Hermes Agent

hermes agent官网入口github:陪你成长的智能体,跨会话持久记忆能力,实现”越用越聪明”的自我进化

简介

Hermes Agent是由Nous Research于2026年2月推出的开源AI智能体框架，定位为”陪你成长的智能体”。与市面上大多数”金鱼式”的AI工具不同，Hermes Agent具备跨会话持久记忆能力，能够记住用户偏好、创建新技能并在后续任务中复用，实现”越用越聪明”的自我进化。它不是一个绑定在IDE里的代码补全工具，也不是简单的聊天机器人，而是一个部署在自己服务器上的自主智能体。核心特色是内置学习闭环：任务执行后自动评估结果，提取成功模式保存为结构化技能，并在类似场景下自动调用和优化这些技能。同时，Hermes Agent会构建持续深化的用户模型，记录任务偏好、决策历史和常见模式，让智能体越来越懂用户。项目采用MIT协议完全开源，支持本地部署保障数据隐私，用户只需支付服务器和模型费用，无需额外软件授权费。

hermes agent官网: https://hermes-agent.nousresearch.com/

hermes agent github项目地址: https://github.com/NousResearch/hermes-agent

---

Hermes Agent 深度测评：那个会自我进化的开源 AI 智能体，究竟值不值得用？

2026 年 2 月，一个 GitHub 项目悄然上线，两个月时间收获 22,000 颗 Star、超过 240 位贡献者。它没有巨额融资，没有营销团队，没有花里胡哨的落地页，只有一行简洁的 Tagline——“The agent that grows with you”。

这就是 Hermes Agent，来自 Nous Research 的开源自主 AI 智能体。

说它是今年开源 AI Agent 领域最值得认真对待的项目，并不夸张。它不是那种包了一层壳就叫 Agent 的玩意儿，也不是靠 Demo 视频博眼球的概念产品。它真正有所不同的地方，在于一个绝大多数 Agent 只是嘴上说说、从未实现的核心机制：自我进化的闭合学习循环。

---

它从哪里来

Nous Research 在 AI 社区里算是个低调的存在。他们是开发了 Hermes 系列语言模型、Nomos、Psyché 等开源大模型的实验室，长期深耕开源 LLM 生态，但在媒体曝光度上远不及 OpenAI 或 Anthropic。

Hermes Agent 是他们从模型层向应用层的一次延伸。项目由 Quesnelle 主导开发，MIT 许可证，代码完全公开，没有云端锁定，没有积分墙，自托管即可使用。

项目的起点是一个简单但尖锐的问题：为什么 AI Agent 每次启动都像刚出生的婴儿？

现有的大多数 Agent，不管底层模型有多聪明，会话一结束就把上下文清空。你昨天教会它的工作习惯、解决过的疑难问题、了解的你的偏好——全部消失。下一次还是从零开始，周而复始，毫无积累。

Nous Research 的答案是：把记忆、技能提取和用户建模三套机制深度整合进 Agent 的运行循环，让它真正能在使用过程中成长。

---

核心架构：三层自我进化机制

理解 Hermes Agent，关键是理解它的三层学习机制。这三层不是相互独立的模块，而是协同运转的闭合系统。

第一层：四维持久记忆

Hermes 的记忆系统分为四个层次，从即时到持久依次递进：

会话记忆（Session Memory） 是当前对话的上下文，这是大多数 Agent 都有的基础能力，没什么特别。

持久记忆（Persistent Memory） 才是 Hermes 开始变得不一样的地方。它使用 SQLite 数据库配合 FTS5 全文检索引擎，将用户偏好、项目背景、常用设置等信息跨会话存储。Agent 记得你喜欢用 Python 3.11，记得你的暂存服务器 IP，记得你讨厌冗余日志输出。不是靠系统提示手动注入，而是 Agent 自己归纳整理、主动存入。

技能记忆（Skill Memory） 是整个系统最有意思的一层。当 Agent 成功解决一个复杂任务时，它会把解决方案提炼成一个 Markdown 格式的技能文件，保存在 ~/.hermes/skills/ 目录下。这个技能文件记录了解决问题所用的方法、调用的工具和执行步骤。下次遇到类似问题，Agent 会检索这个技能库，直接复用已验证的解法，速度更快，成功率更高。技能遵循 agentskills.io 开放标准，可以分享给社区，也可以从社区安装。

