🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

在探索AI Agent开发的过程中，你是否遇到过这样的困境：好不容易搭建了一个智能助手，却发现它“记性不好”，每次对话都像初次见面；或者想让它学习一个新技能，却需要手动编写大量代码，过程繁琐且难以复用？如果你正为构建一个真正智能、能持续进化的AI助手而烦恼，那么Hermes Agent或许正是你寻找的答案。

本文将以实战为导向，带你从零开始，深入理解Hermes背后的Harness Engineering理念，并一步步完成从环境部署、核心功能配置到技能自进化的完整流程。无论你是想快速体验下一代AI Agent的能力，还是希望为你的项目集成一个具备“持久记忆”和“自主学习”的智能大脑，这篇指南都将提供清晰的路径和可运行的代码。

1. Hermes Agent 与 Harness Engineering：重新定义AI智能体开发

在深入安装部署之前，我们有必要厘清两个核心概念：Hermes Agent和Harness Engineering。这并非简单的工具介绍，而是一种开发范式的转变。

1.1 什么是 Hermes Agent？

Hermes Agent 并非一个单一的聊天机器人，而是一个开源的、功能强大的AI Agent 框架与运行时环境。你可以将它理解为一个高度可扩展的“智能体操作系统”。它的设计目标远超简单的问答，而是致力于构建能够理解复杂上下文、拥有长期记忆、并能自主创造和优化技能（Skill）的智能代理。

根据社区调研，其核心差异化能力在于内置的闭环学习系统。这意味着一个部署好的 Hermes Agent 能够：

1. 自主创建技能：根据用户指令或自身目标，自动生成可执行的代码模块（Skill）。
2. 在使用中改进技能：通过分析执行结果和用户反馈，迭代优化已有技能的代码逻辑。
3. 持久化跨会话记忆：将对话历史、用户偏好、学习到的知识等结构化存储，实现真正的“连续性”。
4. 集成强化学习：让 Agent 能够通过“试错”来学习在复杂环境中的最佳行动策略。

简单来说，Hermes 的目标是打造一个能够“成长”的 AI 助手。

1.2 理解 Harness Engineering

“Harness” 原意为“马具”、“安全带”，在工程领域引申为“控制系统”或“利用工具驾驭某种力量”。Harness Engineering正是 Hermes 项目所倡导的一种工程哲学和实践体系。

它指的是一整套用于安全、高效地构建、部署、监控和进化 AI Agent 的工程化方法、工具和最佳实践。这不仅仅是写一个调用 API 的脚本，而是涵盖：

• 生命周期管理：Agent 的创建、配置、版本控制、回滚。
• 技能（Skill）开发范式：如何标准化地定义、测试、打包和共享一个 Skill。
• 记忆与状态管理：如何设计数据结构来持久化 Agent 的“经验”。
• 安全与权限控制：确保 Agent 的操作在安全边界内，防止越权行为。
• 可观测性与调试：如何监控 Agent 的决策过程、技能执行链路和资源消耗。

正在形成的Harness Engineering 实践手册，其目标就是将构建强大 Agent 的经验系统化、标准化，降低开发门槛。Hermes 框架本身就是这套实践的首个重要载体和参考实现。

2. 环境准备与安装部署

理论了解后，我们进入实战环节。Hermes 支持多种部署方式，本文将重点介绍两种最常用、最适合入门和开发的方式：Docker 快速体验和本地源码安装。

2.1 基础环境要求

在开始之前，请确保你的系统满足以下基本要求：

• 操作系统：Linux (Ubuntu 20.04+ / CentOS 7+), macOS, 或 Windows (通过 WSL2 获得最佳体验)。
• Python：版本 3.9 或 3.10。这是运行 Hermes 核心代码的基础。
• Docker与Docker Compose（如果选择 Docker 方式）。这是容器化部署的必需品。
• Git：用于克隆代码仓库。
• 终端（Terminal）：一个功能完善的终端是必须的，例如 Windows Terminal, iTerm2, 或系统自带的终端。

重要提示：在 Windows 上，强烈推荐使用WSL2 (Windows Subsystem for Linux)并安装 Ubuntu 发行版，以获得与 Linux 一致的开发体验，避免因路径、权限等问题导致的operation not permitted或unable to use a tty等终端相关错误。

