大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



36,618 stars、GitHub Trending 第一、MIT 协议开源——Nous Research 用 Hermes Agent 重新定义了什么叫「会学习的 AI」。这不是另一个 Cursor 或 Claude Code，而是一个真正拥有「记忆闭环」和「自主进化」能力的通用 AI Agent。它能从对话中创建技能、从错误中自我修正、在多平台间无缝切换——甚至能从 OpenClaw 完整迁移你的所有配置。本文从架构设计、记忆系统、技能生态、工具生态、跨平台网关五个维度，深度解析这个 2026 年最值得关注的开源 AI Agent 项目。

过去两年，AI Agent 赛道经历了三次范式迁移：

第一阶段（2023-2024）：单轮问答增强。 以 Claude Code、Cursor 为代表，通过增强上下文让 AI 完成代码生成任务。但本质仍是「每会话独立」——AI 不知道你是谁、不知道上次修过什么 bug、不知道你偏好什么编程风格。

第二阶段（2024-2025）：工具集成竞赛。 MCP（Model Context Protocol）协议横空出世，解决了「AI 怎么调用外部工具」的问题。各大平台疯狂接入工具生态。但工具再多，Agent 仍然是「金鱼记忆」——每次会话都是白纸。

第三阶段（2025-2026）：记忆与进化闭环。 代表项目有两个：OpenClaw 和 Hermes Agent。两者都意识到，真正的 AI Agent 不应该只是「更聪明的对话窗口」，而应该是一个「持续积累经验、主动优化自身」的数字化员工。

Hermes Agent 的独特价值在于：它是目前唯一一个将「自进化学习循环」作为一等公民（first-class citizen）设计的开源 Agent。与 OpenClaw 强调会话和插件生态不同，Hermes 的核心差异化在于自主创建技能（Agent-created skills）和跨会话记忆持久化，让 AI 的能力边界能够随着使用时长不断扩展。

Hermes Agent 的架构设计体现了「一次编写、处处可用」的原则。整个系统有三个入口点：

┌─────────────────────────────────────────────┐ │ Entry Points │ │ │ │ CLI (cli.py) → 交互式终端界面 │ │ Gateway (gateway/run.py) → 消息网关，14平台 │ │ ACP (acp_adapter/) → IDE 集成（VS Code等） │ └─────────────────────────────────────────────┘ 

CLI 入口（约 8,500 行代码）：完整的 TUI 界面，支持多行编辑、斜杠命令自动完成、对话历史、流式工具输出。启动后是一个持久的交互式会话，Ctrl+C 可以随时中断重定向。

Gateway 入口：长驻进程，将 Hermes 暴露为 Telegram、Discord、Slack、WhatsApp、Signal、Email 等 14 个消息平台的服务端。用户可以在手机上用 Telegram 和自己的 Agent 对话，而 Agent 实际运行在云端 VPS。

ACP 入口：通过 stdio/JSON-RPC 协议与 VS Code、Zed、JetBrains 等编辑器集成。相当于把这些 IDE 变成 Hermes 的「前端界面」。

所有入口最终都汇聚到 AIAgent（run_agent.py，约 9,200 行代码），这是整个系统的核心：

User input → HermesCLI.process_input() → AIAgent.run_conversation() → prompt_builder.build_system_prompt() → runtime_provider.resolve_runtime_provider() → API call (chat_completions / codex_responses / anthropic_messages) → tool_calls? → model_tools.handle_function_call() → loop → final response → display → save to SessionDB 

三 API 模式：Hermes 支持三种 LLM API 调用方式：

• chat_completions：OpenAI 风格接口
• codex_responses：Anthropic 的 Codex 响应格式
• anthropic_messages：原生 Anthropic Messages API

这种设计让它可以对接 18+ 种模型提供商（Nous Portal、OpenRouter、Kimi/Moonshot、GLM、MiniMax、OpenAI 等），而且切换模型只需要一条命令：

hermes model nous:deepseek-ctx 

这是 Hermes 最核心的创新。大多数 AI Agent（包括很多商业产品）的「记忆」只是把对话历史塞进上下文窗口——这是假记忆。真正的记忆需要满足三个条件：持久化（重启不丢失）、有结构（不是日志流水账）、可检索（能主动找回）。