用户模型（User Model） 是 Agent 对使用者本人的长期画像积累。工作风格、沟通偏好、常用工具链、关注领域——这些信息构成一个动态更新的个人模型文件，让 Agent 随着时间推移越来越”懂你”，而不是每次都像第一次见面。

第二层：周期性自省机制

大多数 Agent 的记忆策略是两个极端：要么把所有对话日志都存起来（导致检索噪声极大），要么干脆什么都不存（每次重头再来）。Hermes 的做法是让 Agent 自己决定什么值得保留。

在一个长时间运行的会话中，系统会定期向 Agent 发送一个内部提示，要求它回顾刚才发生的事情，评估是否有值得持久化的内容。这个”自省触发”是系统自动进行的，无需用户干预。Agent 会扫描近期活动，判断其中是否有足够通用价值的模式或信息，然后决定是否写入记忆文件。

这套机制还包含三个核心操作：hindsight_recall（回溯检索）、hindsight_retain（主动存储）和 hindsight_reflect（综合推演）。其中 hindsight_reflect 会定期对已存储的记忆做跨记录的高层次归纳，主动精炼知识，而不只是被动积累原始数据。这是最接近”真正自我改进”的一个机制。

第三层：技能进化循环

技能不只是一次性写入就完事。Agent 在复用技能解决新问题时，如果发现某个步骤有更好的做法，会更新对应的技能文件。这是一个持续精炼的过程：解决问题 → 提取技能 → 下次复用 → 遇到改进点 → 更新技能 → 再次复用。技能库随着使用时间的积累越来越精准、越来越贴合个人工作流。

有用户在实测中记录了这样的数据：安装 Hermes 两小时后，Agent 已经从分配给它的任务中自动创建了三个技能文档。使用同类研究任务时，Agent 的完成速度比初次快了 40%。没有任何人工调参，是 Agent 自己完成的。

---

工具系统：40+ 内置能力

再好的学习机制，没有工具支撑也是空谈。Hermes Agent 的工具系统覆盖范围相当广，内置 40+ 个工具，涵盖以下几个大类：

终端与系统操作：Shell 命令执行、文件系统读写操作、Git 调用。值得一提的是，Hermes 支持五种终端后端，包括本地终端、Docker 容器和 SSH 远程连接，可以根据安全需求选择隔离程度。

网络与信息获取：网页搜索、URL 内容抓取、浏览器自动化。可以做网页内容提取、表单填写、页面截图等操作。

代码执行环境：支持多语言代码执行，是 AI 辅助编程场景的基础能力。

多媒体生成：图像生成、文字转语音，适合需要内容输出的工作流场景。

子 Agent 调用：这是一个容易被低估的能力——Hermes 可以作为主 Agent 创建并调度子 Agent，实现任务拆解和并行处理的多 Agent 工作流，尽管与 CrewAI 等专门的多 Agent 框架相比，灵活度还有限制。

多平台消息网关：原生支持 Telegram、Discord、Slack、WhatsApp 作为交互渠道。一个 Agent 实例可以同时接入多个消息平台，实现统一管理。

定时任务调度：内置 cron 调度器，支持自然语言设置定时任务，无需手动编写 cron 表达式。

MCP 扩展：完整支持 Model Context Protocol（MCP），可以接入 MCP 服务器生态里的各类第三方工具和数据源，扩展性极强。

---

模型兼容性：超过 400 个模型可选

Hermes Agent 在模型支持上采用了完全开放的策略。通过 Nous Portal、OpenRouter、OpenAI 兼容端点以及本地 Ollama，Agent 可以对接的模型数量超过 400 个。

切换模型的方式极其简单：hermes model 命令即可完成，不需要修改任何应用代码。这意味着你可以根据任务类型、成本预算和隐私要求，灵活选择最合适的底层模型。用 Claude 做需要深度推理的复杂任务，用本地 Ollama 跑日常查询，两者的 Agent 行为逻辑完全一致。

对于 Nous Research 自家的 Hermes 模型系列，集成体验会更紧密，工具调用的可靠性经过专门优化。不过即便使用第三方模型，大多数核心功能也能正常工作，工具调用的成功率取决于底层模型对函数调用格式的支持程度。