2.2 方案一：使用 Docker 快速启动（推荐新手）

Docker 方案能屏蔽大部分环境差异，是最快体验 Hermes 的方式。这里我们使用官方或社区维护的docker-compose.yml文件。

步骤 1：获取部署文件首先，创建一个项目目录并进入。

mkdir hermes-quickstart && cd hermes-quickstart

然后，下载（或创建）一个docker-compose.yml文件。以下是一个基础示例，集成了 WebUI 和基础服务：

# docker-compose.yml version: '3.8' services: hermes-core: image: ghcr.io/some-org/hermes-core:latest # 请替换为实际镜像 container_name: hermes-core restart: unless-stopped ports: - "8000:8000" # API 服务端口 environment: - OPENAI_API_KEY=${OPENAI_API_KEY} # 通过环境变量传入密钥 - LOG_LEVEL=INFO volumes: - ./hermes_data:/app/data # 挂载数据卷，持久化记忆和技能 networks: - hermes-net hermes-webui: image: ghcr.io/some-org/hermes-webui:latest # 请替换为实际镜像 container_name: hermes-webui restart: unless-stopped ports: - "3000:3000" # Web 界面端口 environment: - HERMES_CORE_URL=http://hermes-core:8000 depends_on: - hermes-core networks: - hermes-net networks: hermes-net: driver: bridge volumes: hermes_data: # 声明一个命名卷，也可使用上面提到的本地路径挂载

注意：上述镜像地址ghcr.io/some-org/hermes-core:latest为示例，请查阅 Hermes 官方文档获取最新的正式镜像。

步骤 2：配置环境变量在docker-compose.yml同目录下创建.env文件，用于安全地存储敏感信息。

# .env 文件 OPENAI_API_KEY=sk-your-openai-api-key-here # 可以添加其他配置，如数据库连接等

步骤 3：启动服务运行以下命令启动所有服务。

docker-compose up -d

-d参数表示在后台运行。使用docker-compose logs -f hermes-core可以查看核心服务的实时日志，确保启动无误。

步骤 4：访问验证

• API 服务：打开浏览器或使用curl访问http://localhost:8000/docs，你应该能看到 Swagger API 文档界面。
• WebUI 服务：访问http://localhost:3000，即可进入 Hermes 的图形化管理界面。

至此，一个基础的 Hermes 服务就已经运行起来了。

2.3 方案二：本地源码安装与配置（适合深度开发）

如果你想深入了解 Hermes 的架构，或需要进行二次开发，本地安装是更好的选择。

步骤 1：克隆代码仓库

git clone https://github.com/some-org/hermes.git # 请替换为官方仓库地址 cd hermes

步骤 2：创建并激活 Python 虚拟环境强烈建议使用虚拟环境来隔离依赖。

python3 -m venv venv # 在 Linux/macOS 上激活 source venv/bin/activate # 在 Windows (CMD) 上激活 venv\Scripts\activate # 在 Windows (PowerShell) 上激活 .\venv\Scripts\Activate.ps1

步骤 3：安装依赖进入项目根目录，安装必要的包。

pip install -r requirements.txt # 如果项目使用 poetry 管理，则使用 # poetry install

安装过程可能会因系统环境而异，如果遇到某些包编译失败（特别是与加密或机器学习相关的包），请根据错误信息安装对应的系统开发库（如build-essential,python3-dev等）。

步骤 4：基础配置Hermes 的配置通常通过环境变量或配置文件（如.env或config.yaml）管理。在项目根目录创建或复制一个配置文件模板。

cp .env.example .env

编辑.env文件，填入你的必要配置，最核心的是大模型 API 密钥。

# .env HERMES_MODEL_PROVIDER=openai OPENAI_API_KEY=sk-your-key-here OPENAI_BASE_URL=https://api.openai.com/v1 # 或你的代理地址 DATABASE_URL=sqlite:///./hermes.db # 使用 SQLite 作为默认数据库，生产环境建议更换 MEMORY_BACKEND=local # 记忆后端，本地存储 SKILL_STORAGE_PATH=./skills # 自定义技能存储路径

步骤 5：初始化数据库Hermes 需要数据库来存储记忆、技能元数据、用户信息等。运行初始化命令。

python scripts/init_db.py # 或根据项目文档执行 alembic 迁移 # alembic upgrade head

步骤 6：启动服务启动 Hermes 的核心服务。根据项目结构，启动命令可能类似如下：

# 启动 API 服务器 uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload

--reload参数用于开发环境，代码修改后会自动重启。

现在，你可以像 Docker 方案一样，通过http://localhost:8000/docs访问 API 文档了。

3. 核心功能实战：Terminal、记忆与技能

服务跑起来只是第一步。接下来，我们将通过 Hermes 的 API 和 WebUI，实战其三大核心功能：终端控制（Terminal）、持久记忆（Memory）和技能自进化（Skill）。

