| 评估维度 | 核心描述 | 关键特性/技术 |

Hermes Agent 是一个旨在实现自我演进的 AI 代理框架，其核心思想是让 AI 代理能够在与用户的长期互动中，像队友一样持续学习和成长 [ref_3]。它并非一个开箱即用、功能固定的工具集，而是一个具备自举能力的系统，能够根据用户需求和环境反馈，自动生成、验证并优化自身的“技能”（即处理特定任务的程序化能力）[ref_2]。

其架构围绕 “闭环学习” 设计，包含以下几个关键循环：

1. 意图理解与规划：Agent 解析用户的自然语言请求。
2. 技能执行或生成：若已有匹配技能，则直接执行；若无，则尝试利用LLM的代码生成能力，动态创建新技能 [ref_2]。
3. 结果评估与记忆：将执行结果、用户反馈以及技能的效能评估存入其分层记忆系统。
4. 技能优化：基于历史数据，定期对现有技能进行重构和优化，提升其效率和可靠性 [ref_3]。

这个循环使得 Hermes Agent 的能力能够随时间推移而不断增强。

其四层记忆系统是支撑长期学习和个性化的基石：

• 工作记忆 (Working Memory)：存储当前会话的临时上下文。
• 情境记忆 (Episodic Memory)：记录过往交互的历史事件和结果。
• 档案记忆 (Profile Memory)：构建用户模型，记录用户的偏好、习惯和知识背景。
• 技能记忆 (Skill Memory)：存储所有已生成和优化过的技能及其元数据（如使用频率、成功率）[ref_2][ref_5]。

在工程实现上，Hermes Agent 强调 “本地优先” 和 “跨平台” 的理念。它可以通过一个与 OpenAI API 兼容的抽象层，灵活接入本地模型（如通过 Ollama 运行）、云端 API 或自定义模型端点 [ref_5]。这种设计降低了供应商锁定风险，并更好地保护隐私。通过 MCP (Model Context Protocol) 协议，它可以接入一个不断扩展的工具生态，例如 GitHub、文件系统、浏览器等，赋予 Agent 操作数字世界的能力 [ref_1][ref_5]。其设计支持无服务器或分布式部署，适合从个人电脑到团队服务器的多种场景 [ref_1]。

使用方法

以下是一个简化的部署和初步使用流程，基于现有资料整理 [ref_4]：

1. 环境准备与安装 推荐使用 uv 包管理器（一个快速的 Python 包管理工具）进行安装，这有助于管理依赖和虚拟环境。

# 使用官方一键安装脚本（Linux/macOS） curl -sSL https://raw.githubusercontent.com/nousresearch/hermes-agent/main/install.sh | bash # 或者，使用 uv 从源码手动安装 git clone https://github.com/nousresearch/hermes-agent.git cd hermes-agent uv sync # 安装依赖 

也可以使用 Docker 进行容器化部署，或者通过 Ollama 在本地运行 [ref_4]。

2. 基础配置 安装后，需要配置 LLM 提供商和 Agent 的行为。

• 配置 LLM 连接：编辑 config.yaml 文件，设置 OpenAI 兼容的 API 端点。例如，使用本地 Ollama 服务：

# config.yaml 示例片段 llm: provider: "openai" api_base: "http://localhost:11434/v1" # Ollama 的 OpenAI 兼容端点 model: "qwen2.5:7b" # 指定模型 api_key: "ollama" # 如无需鉴权可填任意非空字符串 

• 定义 Agent “灵魂” (SOUL.md)：这是 Agent 的核心身份和初始指令文件，用于设定其角色、目标和行为准则。

# SOUL.md 示例 你是一个高效、乐于助人的 AI 助理，名叫 Hermes。 你的核心原则： 1. 安全第一，绝不执行有害操作。 2. 优先尝试使用已有技能解决问题。 3. 如果现有技能不足，可以谨慎地提议创建新技能。 4. 持续从与用户的互动中学习。 

3. 运行与交互 配置完成后，可以通过命令行启动 Agent 并与之交互。

# 激活虚拟环境后，启动 Agent 的 CLI uv run hermes # 启动后，进入交互式对话模式 Hermes> 你好，请帮我总结一下当前目录下所有 .md 文件的主题。 # Agent 将尝试规划、寻找或创建相应技能（如调用文件系统工具）来完成任务。 

4. 技能与工具扩展 高级用户可以通过 MCP 服务器为 Agent 添加新的能力。例如，连接一个 GitHub MCP 服务器，使 Agent 能操作代码仓库。

# 在 config.yaml 中配置 MCP 服务器 mcp_servers: - name: "github-tools" command: "npx" args: ["-y", "@modelcontextprotocol/server-github"] env: GITHUB_PERSONAL_ACCESS_TOKEN: "${GITHUB_TOKEN}" 

配置完成后，Agent 在规划任务时，就能自动考虑并使用 GitHub 相关的操作（如创建 issue、查看 PR）[ref_5]。

5. 工作树与隔离 Hermes Agent 使用 “工作树” 概念来隔离不同项目或任务。每个工作树拥有独立的记忆、技能和配置，类似于 Git 的分支，确保了任务上下文不相互污染 [ref_5]。

# 创建一个新的工作树来处理“项目A” hermes worktree create project-a # 切换到该工作树 hermes worktree switch project-a # 在此工作树下的所有学习和操作都将独立于其他工作树。 

总而言之，Hermes Agent 代表了 AI 代理从静态、工具驱动向动态、学习驱动演进的新范式。它的使用不仅仅是安装和调用，更像是“培养”一个智能体：通过持续的交互和任务委托，引导其生成和优化技能，使其逐渐成长为理解你个人工作流和偏好的专属 AI 伙伴。对于追求高度个性化、长期价值和安全可控的用户而言，Hermes Agent 提供了极具潜力的技术路径 [ref_2][ref_5][ref_6]。