Hermes Agent 是一个由 Nous Research 开发的开源、自主进化的 AI Agent 框架。其核心设计哲学是构建一个能够持续学习、记忆和优化自身技能的智能体，而非仅执行预设任务的静态工具 [ref_3][ref_4]。它通过独特的技术架构，旨在成为用户的“动态伙伴”，在长期使用中不断成长 [ref_2]。

核心功能与技术特性

Hermes Agent 区别于其他 AI Agent 的关键在于其“自进化”能力，这主要通过以下核心技术实现：

| 特性维度 | Hermes Agent 的核心实现 | 说明与优势 | | :— | :— | :— | | 记忆系统 | 分层持久化记忆 (三层架构) [ref_1] | 1. 工作记忆：当前会话的短期上下文。
2. 情景记忆：跨会话的长期任务与经验。
3. 语义记忆：压缩、归纳后的核心知识与技能。支持 SQLite 持久化，实现跨会话连续性 [ref_1][ref_5]。 | | 学习与进化 | 技能学习闭环 (Self-Improvement Loop) [ref_2][ref_5] | 遵循“执行 → 评估 → 优化 → 沉淀”的循环。Agent 在完成任务后，会自我评估表现，优化执行策略，并将成功经验固化为可复用的 Skill，存入本地技能库 [ref_4][ref_5]。 | | 技能系统 | 本地技能库 (Skills Hub) 与 自举生成 [ref_1][ref_4] | 技能以 .py 文件形式存储在本地 skills/ 目录。Agent 不仅能调用现有技能，还能通过分析成功任务，自动生成新的技能脚本，实现能力的“同心增长式”扩张 [ref_1][ref_4]。 | | 工具扩展 | 原生工具 + MCP (Model Context Protocol) 集成 [ref_1][ref_2] | 内置 47+ 原生工具（如网络搜索、文件操作）[ref_1]。同时支持 MCP 协议，可无缝集成数百种外部工具（如数据库、GitHub），极大扩展了能力边界 [ref_2]。 | | 模型兼容性 | 全模型兼容策略 [ref_3][ref_5] | 支持通过 OpenRouter、Ollama (本地)、OpenAI API 等多种方式接入 200+ 种大语言模型，用户可自由选择并在不同任务间切换最优模型，避免厂商锁定 [ref_5][ref_6]。 | | 安全与管控 | 七层安全模型 (含 YOLO 模式) [ref_1] | 提供从“只读”到“无限制(YOLO)”的多级安全沙箱。关键操作（如文件写入、命令执行）需经用户确认，平衡了自动化能力与系统安全 [ref_1]。 |

与同类产品（OpenClaw, Claude Code）的对比

其技术路径与 OpenClaw、Claude Code 等主流 Agent 形成显著差异：

| 对比项 | Hermes Agent | OpenClaw | Claude Code (假设为专注编码的Agent) | | :— | :— | :— | :— | | 核心哲学 | 自主进化的长期伙伴 [ref_3] | 高效集成的任务执行者 | 垂直领域的专家工具 | | 架构模式 | 同心增长式 (技能内生长) [ref_4] | 中心辐射式 (依赖外部技能市场) [ref_4] | 任务特定型 | | 技能来源 | 自举生成 + 本地库 [ref_4] | 主要依赖第三方技能市场 [ref_4] | 预设或有限学习 | | 记忆策略 | 分层压缩与持久化 [ref_3] | 通常为会话级或有限记忆 | 有限的上下文窗口 | | 优势场景 | 个人长期助理、私密数据环境、需要持续成长的场景 [ref_3][ref_4] | 快速构建、生态丰富的即用型任务 | 专业的代码生成与调试 |

安装与基础使用方法

1. 环境安装

推荐使用 uv 包管理器进行一键安装，这是最快捷的方式 [ref_6]。

# 使用安装脚本（需系统已安装 uv 和 git） curl -sSL https://raw.githubusercontent.com/NousResearch/Hermes-Agent/main/install.sh | bash # 安装完成后，进入项目目录并激活虚拟环境 cd hermes-agent source .venv/bin/activate # Linux/macOS # 或 .venvScriptsactivate # Windows 

2. 基础配置

核心配置文件为 config.yaml，需至少配置 LLM 和沙箱。

# config.yaml 示例片段 llm: provider: openrouter # 也可选择 ollama, openai 等 model: nousresearch/hermes-3-llama-3.1-405b api_key: ${OPENROUTER_API_KEY} # 从环境变量读取 sandbox: provider: docker # 或 ssh, 用于安全执行代码 # docker 配置... 

还需要在项目根目录创建 SOUL.md 文件，用于定义 Agent 的初始人格、目标和约束 [ref_6]。

3. 运行与交互

安装配置完成后，即可通过 CLI 启动 Agent。

# 启动 Hermes Agent 交互式会话 hermes-agent # 启动后，Agent会自我介绍并等待用户输入任务。 # 例如，用户可以输入：“请帮我分析当前目录下所有.py文件的大小。” 

Agent 将根据任务规划步骤，调用工具（如文件系统访问），执行代码，并返回结果。成功的任务流程可能会被提炼成新的技能存入技能库。

4. 技能管理

技能是 Hermes Agent 进化的核心。用户可以查看、触发或管理技能。

# 列出所有已学习的技能 hermes-agent --list-skills # 运行一个特定的技能 hermes-agent --run-skill skill_name 

当 Agent 通过自我改进循环生成新技能后，可以在 skills/ 目录下找到对应的 .py 文件进行审查或修改 [ref_1]。

应用场景示例

• 个人研发助手：在编码时，不仅能完成“写一个 Flask API”的指令，还能记住你偏好使用 SQLAlchemy 和 Pydantic，并在后续的数据库操作任务中自动应用这些模式，甚至生成一个“初始化我的后端项目结构”的专属技能 [ref_5]。
• 自动化数据分析：用户首次要求“分析销售数据.csv并生成图表”，Agent 需要分步询问细节。成功后，它会将此流程优化并沉淀为“销售数据分析”技能。下次用户说“分析上周数据”，Agent 能直接调用该技能，高效完成 [ref_2][ref_5]。
• 私有知识库问答：基于本地文档进行问答。由于记忆持久化，Agent 能记住之前对话中澄清过的模糊概念，并在后续回答中保持一致性，形成深度的连续对话 [ref_3]。

总而言之，Hermes Agent 通过其分层记忆、技能学习闭环和本地化自举增长架构，为构建私有、安全且能伴随用户共同成长的个人AI智能体提供了一套完整的开源解决方案 [ref_4][ref_5]。它代表了AI Agent从“执行工具”向“进化伙伴”范式转变的重要尝试。