Hermes 的记忆系统用两个 Markdown 文件实现，刻意保持简单但有效：

/.hermes/memories/ ├── MEMORY.md # Agent 的个人笔记（环境事实、约定俗成、经验教训） └── USER.md # 用户画像（偏好、沟通风格、技能水平） 

MEMORY.md（2,200 字符上限，约 800 tokens）：

══════════════════════════════════════════════ MEMORY (your personal notes) [67% — 1,474⁄2,200 chars] ══════════════════════════════════════════════ User’s project is a Rust web service at ~/code/myapi using Axum + SQLx § This machine runs Ubuntu 22.04, has Docker and Podman installed § User prefers concise responses, dislikes verbose explanations 

USER.md（1,375 字符上限，约 500 tokens）：

═════════════════════════════════════════════════ USER PROFILE [45% — 620⁄1,375 chars] ═════════════════════════════════════════════════ Senior backend engineer, Go + Rust, prefers technical depth § Uses Vim keybindings, dark terminal theme § Timezone: Asia/Shanghai 

注意那个 § 分隔符——每个条目都是原子化的经验碎片，而非流水账。这种设计借鉴了物理里的「相干态」概念：记忆不是日志，记忆是可组合、可检索、可推理的最小知识单元。

这可能是最反直觉的设计决策：为什么要给记忆加严格上限？

答案在于系统提示词的 prefix caching。如果记忆无限增长，prefix cache 命中率下降，每次 API 调用的成本都会上升。而且，无限记忆最终会变成「垃圾堆」——Agent 淹没在过时的上下文里，找不到真正有用的信息。

Hermes 的做法是：当记忆超过 80% 容量时，Agent 被要求主动压缩或合并条目，而不是继续追加。这迫使 Agent 定期整理自己的「知识库」，像人类整理笔记一样。

# memory_provider.py 容量检查逻辑 if current_usage > 0.8 * capacity_limit:

return Error( f"Memory at {current_usage}/{capacity_limit} chars. " "Consolidate entries before adding new ones." ) 

OpenClaw 的记忆系统用的是结构化 JSON（L1）和对话历史（L0），支持语义搜索（tdai_memory_search）。Hermes 则选择了更简单但更显性的 Markdown 方案。

Hermes 的记忆哲学：记忆是对话启动时一次性加载到 prefix 的静态快照。Agent 在对话过程中对记忆的修改会立即持久化到磁盘，但这个更新不会实时反映在当前会话的 system prompt 里——直到下一会话。

为什么这样设计？ 核心原因是为了最大程度利用 LLM API 的 prefix cache。如果每次修改记忆都重新构建 system prompt，prefix cache 就失效了，成本和延迟都会增加。Hermes 选择了「写时持久化、读时一次性加载」的模式。

Hermes 有两个容易混淆的概念：

Tools（工具）：Agent 可以执行的具体操作，如 read_file、bash、web_search。目前有 48 个注册工具，分属 40 个 toolsets。

Skills（技能）：按需加载的知识文档，遵循 progressive disclosure（渐进式披露）原则。就像人类翻阅手册——不是把整本手册塞进脑子里，而是需要时翻到对应章节。

Skills 加载三级模式： Level 0: skills_list() → {name, description, category}, … Level 1: skill_view(name) → Full content + metadata Level 2: skill_view(name, path) → Specific reference file 

这个设计非常像现代编程语言的 LSP（Language Server Protocol）——不是把整个代码库的 AST 塞给 IDE，而是按需提供诊断和补全。Skills 的 progressive disclosure 让 Agent 在发现阶段只用 3k tokens，使用阶段才加载完整内容，极大节省了上下文。

这是 Hermes 最有野心的地方。传统的 Agent 工具生态是预设的——开发者预先定义好 Agent 能做什么。但 Hermes 支持 Agent 在完成任务过程中自动创建新技能：