---

部署与安装

安装 Hermes Agent 的门槛被刻意做得很低。一条命令即可完成安装，不需要配置复杂的环境依赖。

npm install -g hermes-agent

支持的运行环境涵盖：

• 本地直接运行：在开发者自己的机器上跑，数据完全不出本地

• 5 美元 VPS：低配服务器即可流畅运行，不依赖 GPU

• Docker 容器：适合需要隔离环境的团队部署场景

• SSH 远程：连接到远程服务器执行任务

• GPU 集群：处理计算密集型任务时可扩展到 GPU 资源

对于已经在使用 OpenClaw 的用户，Hermes 提供了一键迁移工具：hermes claw migrate 命令可以将现有 OpenClaw 的技能、记忆和配置全部迁移过来，切换成本极低。

---

实际测评体验

接下来说说真实使用感受。

上手阶段

首次安装配置约需 10-15 分钟。与商业化的无代码平台相比，Hermes 需要一定的命令行基础，但不要求任何编程能力。配置文件是标准的 JSON 格式，文档有清晰的示例，照着改就能跑起来。

第一次运行时，Agent 的能力和一般聊天工具没有明显区别。它需要时间”热身”——积累关于你的使用习惯和工作场景的数据。这是这类自进化 Agent 的共同特点：前几次使用体验平平，但随着时间积累，体验曲线是向上的。

记忆系统表现

在连续使用一周后，记忆系统的效果开始变得明显。Agent 开始在对话中主动引用过去的上下文，而不是每次都需要重新解释背景。当你提到”那个项目”时，它能准确理解指的是哪一个。这种连贯性在长期使用场景下的价值很难用单次对话来衡量，但它确实改变了人机交互的质感。

FTS5 全文检索的记忆召回速度很快，即使历史对话积累到相当数量，检索相关上下文也不会有明显延迟。

技能自动化表现

这是 Hermes 最令人印象深刻的部分。在执行了几个复杂的研究任务和代码审查任务后，检查 ~/.hermes/skills/ 目录，发现 Agent 确实已经自动生成了若干 Markdown 格式的技能文件，内容包括解决特定类型问题的步骤、使用的工具和注意事项。这些文件可读性很好，人类也能看懂并手动修改。

技能复用在重复性任务上效果最明显。同类型的代码审查任务，第二次执行时明显更快、模板化程度更高，减少了不必要的探索步骤。

工具调用稳定性

工具调用的稳定性高度依赖底层模型的函数调用能力。使用 Claude 系列或 GPT-4o 时，工具调用成功率很高，几乎没有出现工具误用或调用失败的情况。换用规模较小的本地模型时，工具调用的稳定性有所下降，偶尔会出现参数格式错误导致工具调用失败的情况。

终端操作安全性

Hermes 在终端操作上提供了沙盒模式选项，可以将执行环境限制在 Docker 容器内，避免 Agent 误操作影响宿主机系统。对于新手用户，建议从沙盒模式开始使用，逐步理解 Agent 的行为边界后再根据需要放开权限。

---

最新版本：v0.7.0 更新亮点

截至 2026 年 4 月 3 日，Hermes Agent 发布了 v0.7.0 版本，官方称之为”韧性版本”（The resilience release）。

本次更新的核心改进包括：

• 可插拔记忆提供者（Pluggable Memory Providers）：记忆后端从原来的内置 SQLite 变为可配置，支持接入外部向量数据库或自定义存储方案，给高级用户提供了更大的灵活性
• 凭证池轮换（Credential Pool Rotation）：新增 API Key 池管理功能，在多密钥场景下自动轮换，提升高负载下的稳定性
• Camofox 集成：新增对 Camofox 浏览器的支持，进一步完善浏览器自动化能力

此前的 v0.6.0 版本（2026 年 3 月末）带来了完整的 MCP 支持和类型化 SDK 工作流，是架构上的重要里程碑。v0.5.0 将 Nous Portal 的可用模型数量扩展到 400+，大幅扩展了模型选择空间。

