初识 Hermes 及工作中的简单应用

Hermes Agent --- "The self-improving AI agent."

运行越久 → 学习越多 → 能力越强

什么是 Hermes Agent

Hermes Agent 是由 Nous Research 推出的开源 AI Agent 框架 ------ 不是聊天机器人，也不是 IDE Copilot，而是：

能够长期运行、持续学习、可部署到任意环境中的自主智能体。

传统 AI vs Hermes 模式

❌ 传统 AI 产品

复制代码

用户输入 → Prompt → LLM → 结果

单向、无记忆、无成长。

✅ Hermes 模式

复制代码

用户输入 → 构建上下文 → LLM 决策 → 调用工具 → 获得结果
        → 更新记忆 → 沉淀技能 → 输出

Hermes 更接近： AI 员工、AI 运维助手、AI 研发代理、自动化执行系统 ------ 而非简单的聊天工具。

核心特性

① 自学习（Learning Loop）

这是 Hermes 最大特色 ------ 运行越久，学习越多，能力越强。

能力来源：

自动记录经验
创建可复用技能（Skill）
使用中持续优化
跨会话记忆
用户建模

闭环流程：

复制代码

执行 → 记录 → 提炼 → 形成技能 → 再次使用 → 能力增强

正向反馈循环 ------ 用越久越聪明。

② Memory（长期记忆）

普通 Chat	Hermes
上下文结束 → 遗忘	会话结束 → 持久保存 → 下次继续

支持与价值：

用户偏好 / 历史任务 / 工作上下文 / 长期知识
减少重复 Prompt
个性化交互
支撑长周期任务（数天～数周）

③ Skills（技能系统）

Skill = Agent 的程序性记忆，将反复操作沉淀为可复用资产。

复制代码

生成周报
→ 收集数据
→ 分析变化
→ 输出 Markdown

未来：调用技能 → 一句话自动完成。

技能来源：

📁 本地定义 ：项目级或用户级 SKILL.md
🌐 社区共享：复用他人沉淀的技能
🤖 自动生成：从反复操作中自动提炼

④ Tool Calling（工具系统）

类别	示例
Web	`web_search`
文件	`read_file`
Shell	`terminal`
浏览器	`browser`
自动化	`process`
Agent	`subagent`
Memory	`memory`
通信	`message`

工具组合 → 完整闭环：

复制代码

搜索 → 分析 → 写代码 → 运行 → 修复 → 提交

Hermes 可自主组合工具，从搜索到提交形成完整工作闭环。

⑤ Multi-Agent（多 Agent 协作）

架构：

复制代码

Master Agent
│
├── Research Agent
├── Coding Agent
├── Review Agent
└── Deploy Agent

特点：

⚡ 并行执行：多个 Agent 同时工作，互不阻塞
🔒 隔离上下文：每个 Agent 独立上下文，互不干扰
📈 提升吞吐：复杂任务拆解为并行子任务

常见运行模式

终端模式：

bash 复制代码

hermes          # CLI 交互
hermes --tui    # 图形终端

消息平台接入： Telegram · Discord · Slack · Teams · WhatsApp · ...

消息平台 → Hermes Gateway → 工具执行 ------ 在常用聊天工具中直接使用 AI Agent。

安装与启动

安装：

bash 复制代码

# Linux / macOS
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

# Windows
iex (irm https://hermes-agent.nousresearch.com/install.ps1)

初始化 & 启动：

bash 复制代码

hermes setup --portal   # 初始化
hermes                  # 启动

也支持通过 OpenCode 安装，与 Claude Code 协同工作。

常用 Slash Commands

会话管理

命令	功能
`/new`	新建会话
`/clear`	清空上下文
`/retry`	重试上次操作
`/undo`	撤销操作
`/title`	命名会话
`/resume`	恢复历史会话
`/sessions`	查看历史会话

Agent 控制

命令	功能
`/agents`	查看后台任务
`/background`	后台执行任务
`/queue`	查看任务队列
`/goal`	设定长期目标
`/stop`	停止当前任务

