Hermes Agent 拆解:一个号称"会自己进化"的开源 Agent
号称有"学习闭环"、能从经验里自动长出 Skill、还能跨 session 越来越懂你——是真本事还是营销话术?我把仓库拆开看了下。
仓库情况
GitHub 上 NousResearch/hermes-agent,MIT 协议,Python 写。Nous Research 维护——这家以 Hermes 模型系列出名(基于 Llama 架构的微调),现在也开始做 Agent 框架。star 数很高,社区关注度不低。
它解决什么问题
大部分 AI Agent 用完即忘。你这次告诉它你的写作偏好、代码风格、项目背景,下次开新会话它又是一张白纸。Hermes 想做的是"持久化用户模型"——不是 RAG 那种死记硬背,而是边用边学、主动沉淀,越用越懂你。
再叠加多端入口(CLI + Telegram 之类)和多种部署形态,面向的是想拿 Agent 长期陪跑、而不是一次性脚本的开发者。
它怎么工作(架构)
核心是"闭环学习"几件套:
- Skill 自动沉淀 —— Agent 跑完复杂任务后,提炼成 Skill 写进本地库
- Skill 自迭代 —— Skill 在被调用时根据反馈自我迭代
- Nudge 机制 —— 后台定期主动整理记忆
- 检索 + 回忆 —— 本地检索 + LLM 摘要做跨会话回忆
再叠一层 Honcho 做用户建模。通信层走 gateway 进程,能同时挂多个入口(CLI / Telegram / Discord / Slack 等)。部署后端支持多种(local / Docker / SSH / 容器平台 / serverless 等),休眠时计费近乎为零——这点对要长期挂着跑任务的人很关键。
具体怎么用、Skill 怎么沉淀、部署清单怎么配,建议直接看 README。
它哪里好 / 哪里不好
好的方面:
- star 数高 + MIT 协议,开放程度够
- 多模型热切换 + 多端入口是有工程量的活,不是贴个 wrapper
- Honcho 集成是真做了不是纸面——可以去看 plastic-labs/honcho 的代码
- 文档覆盖度还行,对中文读者也友好
短板:
- 依赖默认模型 provider,国内直连存疑
- 自托管要配检索、gateway、scheduler 一堆组件,新手不友好
- "自改进"机制怎么避免 Skill 污染、幻觉积累,文档里没细说
- 多种部署后端看起来很全,但每个的成熟度未必一致,没有 benchmark 量化对比
我试了下
clone 下来看仓库结构,自带一批开箱即用的 Skill 模板。装依赖、起交互界面是顺的,但配 Telegram gateway 需要 BotFather token + 公网回调,对国内网络是道墙。
Skill 自动生成逻辑在一个 curator 类的文件里——本质是任务结束后让 LLM 反思提炼成结构化模板塞进库。思路聪明,但每次跑完都要 LLM 再"回顾一遍",token 成本叠加起来不便宜。
对比 Mem0 / Zep 这类纯记忆层,Hermes 是"记忆 + Skill + 多端 + 调度"的整合方案,重得多。你要是只想解决"记住用户偏好"这一件事,Mem0 够用了;你要的是全家桶,就 Hermes。
还有一个面向 research 的卖点:提供批量轨迹生成 + 轨迹压缩,可用于训练下一代 tool-calling 模型。对做 SFT / RLHF 的团队来说,这是个能直接产出训练数据的 pipeline——这点比单纯的 Agent 框架值钱。
谁该用
适合:
- 已经在用多个 AI Agent 工具、想统一入口和长期记忆的独立开发者
- 做工具调用模型训练需要批量轨迹数据的研究者
- 有台跑长任务的 VPS 想 24h 挂着、Telegram 随时叫它的硬核玩家
不适合:
- 只想跑一次性脚本的轻度用户(杀鸡用牛刀)
- 国内无梯子环境(gateway 和默认模型都有连通性问题)
- 追求极致轻量的(Hermes 是全家桶不是单文件)
总体判断:Hermes 把"持久化用户模型"这件事往前推了一步,但工程复杂度和收益的取舍要自己掂量。如果你的场景是"Agent 陪我干半年、越用越顺手",值得花一个周末折腾;如果只是临时跑个任务,过度配置。