一天一个开源项目（第75篇）：Hermes Agent - Nous Research 开源的自我进化 AI Agent

冬奇Lab
0 阅读10分钟

引言

"The agent that grows with you."（会随你成长的 Agent）

这是「一天一个开源项目」系列的第 75 篇文章。今天介绍的项目是 Hermes Agent（GitHub）。

当前几乎所有的 AI Agent 框架都共享一个根本缺陷：无状态。每次对话结束，Agent 对这次任务学到的一切——解决问题的方法、你的偏好、成功的策略——全部归零。下次遇到相似问题，又要从头开始。

Nous Research 用 Hermes Agent 给出了一个截然不同的答案：让 Agent 真正积累经验。通过闭环技能学习系统，Hermes 在每次完成任务后自动提炼可复用的"技能"，存储到持久化记忆中；通过三层记忆架构，它记住你的偏好和习惯；通过辩证用户建模，它理解你和它之间关系的演变。

90k+ Stars，12k+ Forks，这是 AI Agent 领域目前最受关注的开源项目之一——不只是一个工具，而是一个会成长的伙伴。

你将学到什么

  • Hermes Agent 的核心理念：为什么「自我改进」是 AI Agent 的下一个临界点
  • 三层记忆架构：Session 上下文 + 持久化事实 + 程序性技能
  • 技能系统（Skills）的工作原理：从任务到可复用代码的闭环
  • 辩证用户建模：Honcho 的 12 个身份层次追踪
  • 6 种部署后端 + 多平台消息网关的架构设计

前置知识

  • 了解 AI Agent 的基本概念
  • Python 基础（可选，用于扩展开发）
  • 有使用 Claude Code / AutoGPT 等 AI 工具的经验

项目背景

项目简介

Hermes Agent 是 Nous Research 开发的自我改进型 AI Agent 框架。「Hermes」来自希腊神话中的信使之神，象征知识的传递与积累——这个命名暗示了项目的核心追求：让知识在 Agent 的使用过程中不断沉淀和传承。

项目解决的本质问题是 Agent 的「失忆症」：

传统 Agent：
  任务 A → 解决 → 结束 → 遗忘
  任务 B → 解决 → 结束 → 遗忘
  任务 N → 解决 → 结束 → 遗忘
  （无法从经验中积累）

Hermes Agent：
  任务 A → 解决 → 提炼技能 → 存储
  任务 B → 召回相关技能 → 更快解决 → 优化技能
  任务 N → 技能库更丰富 → 解决更高效
  （真正的经验积累）

关于 Nous Research

  • 定位：AI 加速器公司（The AI Accelerator Company）
  • 使命：通过开源语言模型推动 AI 技术民主化
  • 研究重点：模型架构创新、数据合成技术、微调技术、推理能力增强
  • 旗舰模型：Hermes 4（高性能工具调用 LLM）
  • GitHub 仓库数：71 个
  • 生态合作：NVIDIA NeMo、PyTorch

Nous Research 是美国开源 AI 运动中最重要的组织之一，以「开放、研究驱动」著称。Hermes Agent 是他们将模型研究能力与工程实践结合的旗舰产品。

项目数据

  • ⭐ GitHub Stars: 90,300+
  • 🍴 Forks: 12,400+
  • 📝 总提交: 4,306+
  • 🐛 Open Issues: 1,700+
  • 📦 最新版本: v0.9.0（2026 年 4 月）
  • 📄 License: MIT
  • 🤖 支持模型数: 200+

主要功能

核心差异：闭环学习系统

Hermes Agent 最根本的差异化在于技能生成的闭环：

用户交互 → Agent 完成任务
              ↓
         任务后反思（Post-task Reflection）
         "我刚才用了什么方法？这个方法可以复用吗？"
              ↓
         技能提炼与存储
         ~/.hermes/skills/task-type-xxx.skill
              ↓
         下次类似任务：召回技能 → 直接执行
              ↓
         技能使用后：优化 → 存储改进版本

这个循环让 Hermes Agent 随使用时间指数级地变得更有效率。

三层记忆架构

层级内容持久化典型示例
Session 上下文当前对话的短期记忆否"你刚才让我修改的是 config.py"
持久化事实记忆跨会话的重要知识是"用户偏好使用 TypeScript，不用 JavaScript"
程序性技能记忆可执行的任务解决方案是"部署到 staging 的步骤：1. 构建镜像 2. 推送 3. ..."