配置命令

命令	功能
`/config`	查看/修改配置
`/model`	切换模型
`/personality`	切换人格
`/reasoning`	设置推理等级
`/voice`	语音模式
`/yolo`	关闭确认提示

上下文优化

命令	功能
`/compress`	压缩上下文
`/snapshot`	创建上下文快照
`/rollback`	回滚到快照
`/steer`	插入控制指令

/learn ------ 把生成技能的控制权交给用户

Hermes 1.17 新增

通过明确的学习指令，用户可以决定从哪里学习、学习什么、沉淀成什么技能。

复制代码

/learn <要学习的内容>

不带参数时，默认从当前对话流程中学习。

五种使用方式：

方式	示例
从目录/代码库学习	`/learn 从 ~/projects/my-api 学习这个项目的代码风格和架构`
从 URL 学习	`/learn 学习 https://example.com/api-docs 的 API 设计模式`
从当前工作流学习	`/learn 把刚才修复数据库连接超时的步骤保存为技能`
从粘贴的笔记学习	`/learn 从上面的笔记创建一个部署检查清单技能`
从对话历史学习	`/learn 把这次对话中解决 CI 构建失败的方法保存下来`

Hermes vs 普通 AI Agent

能力	普通 Agent	Hermes
Tool Use	✓	✓
长期记忆	✗	✓
技能沉淀	✗	✓
多 Agent	部分	✓
自学习	✗	✓
消息平台	部分	✓
MCP	部分	✓

核心差异：成长。 Memory + Skills + Self-Learning = 越用越强。

为什么值得关注

真正的变化： 不只是"让模型调用工具"，而是让 Agent 拥有成长能力。

能力沉淀演化路径：

复制代码

Prompt → Workflow → Agent → Learning Agent

未来不是写 Prompt，而是训练自己的 Agent。

实战：基于 Hermes 构建业务知识助手

安装与路径配置

bash 复制代码

# 安装
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
# 或交给 OpenCode 执行

# 创建副本（profile）
hermes profile create my-profile
echo 'export PATH="$HOME/.local/bin:$PATH"' >> ~/.bashrc

配置模型信息

bash 复制代码

my-profile setup

（配置过程中会要求填写模型端点地址、模型名称、鉴权 Token 等信息，请按你的实际环境填写，此处不展示具体配置值。）

配置内存（Memory）& 项目初始化

配置内存：

text 复制代码

$ my-profile memory setup

  Configuring holographic:

  SQLite database path [~/.hermes/profiles/my-profile/memory_store.db]:
  Default trust score for new facts [0.5]:
  HRR vector dimensions [1024]:

  Memory provider: holographic
  Activation saved to config.yaml
  Provider config saved

  Start a new session to activate.

项目初始化：

Git 拉取项目
切换至固定分支
claude init 初始化项目
将触发关键字等信息填写到 project.md 中

创建技能 & 构建知识库

自建技能：

技能	说明
🎫 `order-ticket-parser`	解析工单数据并存储到外挂内存
📊 `my-order`	统计工单工作台处理完成的工单，生成周报
📦 `my-add-module`	自动添加业务模块 Git 仓库
📚 `my-knowledge`	统一的知识查询框架，三层查询策略

构建知识库的三种方式：

通过 auto.py 生成的文件沉淀知识库
通过 order 关键字将 QA 沉淀知识库
通过代码查询知识沉淀至知识库

技能一：order-ticket-parser ------ 工单数据解析

目标： 解析工单数据并存储到外挂记忆，构建可复用的工单知识库。

解析流程

复制代码

用户消息以 order 开头
        ↓
      解析工单数据
        ↓
   提取工单号（格式: OPEN...）
        ↓
    <格式规范?>
   ├─ 规范 ─→ 提取问题描述（OPEN 开头的行）
   │           ↓
   │         提取解决方案（以 # 开头的行）
   │           ↓
   │         配对问答 → 形成工单记录
   │           ↓
   │         调用 fact_store（action=add, category=project）
   │           ↓
   │         设置标签（tags=工单）
   │
   └─ 不规范 ─→ 跳过该工单，继续下一个
        ↓
   <还有更多工单?>
   ├─ 是 ─→ 提取下一个工单号
   └─ 否 ─→ 反馈处理结果，统计存储数量 → 结束