# 你告诉 Hermes：以后部署 k8s 项目就用这个流程 /hermes "Remember the k8s deployment workflow for our microservices"

→ Agent 自动在 ~/.hermes/skills/devops/ 下创建 deploy-k8s/

→ 以后直接 /deploy-k8s 即可调用

创建后的 skill 结构：

~/.hermes/skills/ ├── devops/ │ └── deploy-k8s/ │ ├── SKILL.md # 主指令文件 │ ├── references/ # 参考文档 │ ├── templates/ # 输出模板 │ └── scripts/ # 辅助脚本 

Hermes 的技能系统与 agentskills.io 开放标准完全兼容。这意味着：

1. 跨 Agent 迁移：你在 Hermes 上创建的 skill，理论上可以被任何兼容 agentskills.io 的 Agent 使用
2. Hub 分发：通过 Skills Hub 安装社区贡献的技能，类似于 npm 但面向 AI 工作流
3. OpenClaw 迁移：Hermes 提供了 hermes claw migrate 命令，可以一键导入 OpenClaw 的 SOUL.md、MEMORIES、Skills、API keys 等配置

# 从 OpenClaw 迁移到 Hermes hermes claw migrate # 交互式迁移 hermes claw migrate –dry-run # 预览迁移内容 hermes claw migrate –preset user-data # 不迁移 secrets 

所有工具在 tools/registry.py 中自注册（self-register）。每个工具文件在被 import 时自动注册到中心注册表：

# tools/registry.py 伪代码 class ToolRegistry:

def register(self, tool_schema): self._tools[tool_schema.name] = tool_schema def dispatch(self, tool_name, params): handler = self._dispatch_map[tool_name] return handler(params) 

这种「自注册」模式的好处是：添加新工具只需要新建一个 .py 文件，不需要修改任何中央注册表代码。

Terminal 工具支持六种运行环境：

这意味着你可以在本地开发、部署到 Docker、生产跑在 Modal 上——同一个工具定义，六种运行环境自由切换。

Hermes 的 MCP 工具（约 2,200 行代码）是一个完整的 MCP 客户端，可以连接任何 MCP 服务器：

# 配置 MCP 服务器 hermes tools configure-mcp –server-name "filesystem"

--command "npx" --args "ts-node src/index.ts" 

这让 Hermes 的能力边界等于所有可用 MCP 服务器的并集——理论上可以连接文件系统、GitHub、数据库、API 等一切有 MCP 实现的工具。

Gateway 是 Hermes 最「重」的部分（gateway/run.py 约 7,500 行代码），但设计异常清晰：

Platform event (Telegram/Discord/…) → Adapter.on_message() → MessageEvent → GatewayRunner._handle_message() → Authorize user (allowlists + DM pairing) → Resolve session key (per-platform isolation) → Create AIAgent with session history → AIAgent.run_conversation() → Deliver response back through adapter 

每个平台是一个 adapter，共享相同的消息处理逻辑。目前支持的 14 个平台：

Telegram、Discord、Slack、WhatsApp、Signal、Email、Matrix、Mattermost、SMS、DingTalk（钉钉）、Feishu（飞书）、WeCom（企业微信）、Home Assistant、Webhook。

最有用的功能之一：同一个会话在不同平台看到相同的消息。

你在 Telegram 上问 Hermes 一个问题，它在 Discord 上的对话记录里也会出现这条消息。Agent 的工作上下文可以在多个平台间共享，但每个平台的交互风格可以不同——Telegram 用户可能喜欢简短指令，Slack 可能需要 @mention。

所有平台共享同一个命令注册表（COMMAND_REGISTRY）：

作为同时使用两个系统的用户，这里是我从工程师视角的真实对比：

Hermes 更适合：

• 需要 Telegram/Discord 随时唤醒 Agent 的场景
• 追求 Agent「越用越聪明」的进化需求
• 需要在 $5 VPS 上跑一个 ²⁴⁄₇ 在线 Agent
• 需要批量轨迹生成（batch runner）做 RL 训练数据