三层记忆协同工作：当遇到新任务时，Hermes 首先检索程序性技能（第三层），结合持久化事实（第二层）中的偏好信息，在当前上下文（第一层）中执行。

跨会话记忆搜索

Hermes 使用 SQLite FTS5 全文索引配合 LLM 摘要实现历史对话搜索：

  • 对话历史自动索引，支持关键词全文检索
  • LLM 对搜索结果进行语义摘要，提取最相关信息
  • Agent 周期性自我「nudge」，主动将重要信息固化到长期记忆

辩证用户建模（Honcho）

基于 Honcho 框架，Hermes 通过 12 个身份层次持续建模用户：

  • 不只记住「你是谁」（姓名、职业、偏好）
  • 还追踪「你和这个 Agent 的关系如何演变」
  • 随着交互增多，Agent 的回应方式和任务执行策略会自适应调整

40+ 内置工具

工具类别包含工具
文件操作读写、搜索、树状显示
Shell 执行命令运行、脚本执行
网络HTTP 请求、页面抓取
代码Python REPL、代码分析
数据库SQLite 操作
系统进程管理、环境信息

支持通过 MCP 服务器扩展工具集，以及 Python RPC 自定义工具接入。

多平台消息网关

单一 Gateway 进程同时桥接 7 个平台，跨平台保持对话连续性：

Telegram ──┐
Discord  ──┤
Slack    ──┤── Hermes Gateway ── Hermes Agent Core
WhatsApp ──┤
Signal   ──┤
CLI      ──┤
Email    ──┘

支持语音备忘录转录（手机发语音 → 自动转文字 → 执行任务）。

6 种部署后端

后端适用场景
Local本地笔记本日常使用
Docker容器化隔离部署
SSH远程服务器执行
Daytona无服务器弹性扩容
SingularityHPC 高性能计算 / 高安全隔离
ModalGPU 集群 / Serverless

同一工作流可以无需代码改动地在不同后端之间切换。

快速开始

# 一键安装（Linux/macOS/WSL2）
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

# 启动 CLI
hermes

# 配置 LLM 提供商（支持 200+ 模型）
hermes model

# 运行完整配置向导
hermes setup

# 启动多平台消息网关
hermes gateway

# 查看工具状态
hermes tools

开发者环境：

git clone https://github.com/NousResearch/hermes-agent.git
cd hermes-agent
uv venv venv --python 3.11 && source venv/bin/activate
uv pip install -e ".[all,dev]"
pytest tests/ -q

项目优势对比

对比维度Hermes AgentAutoGPTLangChain AgentsOpenAI Assistants
技能学习✅ 自动提炼并持久化❌❌❌
跨会话记忆✅ 三层架构有限插件依赖❌ 厂商限制
用户建模✅ 12 层辩证建模❌❌有限
多平台网关✅ 7 个平台❌❌❌
部署灵活性✅ 6 种后端中低❌ 仅云端
RL 训练集成✅ Atropos❌❌❌
开源协议MITMITMIT闭源

项目详细剖析

整体架构

┌────────────────────────────────────────────────┐
│  Gateway 层（7 个平台入口）                      │
│  Telegram / Discord / Slack / WhatsApp /        │
│  Signal / CLI / Email                           │
└───────────────────┬────────────────────────────┘
                    │
┌───────────────────▼────────────────────────────┐
│          Agent 编排核心（agent/）               │
│   工具选择 → 工具执行 → 响应生成                 │
│         ↑                  ↓                    │
│    技能召回            技能提炼                   │
└──────┬──────────────────────┬──────────────────┘
       │                      │
┌──────▼──────────┐ ┌─────────▼──────────────────┐
│  记忆系统        │ │  技能系统（skills/）         │
│  SQLite FTS5    │ │  ~/.hermes/skills/          │
│  持久化事实      │ │  agentskills.io 标准         │
│  Honcho 用户建模 │ │  跨 Agent 共享               │
└─────────────────┘ └────────────────────────────┘
       │
┌──────▼──────────────────────────────────────────┐
│  执行环境（environments/）                       │
│  Local / Docker / SSH / Daytona / Modal / ...   │
└─────────────────────────────────────────────────┘

