號稱有「學習閉環」、能從過往經驗自動提煉出 Skill、還能跨 session 越來越懂使用者——是真功夫還是行銷話術?我把整個倉庫翻過一遍了。
倉庫基本資訊
GitHub 上 NousResearch/hermes-agent,MIT 授權,Python 寫成。由 Nous Research 維護——這家以 Hermes 模型系列(基於 Llama 架構微調)聞名,現在也開始往 Agent 框架領域佈局。star 數不低,社群討論度也算活躍。
它想解決什麼問題
多數 AI Agent 用完就忘。這次告訴它你的寫作風格、coding 習慣、專案背景,下次開新 session 它又是一張白紙。Hermes 想做的是「持久化使用者模型」——不是 RAG 那種死記硬背,而是邊用邊學、主動沉澱,越用越貼近你的需求。
再疊加多端入口(CLI + Telegram 之類)和多元部署形態,目標客群是想讓 Agent 長期陪跑、而非跑一次性腳本的開發者。
運作原理(架構拆解)
核心是「閉環學習」幾個關鍵機制:
- Skill 自動沉澱 —— Agent 跑完複雜任務後,把經驗提煉成 Skill 寫進本地庫
- Skill 自迭代 —— Skill 在被呼叫時根據反饋自我更新
- Nudge 機制 —— 背景程序定期主動整理記憶
- 檢索 + 回憶 —— 本地檢索搭配 LLM 摘要做跨 session 回憶
外層再包一層 Honcho 做使用者建模。通訊層走 gateway 行程,可同時掛多個入口(CLI / Telegram / Discord / Slack 等)。部署後端支援多種形態(local / Docker / SSH / 容器平台 / serverless 等),休眠時費用近乎為零——這對要長期掛著跑任務的人來說是關鍵優勢。
具體使用方式、Skill 怎麼沉澱、部署清單怎麼配,建議直接看 README。
亮點與短板
做得好的部分:
- star 數高 + MIT 授權,開放程度夠
- 多模型熱切換 + 多端入口是有工程份量的活,不是貼個 wrapper 交差
- Honcho 整合是真的有做不是紙上談兵——可以去看 plastic-labs/honcho 的程式碼驗證
- 文件覆蓋度還行,對中文使用者也算友善
明顯的短板:
- 預設依賴特定模型 provider,國內直連有疑慮
- 自架需要同時配置檢索、gateway、scheduler 等多個元件,新手門檻高
- 「自改進」機制如何避免 Skill 污染、幻覺累積,文件中沒詳細說明
- 多種部署後端看起來齊全,但每個的成熟度未必一致,也沒有 benchmark 量化比較
實際動手試了試
clone 下來看倉庫結構,內建一批開箱即用的 Skill 模板。安裝依賴、啟動互動介面流程順暢,但配 Telegram gateway 需要 BotFather token + 公網回呼,對國內網路環境是道高牆。
Skill 自動生成邏輯寫在一個 curator 類的檔案裡——本質上是任務結束後讓 LLM 反思、提煉成結構化模板塞進庫。思路聰明,但每次跑完都要 LLM 再「回顧一遍」,token 成本長期累積下來不便宜。
對比 Mem0 / Zep 這類純記憶層方案,Hermes 是「記憶 + Skill + 多端 + 排程」的整合方案,重量級得多。如果你只想解決「記住使用者偏好」這一件事,Mem0 就夠了;你要的是全家桶,那就上 Hermes。
另外有一個面向研究的賣點:提供批次軌跡生成 + 軌跡壓縮,可用於訓練下一代 tool-calling 模型。對做 SFT / RLHF 的團隊而言,這是個能直接產出訓練資料的 pipeline——這點比單純的 Agent 框架更有價值。
誰適合用、誰不適合
適合族群:
- 已經在用多套 AI Agent 工具、想統一入口並加上長期記憶的獨立開發者
- 做工具呼叫模型訓練、需要批次軌跡資料的研究者
- 手上有台跑長任務的 VPS、想 24h 掛著、Telegram 隨叫隨到的硬核玩家
不適合族群:
- 只想跑一次性腳本的輕度使用者(殺雞用牛刀)
- 國內無梯子環境(gateway 和預設模型都有連通性問題)
- 追求極致輕量的(Hermes 是全家桶不是單檔腳本)
整體判斷:Hermes 把「持久化使用者模型」這件事往前推了一步,但工程複雜度和收益的取捨要自己衡量。如果你的情境是「Agent 陪我做半年、越用越順手」,值得花一個週末折騰;如果只是臨時跑個任務,就是過度配置了。