技能二：my-order ------ 工单统计与周报生成

目标： 统计本周处理完成的工单，自动生成周报 Markdown。

工单统计与周报生成流程

复制代码

用户请求："统计我本周处理完成的工单数"
        ↓
   <API 可用?>
   ├─ 推荐: API 方式 ──────────────┐
   │     获取 OAuth Token (password grant)
   │           ↓
   │     获取用户信息 /iam/.../users/self
   │           ↓
   │     拉取 Workbench 数据（按 solutionUserId 过滤）
   │           ↓
   │     并行拉取：解决方案文档 | 交流记录
   │                               │
   └─ Fallback: 浏览器方式 ─────────┤
         登录开放平台               │
           ↓                       │
         切换到"我处理的"           │
           ↓                       │
         切换到"其他"tab            │
           ↓                       │
         逐页提取工单编号           │
           ↓                       │
         逐个打开详情页 ────────────┘
        ↓
   生成周报 Markdown
        ↓
   ┌──────────────┬──────────────┬──────────────┐
   │ 📝 问题描述   │ ✅ 解决方案   │ 💬 处理过程   │
   │  AI 总结      │  原文提取     │  全参与者总结  │
   └──────────────┴──────────────┴──────────────┘
        ↓
   输出: 周报-日期范围.md
   （总数 + 明细表格 + 状态分类）

技能三：my-add-module ------ 添加业务模块

目标： 根据用户提供的 Git URL，自动添加业务模块仓库并完成配置。

添加模块流程

复制代码

用户提供 Git URL
        ↓
收集必要信息（服务名 / 关键词 / 分支）
        ↓
   <信息完整?>
   ├─ 缺服务名 ─→ 自动从 URL 提取
   ├─ 缺关键词 ─→ 询问用户
   ├─ 缺分支   ─→ 询问用户
   └─ 已完整   ─→ 提取仓库名称
        ↓
编辑 project.md 添加服务配置
        ↓
mkdir -p 创建目录
        ↓
git clone 克隆仓库
        ↓
git checkout 切换分支
        ↓
   <验证结果>
   ├─ 成功       ─→ 完成，返回摘要
   ├─ 分支不存在 ─→ 列出可用分支，用户选择后重试
   └─ 克隆失败   ─→ 报告错误

技能四：my-knowledge ------ 知识查询框架

目标： 统一的知识查询入口，采用三层查询策略，命中后自动沉淀。

三层查询策略（总览）

复制代码

用户查询
   ↓
读取 project.md，关键词匹配
   ↓
识别目标服务
   ↓
<三层查询策略>
   │
   ├─ 第 1 层：fact_store probe（精准查询）
   │      <命中?> ─ 是 → 整理回答
   │              └ 否 → 进入第 2 层
   │
   ├─ 第 2 层：fact_store search（关键词搜索）
   │      <命中?> ─ 是 → 整理回答
   │              └ 否 → 进入第 3 层
   │
   └─ 第 3 层：代码库查询
          获取答案 → 自动存储到 fact_store
   ↓
返回用户答案

（通用查询 → "我也不知道"）

代码库查询详情（第 3 层）

复制代码

触发代码库查询
   ↓
强制使用 Claude Code
   ↓
claude -p 执行查询
（--allowed-tools Read
  --max-turns 15）
   ↓
<查询成功?>
   ├─ 成功 ─→ 获取答案
   └─ 失败 ─→ 回退：传统文件搜索（search_files / read_file）→ 获取答案
   ↓
自动存储到 fact_store（action=add / tags=服务实体标签）
   ↓
返回用户答案

前提条件： 已确认特定服务 → 路径：/<工作目录>/<服务名>/<仓库名>

参考：

官方文档：https://hermes-agent.nousresearch.com

Q & A