Hermes Agent：当 AI Agent 开始自己长大

引言

你有没有想过，为什么你的 AI 助手永远是那个样子？

不管用多久，它还是那个能力边界固定的工具。你教它新东西，它学会了——但下次见面，它还是那个它，没有真的「长进」。

Hermes Agent 想做的是：让 AI 自己学会新技能，然后真的记住、真的进化。

不是每次从零开始教，而是像人一样，在一次次的任务中积累经验，慢慢变强。

这是 Nous Research（就是那个搞了 Nous Chat、Hermes 系列模型的团队）开源的一个项目。86.9k+ stars，在 AI Agent 圈子里已经不算小众了。

---

核心思路：自进化

Hermes 的野心很明确——做一个能自己长大的 Agent 框架。

不是静态的技能集合，而是动态的能力生长。这里有三个关键机制：

1. Skill 自动进化

传统做法：你写死一堆工具函数，Agent 只能在这些预设能力里打转。

Hermes 做法：

• 运行时静默生成：Agent 发现搞不定某个任务时，会自己写一个新 skill 来解决问题
• 离线 GEPA 进化：定期用遗传算法优化现有 skill，让它们更高效、更稳定

简单说：它不仅会调用工具，还会发明工具。

2. 主动记忆管理

OpenClaw 的记忆是被动的——你聊得多了，系统会在压缩上下文前存档到文件。

Hermes 的记忆是主动的：

• 每 15 轮对话强制一次「反思」，把对话中的洞察写入长期记忆
• 使用 SQLite FTS5 全文检索，找记忆像搜索引擎一样快
• 可选集成 Honcho，做深度用户建模（你是什么样的人、什么决策模式）

3. 全平台覆盖

• 网关层：Telegram、Discord、Slack、WhatsApp、Signal… 20+ 平台
• 终端层：本地、Docker、SSH、Daytona、Modal、AWS Lambda 六种运行环境

想在哪跑就在哪跑，想连什么平台就连什么平台。

---

技术实现细节

GEPA：遗传-帕累托提示进化

这是 Hermes 的核心算法。

• 遗传：把 skill 的 prompt 当成「基因」，通过变异、交叉产生新变体
• 帕累托：不只优化一个指标，而是同时追求准确率、速度、成本等多个目标的最优平衡
• 进化：多轮迭代后，自动筛选出表现最好的 skill 版本

听起来很玄，但实现上用了 DSPy 框架，代码其实挺干净。

四层渐进式 Skill 加载

Hermes 的 skill 系统分四层：

1. Core：框架自带的基础能力
2. Community：社区共享的 skill 库
3. Personal：用户自己写的 skill
4. Evolved：Agent 自己生成的 skill（进化出来的）

加载顺序是 1→2→3→4，后加载的会覆盖前加载的同名 skill。这意味着你可以随时覆盖、随时定制。

SQLite + FTS5

记忆存储用 SQLite，查询用 FTS5 全文检索。

不追求向量数据库的语义相似度，而是追求精确、快速、可解释的关键词搜索。配合主动反思机制，记忆是结构化的、有明确来源的。

---

与 OpenClaw 的关键差异

我是 OpenClaw 的重度用户，所以对比这两个项目，感觉特别有意思。

维度	Hermes Agent	OpenClaw
Skill 系统	自动静默生成 + GEPA 进化	手动创建，需人审核
记忆触发	主动高频写入（每15轮反思）	被动压缩前存档
用户建模	可选 Honcho 深度建模	长期偏好文件
干预程度	替用户做决定	让用户掌控

Skill：自动生成 vs 人工创建

Hermes 会在你发现搞不定的时候，默默写一个 skill 出来。这个很酷，但也有风险——它写的代码你根本不知道干了什么。

OpenClaw 的 skill 需要人写、人审、人装。慢是慢了点，但你知道每个工具在干什么。

我的判断：日常任务让 Hermes 自己进化，核心流程用 OpenClaw 的人工 skill。这是互补，不是替代。

记忆：主动 vs 被动

Hermes 的 15 轮强制反思，有点像 Google 那个 Always-On Memory Agent。它会主动整理、主动连接信息。

OpenClaw 是「你聊多了，我存档」。更被动，但也更可控——你不会担心 AI 把你的某句话误解成指令然后到处执行。

干预：替你决定 vs 让你掌控

这是哲学层面的差异。

Hermes 的理念是：Agent 应该足够聪明，替你做完决策。你相信它，让它跑。

OpenClaw 的理念是：Agent 帮你执行，但决策权在你。每一步它都会问，重要操作需要你确认。

没有对错，只有场景。

• 周末整理周报？让 Hermes 自己跑，不用管。
• 修改线上数据库？必须 OpenClaw，每一步都要确认。

---

适用场景分析

适合用 Hermes 的场景

• 日常重复任务：周报汇总、天气查询、文件整理
• 个人自动化：自动回复消息、智能提醒、内容推荐
• 探索性工作：你需要 Agent 自己发现方法，而不是按预设流程走

不适合的场景

• 核心合同审查：自动生成的 skill 可能忽略关键条款
• 底层代码审计：AI 自己写的工具来审计代码？递归风险太大
• 复杂财务模型：涉及钱的，每一步都需要人类确认

一句话总结：Hermes 适合「错了也没关系」的任务，OpenClaw 适合「错了代价很大」的任务。

---

快速开始

git clone https://github.com/NousResearch/hermes-agent.git
cd hermes-agent
pip install -r requirements.txt

# 配置环境变量
export OPENAI_API_KEY="your-key"
# 或 Anthropic、Gemini、本地模型...

# 运行
python main.py

会启动一个交互式会话，你可以直接开始对话。随着使用，它会慢慢「长出」新的技能。

---

一些吐槽

文档确实不够

86.9k stars 的项目，README 写得像 100 stars 的。很多细节得翻代码才能懂。

Skill 进化需要时间

不是立竿见影的效果。你需要真的用它跑几十轮任务，才能看到进化出来的 skill。急性子可能觉得「就这？」

Honcho 集成是可选的

深度用户建模需要额外配置 Honcho，默认是不开的。这意味着开箱即用的 Hermes 其实没那么「懂你」。

---

结论

Hermes Agent 代表了一种方向：AI 不应该只是工具，而应该是能自主进化的助手。

它的自进化机制、主动记忆管理、全平台覆盖，都是很有想象力的设计。

但现阶段，它更适合作为 OpenClaw 的补充，而不是替代：

• 用 Hermes 处理日常、低风险的自动化任务
• 用 OpenClaw 处理需要严格控制、人类确认的核心任务

两个生态都在快速演进。Hermes 的 GEPA 算法可能会催生下一代 skill 市场，而 OpenClaw 的人工审核机制依然是企业级应用的标配。

未来可能是两者的融合：自动生成的技能先经过人类审核，再进入生产环境。这样既保留了进化的可能性，又守住了安全的底线。

---

链接

• 🐙 GitHub: https://github.com/NousResearch/hermes-agent
• 🌟 Stars: 86.9k+
• 🏢 开发团队: Nous Research
• 📄 许可证: MIT
• 🔧 技术栈: DSPy + SQLite FTS5 + GEPA 算法

---

本文是一次技术观察记录。Hermes Agent 的设计思想值得所有 Agent 框架开发者关注。