项目目前仍处于快速迭代阶段，平均每两到三周发布一个版本，贡献者社区持续活跃。

---

五款同类产品横向对比

市面上的 AI Agent 解决方案种类繁多，但能与 Hermes Agent 形成真正竞争关系的，主要是以下五款产品。以下从多个维度进行详细对比分析。

---

1. OpenClaw

定位：个人重度用户的自托管 AI 助手

OpenClaw 是目前 GitHub 上标星最多的个人 AI Agent 项目之一，约 33.6 万颗星，遥遥领先于 Hermes 的 2.2 万颗星。两者有相当多的功能重叠，社区里经常拿它们做对比，Hermes 甚至内置了从 OpenClaw 迁移过来的工具。

架构差异：这是两者最根本的分歧。OpenClaw 是控制平面优先（Control-plane-first）的架构，一个长期运行的主进程统一管理会话、路由、工具执行和状态。Hermes 则是以 Agent 自身的执行循环为中心，控制逻辑分散在 Agent 内部。前者更像指挥中心，后者更像独立的个体。

技能管理方式：OpenClaw 的技能需要人工编写，有更高的可预测性和可审计性——你始终知道 Agent 会执行什么。Hermes 的技能由 Agent 自动生成，优势是省掉大量手动配置，劣势是需要信任 Agent 自己学到了”正确”的东西。

模型路由：OpenClaw 支持基于任务复杂度和成本的多模型路由，适合需要精细化成本控制的多 Agent 部署场景。Hermes 的模型选择是用户级配置，切换模型简单但不支持自动路由。

社区生态：OpenClaw 拥有 ClawHub 技能市场，托管超过 13,700 个社区技能，Hermes 的 agentskills.io 生态处于早期阶段，可用的社区技能数量差距明显。

适用场景：OpenClaw 适合需要可预测、可审计行为的团队，以及需要跨多渠道部署 Agent 的场景。Hermes 适合希望减少手动配置、让 Agent 在特定工作流上自我优化的个人用户。

---

2. CrewAI

定位：构建多智能体系统的开发者框架

CrewAI 是 GitHub 上标星约 4.6 万的 Python Agent 框架，MIT 许可证，面向需要构建自定义多 Agent 系统的开发团队。

多 Agent 协作：这是 CrewAI 的核心优势，也是 Hermes 目前相对薄弱的地方。CrewAI 提供两种协作模式：用于自主 Agent 协同的 Crews 和用于确定性编排的 Flows，支持复杂的 Agent 间任务委派、并行执行和结果汇总。Hermes 虽然支持子 Agent 调用，但在多 Agent 编排的深度和灵活性上仍有差距。

开发者体验：CrewAI 是纯 Python 框架，提供丰富的 API 和文档，开发者可以精确控制 Agent 的行为逻辑。Hermes 则更偏向”开箱即用”的使用体验，牺牲了一部分细粒度控制权换取使用便利性。

安全隔离：CrewAI 的 Agent 在 Python 进程中直接运行，没有沙盒隔离，工具执行的安全边界需要开发者自行控制。Hermes 内置多种终端后端，支持 Docker 沙盒，在安全性上更有保障。

学习进化能力：CrewAI 本身没有自我进化机制，Agent 的能力由代码定义，不会因使用积累而自动改变。这是与 Hermes 最大的本质区别。

适用场景：CrewAI 适合需要构建复杂多 Agent 流水线、对 Agent 行为有精确控制需求的开发团队。Hermes 适合个人用户和需要快速部署的小团队场景。

---

3. Paperclip

定位：构建 AI 驱动型组织的基础设施

Paperclip 是本次对比中最具野心也最”重型”的项目，GitHub 标星约 3.3 万，主打 AI 组织架构而非单一 Agent。

核心理念：Paperclip 不是在构建一个 Agent 或一个工作流，而是在模拟一个完整的组织架构——CEO Agent 委派任务给 VP Agent，VP Agent 再分配给执行 Agent。整个系统像一家公司在运转，而不是一个助理在帮你干活。

规模差距：在个人使用场景下，Paperclip 的组织架构模型显得过于笨重。它的价值在多人团队和复杂业务流程场景下才能充分体现。相比之下，Hermes 更轻量，部署成本更低，适合单人到小团队规模。

