0 分钟起一个 3 Agent 流水线
不再绕弯子。咱们直接上手。
2.1 装环境
PyPI 一行装（推荐新手）
pip install hermes-agent
启动 REPL
hermes chat
切到你想用的模型
hermes config set provider anthropic
hermes config set model claude-sonnet-4
装完跑 hermes tools 看下当前账号可用的工具集。默认会有 browser / file / terminal / web / image_gen / delegation / search 这几类。
2.2 写一份 YAML 配置
Hermes 的精髓在 YAML 流水线配置文件。把 Agent 当成函数声明，依赖关系写在 depends_on 里，Hermes 自己按 DAG 排调度。
下面这份配置就是公众号写作流水线的最小可运行版本。5 个 Agent、5 个文件产物、链式 DAG 调度。
=========================================================
Hermes 多 Agent 流水线：公众号写作 5 步曲
跑法：hermes run --config hermes_agents.yaml --topic "Hermes 入门"
=========================================================
agents:
topic_scout: # 第 1 步：选题侦察兵
model: anthropic/claude-sonnet-4
toolsets: web, search # 只给联网 + 搜索，文件操作不要开
role: leaf # 关键：声明 leaf，禁止递归 spawn
researcher: # 第 2 步：资料研究员
model: anthropic/claude-sonnet-4
toolsets: file, web # file 用来读 01-topics.md、写出 02-research.md
role: leaf
writer: # 第 3 步：执笔写手
model: anthropic/claude-sonnet-4
toolsets: file, skills # skills 让它能加载「公众号写作」技能
role: leaf
editor: # 第 4 步：审校编辑
model: anthropic/claude-sonnet-4
toolsets: file # 最小集：只让它改文件
role: leaf
illustrator: # 第 5 步：配图提示词
model: anthropic/claude-sonnet-4
toolsets: skills # 用 image_gen 技能生成配图 prompt
role: leaf
pipeline:
-
call: topic_scout # 入口节点，无需 depends_on
goal: "为「{TOPIC}」出 3 个公众号选题候选，输出到 01-topics.md"
-
call: researcher
goal: "基于 01-topics.md 整理 6 section 研究资料包到 02-research.md"
depends_on: topic_scout
-
call: writer
goal: "据 02-research.md 起草 2500-3000 字实操教程到 03-draft.md"
depends_on: researcher
-
call: editor
goal: "审校 03-draft.md，输出三栏 Markdown 表格存到 04-review.md"
depends_on: writer
-
call: illustrator
goal: "为 03-draft.md 配 2-3 张图，给出图名+节点文字+用途"
depends_on: editor
这里有几个细节需要注意一下：
role: leaf 必须显式写。不写默认是 general，子 Agent 自己会 spawn 孙子 Agent，token 几分钟烧光。
toolsets 走白名单，能少一个就少一个。Editor 只给 file，连 web 都不开。
depends_on 替代手写串行，你只声明依赖，Hermes 自己排调度。
2.3 嫌 YAML 不够灵活？上 Python
YAML 适合配置固定的流水线。想动态生成任务、加条件分支、用 Python 拼装任务列表，就走 delegate_task API。
下面这段 Python 是同样的 5 步流水线，能看出它和 YAML 的对应关系。YAML 是声明式，Python 是命令式，干的事一样。
"""
Hermes 多 Agent 流水线 ------ Python 入口
跑法：python run_pipeline.py
依赖：pip install hermes-agent
"""
from hermes_tools import delegate_task # Hermes 官方派发 API
----------------------------------------------------------------
1) 定义 5 个子 Agent 任务（顺序由 depends_on 字段控制）
----------------------------------------------------------------
tasks = [
{
"goal": "你是 topic_scout。用户主题：{TOPIC}。请用 web+search 工具调研，"
"输出 3 个公众号选题候选到 01-topics.md。",
"toolsets": "web", "search",
"role": "leaf", # 关键：明确 leaf，禁止递归
},
{
"goal": "你是 researcher。据 01-topics.md 整理 6 section 资料包"
"（核心概念/代码/坑点/最佳实践/参考/配图）写到 02-research.md。",
"toolsets": "file", "web",
"role": "leaf",
"depends_on": "topic_scout",
},
{
"goal": "你是 writer。据 02-research.md 起草 2800 字实操教程，"