技能系统深度解析

技能（Skill）是 Hermes Agent 最核心的技术实现，本质上是带元数据的可执行代码单元：

# 技能文件示例：~/.hermes/skills/deploy-to-staging.skill
{
  "name": "deploy-to-staging",
  "description": "将当前项目部署到 staging 环境",
  "trigger_patterns": [
    "deploy to staging",
    "push to staging",
    "staging 部署"
  ],
  "parameters": {
    "project_path": {"type": "string", "required": True},
    "environment": {"type": "string", "default": "staging"}
  },
  "steps": [
    {"tool": "shell", "command": "docker build -t {project}:{tag} ."},
    {"tool": "shell", "command": "docker push registry/{project}:{tag}"},
    {"tool": "shell", "command": "kubectl rollout restart deployment/{project}"}
  ],
  "success_rate": 0.94,
  "usage_count": 47,
  "last_optimized": "2026-04-10"
}

技能的生命周期：

1. 生成（Creation）
   Agent 完成复杂任务后 → 分析执行步骤 → 抽象为可复用模式 → 保存为 .skill 文件

2. 召回（Retrieval）
   新任务输入 → 语义匹配触发词 → 召回最相关技能 → 注入执行上下文

3. 优化（Optimization）
   技能执行后 → 记录成功/失败 → 更新成功率 → 必要时重写步骤

4. 共享（Sharing）
   通过 agentskills.io 开放标准 → 社区共享技能 → 跨 Agent 复用

FTS5 记忆检索机制

Hermes 选择 SQLite + FTS5（Full-Text Search 5）而非向量数据库，这是一个有趣的设计选择：

-- 对话历史表（带 FTS5 索引）
CREATE VIRTUAL TABLE conversation_fts USING fts5(
  content,
  speaker,
  timestamp,
  session_id
);

-- 周期性记忆固化
CREATE TABLE long_term_memory (
  id INTEGER PRIMARY KEY,
  fact TEXT NOT NULL,
  confidence REAL,
  source_session TEXT,
  created_at TIMESTAMP,
  last_reinforced TIMESTAMP
);

为什么不用向量数据库？

  • SQLite 无需额外服务，零运维成本
  • FTS5 全文搜索对精确记忆（人名、项目名）更准确
  • LLM 摘要层弥补了语义搜索的不足
  • 本地部署场景下，轻量化更重要

RL 训练集成：Tinker-Atropos

Hermes Agent 内置了与 Atropos（Nous Research 的 RL 训练框架）的集成，这是它区别于所有其他 Agent 框架的独特之处：

  • Agent 的执行轨迹自动记录为 RL 训练数据
  • 可用于训练下一代工具调用专用模型（Hermes 4 的训练数据来源之一）
  • 形成了「应用层产品 → 训练数据 → 更好的模型 → 更好的应用层产品」的飞轮效应

从 OpenClaw 迁移

Hermes Agent 提供了从 OpenClaw 的无缝迁移通道，支持导入：

  • SOUL.md 角色设定文件
  • MEMORY.md 记忆条目
  • 自定义技能库
  • API 密钥配置

项目地址与资源

官方资源

Nous Research 相关项目

  • Atropos（1k ⭐）：LLM 强化学习环境框架
  • Hermes Agent Self-Evolution（1.8k ⭐）：基于 DSPy + GEPA 的 Agent 进化系统
  • Hermes 4：旗舰工具调用语言模型

总结与展望

核心要点回顾

  1. 闭环学习：技能的自动生成→召回→优化循环，是目前开源 Agent 框架中最完整的自我改进实现
  2. 三层记忆：Session 上下文 + 持久化事实 + 程序性技能，覆盖了 AI 记忆的完整谱系
  3. 辩证用户建模：Honcho 的 12 层身份追踪，让 Agent 真正理解「你是谁」以及「你们的关系如何演变」
  4. 多平台网关：7 个平台统一接入，跨平台对话连续性是独特竞争优势
  5. RL 飞轮：应用层轨迹数据 → 训练更好的模型 → 改善应用层，Nous Research 正在构建一个自我强化的研究飞轮

适用人群

  • 个人 AI 助理构建者：想要一个随时间变得越来越了解自己的专属 AI
  • AI 工程师：研究 Agent 自我改进机制的实践者
  • 独立开发者 / 一人公司：需要跨平台统一 AI 工作流的用户
  • AI 研究人员：研究持久记忆、技能学习、用户建模的学者（Nous Research 会开放训练数据）

值得思考的问题

Hermes Agent 代表了一个 AI Agent 演进方向的预判：从「工具」到「伙伴」。工具是无状态的，用完即弃；伙伴是有记忆的，会随你成长。当 AI Agent 开始拥有「职业生涯」概念——在与特定用户的长期合作中积累技能和默契——AI 与人的关系模型将发生根本性转变。

欢迎来我的个人主页找到更多有用的知识和有趣的产品

avatar
文章
阅读
粉丝