它做每日简报：定时抓取几个数据源，整理成固定格式，早上推送到手机。跑了几周之后，它已经学会了你喜欢的格式和关注的维度，不需要再反复说明。

知识沉淀场景是被低估的一个。把它接入团队的文档系统，每次技术讨论结束让它整理成结构化的笔记，积累下来就是一个真正活的知识库——不是那种写了就没人看的 Confluence，而是下次遇到类似问题时会被检索到、被复用的东西。

怎么跑起来

Linux / macOS / WSL2 都支持，一行命令安装：

bash

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

Android 通过 Termux 也支持，Windows 原生暂不支持。

模型这边，支持 Nous Portal（400+ 模型，含免费的 MiMo v2 Pro）、OpenRouter（200+ 模型）、OpenAI、Anthropic、Google AI Studio，以及本地的 Ollama。切换模型不需要改代码，/model 命令就行，现在还支持在对话过程中实时切换。

六种执行后端：本地、Docker、SSH、Daytona、Singularity、Modal。其中 Daytona 和 Modal 支持无服务器持久化——Agent 的环境闲置时自动休眠，有任务时唤醒，5 美元 VPS 就能跑，空闲时几乎不产生费用。

有哪些问题没有解决

说了这么多好的，也要说清楚它目前的局限。

冷启动成本真实存在。刚开始用的前两周，Hermes 和其他 Agent 没有太大区别。技能库是空的，用户画像是空的，学习回路还没有积累足够的数据。如果你只用它处理一次性任务，感受不到它的优势。它的价值在时间里，不在第一天。

技能文件需要你去审查。自动生成的技能不总是对的。有时候它会把一个"绕过错误"的笨方法固化成技能，如果你不检查，这个坏习惯会一直沿用下去。这不是设计缺陷，但确实需要用户承担一部分管理责任。

复杂推理仍是短板。这不是 Hermes Agent 独有的问题——它依赖的底层模型决定了推理上限。在需要多步数学推导或高度抽象逻辑的任务上，和 DeepSeek-R1 这类专项推理模型相比，差距还在。

社区维护模式的可持续性是未知数。 Nous Research 没有商业产品支撑这个项目，靠的是社区驱动。目前贡献者超过 1900 人，活跃度很高——但这种模式能否在几年后保持，很难预判。

写在最后

我见过太多"颠覆性"的 AI 工具，发布一周，讨论三天，然后慢慢消失在书签里。

Hermes 让我觉得不太一样的地方，不是功能列表有多长，而是它在解决一个真实的、结构性的问题：我们跟 AI 工具的关系，不应该是每次都从零开始的陌生人。

大多数工具把"智能"当成一个固定的参数——出厂设置，终身不变。Hermes 想把"智能"变成一个变量，随着你使用的时间，随着它积累的经验，缓慢但持续地增长。

你用它的第一天，它什么都不知道你。你用它的第一年，它比任何同事都更了解你的工作方式。

这是一种不同的竞争逻辑——不比谁开局更强，比谁越用越值。

文章看完了，你觉得你要开发智能体，有哪些可以抄作业的？

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

Hermes Agent 深度解析：为什么它能“越用越懂你”？

立即咨询 JOTO

想把这些做法用到你的业务里?

开启企业级 AI 落地

填写需求单