自我进化能力：Paperclip 目前不具备类似 Hermes 的自学习技能提取机制，Agent 的能力由配置决定，相对固定。

文档和成熟度：Paperclip 被评价为”仍处于早期和粗糙阶段”，文档完善程度和社区支持不如 Hermes。

适用场景：Paperclip 适合技术团队构建内部 AI 运营层，实现跨部门的 AI 自动化协作。Hermes 适合个人生产力场景和轻量级团队协作。

---

4. Lindy AI

定位：面向非技术用户的无代码工作流自动化平台

Lindy 是商业化产品，创始人 Flo Crivello 曾是 Uber 产品经理，公司已融资近 5000 万美元，用户规模约 4 万人。

使用门槛：Lindy 是本次对比中对非技术用户最友好的选项，提供可视化工作流编辑器，不需要任何命令行操作。相比之下，Hermes 需要基本的命令行能力，对完全没有技术背景的用户有一定门槛。

执行可靠性：Lindy 将 AI 与传统确定性工作流结合——只在真正需要模糊判断的地方使用 LLM，其余逻辑由传统软件执行。这让工作流的可靠性更高，但也意味着更有限的自主性。

数据主权：Lindy 是托管服务，数据存储在 Lindy 的服务器上。Hermes 完全自托管，数据不离本地，对数据隐私有严格要求的用户只有一个选择。

计费模式：Lindy 使用积分制，用户对账单不可预测的投诉占据其评价平台主导，Trustpilot 评分仅 2.4/5。Hermes 完全免费，零边际成本，没有任何隐性费用。

学习进化能力：Lindy 没有 Agent 层面的自我进化机制，工作流的更新和优化需要用户手动进行。

适用场景：Lindy 适合需要快速搭建自动化工作流但不想写代码的非技术用户，尤其是销售和运营场景。Hermes 适合愿意花一点时间做初始配置、寻求长期价值积累的技术用户。

---

5. TeamDay

定位：带沙盒执行环境的托管 AI 员工平台

TeamDay 是本次对比中定位最独特的产品——它试图兼顾托管平台的易用性和开源框架的执行能力，为每个 AI Agent 提供独立的 Docker 容器，配备真实的文件系统、代码执行能力和 CLI 工具。

沙盒执行：这是 TeamDay 相对于其他商业平台的核心差异化。大多数托管 AI 助手只能做聊天和表单操作，TeamDay 的 Agent 可以真正运行代码、操作文件系统，接近 CrewAI 或 Hermes 这类开源框架能提供的执行能力，同时保留了托管平台免运维的优势。

持久项目环境：TeamDay 的 Spaces（持久化项目环境）让 Agent 在多次执行之间维持上下文，Missions（定时任务）支持周期性自动化。这在商业平台中相对少见。

学习进化能力：TeamDay 目前不支持从历史交互中自动学习，Agent 能力不会随使用积累而自动改进，这与 Hermes 的核心机制形成鲜明对比。

成本模式：TeamDay 采用订阅制，成本可预期，没有积分带来的账单惊喜。Hermes 完全免费，但需要自行承担服务器和模型调用费用。

适用场景：TeamDay 适合需要 Agent 真正执行代码但不想管理自托管基础设施的团队，尤其是中小企业技术团队。Hermes 适合有一定技术能力、追求零成本和完全数据主权的用户。

---

五款产品横向对比速览

维度	Hermes Agent	OpenClaw	CrewAI	Lindy AI	TeamDay
自我进化能力	✅ 自动技能提取	❌ 手动技能编写	❌	❌	❌
部署方式	自托管	自托管	自托管	云端托管	云端托管
使用门槛	中（CLI）	中（CLI）	高（Python）	低（无代码）	低（无代码）
数据主权	✅ 完全本地	✅ 完全本地	✅ 本地	❌ 云端	❌ 云端
多 Agent 协作	有限	有限	✅ 强	✅ 工作流	部分
代码执行沙盒	✅ Docker 支持	✅ 支持	❌ 无隔离	❌	✅ Docker
MCP 支持	✅	✅	✅	❌	✅
定时任务	✅ 内置 cron	需配置	需扩展	✅	✅
消息平台集成	Telegram/Discord/Slack/WhatsApp	多平台	需自开发	有限	Slack
可用模型数量	400+	多	多	有限	有限
社区技能库	agentskills.io（早期）	ClawHub（13700+）	无	无	无
费用	完全免费	完全免费	框架免费	订阅制	订阅制
GitHub 星数	22,000+	336,000+	46,000+	—	—