OpenClaw 更适合：

• 需要精准控制定时任务和会话管理
• 强调语义搜索和结构化记忆的场景
• 与腾讯生态（腾讯文档、腾讯会议、企业微信）深度集成
• 通过 Channel Plugins 接入特殊平台的需求

最让我惊讶的是 Hermes 的 OpenClaw 迁移工具。我测试了一下，它能完整导入：

• SOUL.md → 保持不变
• MEMORIES → 转换成 Hermes 的 MEMORY.md/USER.md 格式
• Skills → 复制到 ~/.hermes/skills/openclaw-imports/
• API Keys → 通过 –preset user-data 可选择是否迁移

这个迁移体验说明：Hermes 团队认真研究过 OpenClaw 的用户群体，并且用了一种不破坏原系统的方式来实现共存。用户可以先迁移，体验一段时间后再决定是否完全切换。

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

安装后重载 shell

source ~/.bashrc # 或 source ~/.zshrc

启动

hermes

安装脚本会自动处理 Python、Node.js 和所有依赖。Windows 用户需要先安装 WSL2。

# 完整配置向导（推荐） hermes setup

或分步配置

hermes model # 选择模型提供商 hermes tools # 配置启用的工具 hermes gateway setup # 配置消息平台网关

hermes # 启动 CLI 对话 hermes model # 切换模型 hermes tools # 管理工具集 hermes /skills # 浏览可用技能 hermes gateway start # 启动消息网关 hermes cron list # 查看定时任务 hermes update # 更新到最新版 hermes doctor # 诊断问题 

# 在隔离 Docker 容器中运行 Agent hermes run –backend docker –image nousresearch/hermes:latest

Agent 状态在空闲时自动休眠，节省资源

Hermes 的设计非常适合「云端 Agent」模式：

1. Daytona / Modal：空闲时 Agent 环境自动休眠（hibernation），被唤醒时才计费
2. SSH 后端：Agent 跑在云服务器上，本地终端只是显示界面
3. 消息网关：Telegram/Discord 控制云端 Agent，真正的计算在服务端

这意味着：Agent 的工作环境和你的本地机器完全解耦。你可以在任何设备上通过任何平台和同一个 Agent 交互，它的状态在云端持久化。

1. 自进化学习循环：Agent 能从经验中创建新技能，能力边界随使用时长扩展
2. Progressive Disclosure Skills：解决了 AI Agent「全知但低效」的悖论——知识按需加载
3. 容量约束记忆：用严格的字符上限迫使 Agent 主动整理知识库，防止记忆腐化
4. 真正的跨平台：14 个消息平台统一抽象，同一 Agent 在任何地方都是同一个 Agent
5. $5 VPS 可运行：通过 Daytona/Modal 的 serverless 架构，零成本维持 ²⁴⁄₇ 在线 Agent

当大多数 AI Agent 还在比拼「接入了多少工具」时，Hermes Agent 已经进入了下一个竞争维度：谁能让 Agent 真正学会、真正记住、真正进化。

Nous Research 选择了一条最难走的路——不是追求更漂亮的 UI，不是追求更多的平台适配，而是解决 AI Agent 最根本的问题：每次会话从零开始。这个问题困扰了行业两年，而 Hermes 用一个简单的双文件记忆系统 + Agent 自创建技能，给出了一个开源社区级别的解法。

如果你正在运营个人技术博客、或者需要一个 ²⁴⁄₇ 在线的研究助手，Hermes Agent 值得关注。如果你在考虑从 OpenClaw 迁移，hermes claw migrate –dry-run 值得先跑一遍看看会迁移什么。

开源 AI Agent 赛道的终局，或许不会是「谁工具最多」，而是「谁最懂用户、谁学得最快」。在这场竞争中，Hermes Agent 已经抢占了有利地形。

---

相关资源：

• GitHub: https://github.com/NousResearch/hermes-agent
• 文档: https://hermes-agent.nousresearch.com/docs/
• Nous Research: https://nousresearch.com
• Open Standard (agentskills.io): https://agentskills.io