"输出到 03-draft.md，必须有 YAML + Python 两段代码。",
"toolsets": "file", "skills",
"role": "leaf",
"depends_on": "researcher",
},
{
"goal": "你是 editor。审校 03-draft.md，输出三栏 Markdown 表格"
"（原文 / 问题 / 建议）到 04-review.md。",
"toolsets": "file",
"role": "leaf",
"depends_on": "writer",
},
{
"goal": "你是 illustrator。为 03-draft.md 配 2-3 张图，"
"给出图名+用途+节点文字到 05-illustrations.md。",
"toolsets": "skills",
"role": "leaf",
"depends_on": "editor",
},
]
----------------------------------------------------------------
2) 一次性派发：Hermes 默认就是批派发，主 Agent 不阻塞
Hermes 会按 tasks 里的 depends_on 字段自动排 DAG，
没有依赖的同级任务自动并发跑。
----------------------------------------------------------------
results = delegate_task(
tasks=tasks,
shared_context={"TOPIC": "Hermes Agent 入门：多 Agent 协作"},
)
----------------------------------------------------------------
3) 打印每个子 Agent 的 summary（调试用）
----------------------------------------------------------------
for r in results:
print(f"{r\['agent'}] -> {r'summary'}")
注意我没像一些老博客那样写 parallel=True。Hermes 的 delegate_task(tasks=...) 默认就是批派发，依赖关系由 depends_on 字段决定。它会自动识别哪些任务没依赖、把没依赖的扔到并发队列里跑。parallel=True 是早期接口的遗留，新版 API 不用管。
跑完之后 results 是个列表，每个元素是 {"agent": ..., "summary": ..., "output_path": ...}。要拿哪个文件直接读 output_path。
三、单 Agent 串行 vs 3 Agent 并行，差距有多大
跑通之后你大概率会问：不就比单 Agent 多个并发？真有那么神？
有。拿数据说话。
Anthropic 2024 年的多 Agent 调研系统报告里有一组数据：开放研究类任务（多跳问题、跨源综合），多 Agent 架构比单 Agent token 消耗约 4 倍，但准确率从基线 60% 提升到 90%+。
直观点拆开看。
comparison
维度 单 Agent 串行 3 Agent 并行
步骤 调研 → 写作 → 审校（必须等前一步） 调研 ‖ 写作（依赖调研）→ 审校
耗时 60s + 90s + 30s = 180s 60s ‖ 90s → 30s = 120s
上下文 单上下文 80k token（所有东西塞一起） 拆 3 份上下文，各 30k token
准确率 基线 60% 90%+（Anthropic 2024 多 Agent 调研报告，原文 baseline ~60%）
Token 总成本 1× 约 1.4×（端到端，分摊后；内部单次调研 4×）
由此我们可以得出几个结论：
耗时省 33%。本流水线写作和审校是链式依赖（写作 depends_on 调研、审校 depends_on 写作），不能硬并发。但 3 Agent 上下文拆分让每个子 Agent 都能在前一个还没完全结束时就启动下一段准备。比如 writer 等调研结果时，editor 已经把上次的 prompt 模板加载好，调研一回来就立刻接上。这才是省 33% 的真正机制，不是 DAG 并发。
上下文干净。单 Agent 跑完一篇文章，context 里塞了选题、查到的所有网页、中间稿、审校意见......再跑第二个任务就稀里哗啦。3 Agent 拆分后，每个子 Agent 上下文清爽，幻觉率明显降。
Token 总成本没爆炸。很多人听到多 Agent 就担心 token 翻 4 倍。其实单 Agent 串行重试的 token 浪费更猛，一次跑崩就得从头再来。多 Agent 拆开能断点重跑，省的是这个钱。需要注意的是，Anthropic 2024 报告里 4× 指的是单次调研任务内部 token 增长（4 个并行调研员各跑一遍），而端到端多 Agent 任务总成本分摊后大约 1.4×，别混着说。
但多 Agent 不是万灵药。简单任务（步骤 ≤ 3、上下文 ≤ 50k、工具 ≤ 3 个）用单 Agent 更省心。你硬上多 Agent 反而是给自己找事。
判断标准很简单：你的活能不能一句话讲完目标。能，单 Agent；不能，多 Agent。
四、6 个最容易踩的坑
多 Agent 看着美好，新手实操 90% 的人都死在下面这几个坑里。
pitfalls
坑 1：工具集开太多，context 撑爆
给某个子 Agent 同时勾上 browser + file + terminal + image_gen + delegation，结果光工具描述就吃掉 8k token，模型反应慢、还贵。
口诀：能少一个就少一个。Editor 只给 file，Researcher 只给 file + web，别贪。
坑 2：漏写 role="leaf"，子 Agent 递归 spawn
默认行为下子 Agent 自己也能 delegate_task。一不小心就 spawn 孙子 Agent，孙子再 spawn 曾孙，几分钟 token 烧光。
任何干完活就退出的子 Agent 都必须显式 role: leaf。这个不能省。
坑 3：context 传自然语言摘要，下游接错