---

谁应该用 Hermes Agent

明确了产品特性之后，谁最适合使用 Hermes Agent 就很清晰了。

最适合使用的场景和人群：

• 有技术背景的个人开发者：需要一个长期陪伴的 AI 助手，不介意花时间做初始配置，希望 Agent 随着使用积累变得越来越”私人定制化”
• 重度重复性工作流用户：代码审查、技术文档编写、研究调研、数据处理——越是高重复度的任务，Hermes 的技能积累效果越明显
• 对数据隐私有严格要求的用户：所有数据留在本地，不经过任何第三方服务器，这一点没有妥协空间
• 希望零成本运行 AI 助手的团队：配合 Ollama 本地模型，可以实现接近零成本的完整 Agent 能力
• 希望跨多个消息平台统一管理 AI 助手的用户：Telegram、Discord、Slack、WhatsApp 原生支持，一个 Agent 实例多平台可用

不太适合的场景：

• 需要精细多 Agent 编排、构建复杂 Agent 流水线的场景（CrewAI 更合适）
• 完全没有命令行经验、希望点击几下就能用起来的用户（Lindy 或 Sintra 更合适）
• 需要严格可预测、可审计 Agent 行为的企业合规场景（OpenClaw 手动技能模式更合适）

---

几个值得关注的实际问题

使用了一段时间之后，有几个问题需要如实说清楚，不然是对读者的不诚实。

技能自动生成的质量问题。Agent 生成的技能文件质量差异较大。对于步骤清晰的任务，生成的技能准确且有复用价值。对于依赖大量上下文的复杂任务，生成的技能往往过于泛化，实际复用价值有限。目前没有内置的技能质量评估机制，需要用户定期手动检查和清理低质量技能。

文档仍然薄弱。这是 2026 年 4 月目前公认的短板。项目发展速度很快，官方文档的更新节奏跟不上功能迭代速度，部分高级功能只能靠翻 GitHub Issues 和社区讨论来找答案。对于希望深度定制的用户，这个问题会比较明显。

社区生态仍处于早期。agentskills.io 上的社区技能数量与 OpenClaw 的 ClawHub 差距悬殊，如果你希望直接安装别人写好的现成技能，OpenClaw 目前的选择多得多。

小型本地模型的工具调用稳定性。如果你希望完全离线运行，依赖小型本地模型，工具调用的成功率会有所下降。这不完全是 Hermes 的问题，也受限于小型模型本身的函数调用能力，但值得在选型前评估一下你的离线使用场景。

---

关于 Hermes Agent 的更大意义

抛开产品层面的对比，Hermes Agent 真正有意思的地方，在于它在整个 AI Agent 行业里所代表的一种方向。

当前大多数 AI Agent 产品，无论商业化程度多高，都面临同一个根本性局限：Agent 是静态的。它能做的事情由部署时的配置决定，不会因为你用了三个月而有任何本质变化。本质上，你在付钱使用一个不会成长的服务。

Hermes 提出的问题是：能不能让 Agent 的能力曲线随使用时间持续向上？不是靠模型升级，而是靠 Agent 自身的经验积累？

这个方向上的技术探索才刚刚开始。Hermes 的现有实现还很粗糙，自动生成的技能质量参差不齐，长期记忆的精准度仍有提升空间，文档和社区生态距离成熟还有相当距离。但它开创的这个学习循环模式——解决、提取、记忆、复用——指向的是一种可能真正实现”越用越好用”的 Agent 架构。

目前市面上绝大多数商业 AI Agent 平台，包括那些融资数千万美元的产品，都还没有真正实现这种机制。开源项目反而走在了前面。

这种格局不会永远持续，商业平台终将跟进。但在此之前，Hermes Agent 代表的是：一个在技术上走在正确方向上的开源项目，免费、开放、完全属于你自己的基础设施上运行的 AI 助手，以及一种关于 AI Agent 未来应该如何工作的具体回答。

值不值得花时间了解？当然值得。