3.1 Terminal 功能：让 Agent 安全执行命令

Terminal 功能允许 Hermes Agent 在受控的环境下执行系统命令，这是其实现自动化能力的基础。关键在于安全和可控。

原理：Hermes 不会让 Agent 直接访问宿主机的 Shell。它通常在一个沙箱环境（如 Docker 容器、受限的进程空间）中执行命令，并对命令进行白名单、黑名单校验，同时记录完整的输入输出流。

实战：通过 API 让 Agent 执行命令首先，确保你的 Hermes 服务已启动。我们可以使用curl或 Python 脚本来调用 Terminal 接口。

# terminal_demo.py import requests import json import time HERMES_API_URL = "http://localhost:8000" API_KEY = "your-hermes-api-key-if-required" # 如果配置了认证 def execute_command_in_terminal(command: str, work_dir: str = "/tmp"): """在 Hermes 的终端中执行命令""" headers = {"Content-Type": "application/json"} if API_KEY: headers["Authorization"] = f"Bearer {API_KEY}" payload = { "command": command, "working_directory": work_dir, "timeout_seconds": 30 } try: # 1. 创建终端会话（如果需要） # session_resp = requests.post(f"{HERMES_API_URL}/terminal/sessions", headers=headers, json={}) # session_id = session_resp.json()["session_id"] # 2. 执行命令（这里假设直接执行，实际 API 路径需参考文档） # 假设接口路径为 /terminal/execute execute_url = f"{HERMES_API_URL}/terminal/execute" response = requests.post(execute_url, headers=headers, json=payload) response.raise_for_status() result = response.json() print(f"命令: {command}") print(f"退出码: {result.get('exit_code')}") print(f"标准输出:\n{result.get('stdout')}") print(f"标准错误:\n{result.get('stderr')}") return result except requests.exceptions.RequestException as e: print(f"请求失败: {e}") return None if __name__ == "__main__": # 示例：执行简单的系统命令 execute_command_in_terminal("pwd") execute_command_in_terminal("ls -la") # 示例：使用 Python 检查版本（确保沙箱环境有 Python） execute_command_in_terminal("python3 --version")

注意：实际的 API 端点 (/terminal/execute) 和请求/响应格式请务必查阅你所部署版本的 Hermes API 文档。

安全配置要点： 在 Hermes 的服务端配置中，你需要严格定义 Terminal 的权限。

# config.yaml 片段示例 terminal: enabled: true sandbox: type: docker # 使用 Docker 沙箱 image: python:3.9-slim # 基础镜像 security: allowed_commands: # 命令白名单，支持正则 - "^ls.*" - "^cat.*" - "^python3.*script.py$" blocked_commands: # 命令黑名单 - "^rm.*-rf" - "^dd.*" allowed_directories: # 允许访问的目录 - "/tmp" - "/app/data"

通过这样的配置，即使 Agent 被诱导执行危险命令，也会被安全策略拦截。

3.2 持久记忆（Persistent Memory）功能

记忆是 Agent 智能的基石。Hermes 的记忆系统不仅仅是缓存聊天记录，而是结构化的、可查询的长期记忆。

记忆类型：

• 会话记忆：单次对话的上下文。
• 实体记忆：关于特定人物、地点、事物的事实性信息。
• 技能记忆：技能执行的历史记录和效果评估。
• 用户画像：用户的偏好、习惯和历史交互模式。

实战：通过 API 读写记忆记忆通常通过对话或专门的 API 进行交互。以下示例展示如何直接操作记忆存储。

# memory_demo.py import requests import json HERMES_API_URL = "http://localhost:8000" def save_memory(key: str, value: dict, memory_type: str = "fact", namespace: str = "user_123"): """保存一段记忆""" url = f"{HERMES_API_URL}/memory" payload = { "key": key, "value": value, "type": memory_type, "namespace": namespace, # 用于隔离不同用户或场景的记忆 "tags": ["demo", "python"] # 方便后续检索 } response = requests.post(url, json=payload) if response.status_code == 200: print(f"记忆保存成功: {key}") else: print(f"记忆保存失败: {response.text}") def query_memory(query_text: str, namespace: str = "user_123", limit: int = 5): """查询相关记忆""" url = f"{HERMES_API_URL}/memory/query" payload = { "query": query_text, "namespace": namespace, "limit": limit } response = requests.post(url, json=payload) if response.status_code == 200: memories = response.json() print(f"查询到 {len(memories)} 条相关记忆:") for mem in memories: print(f" - Key: {mem['key']}, Value: {mem['value']}, Score: {mem.get('relevance_score')}") return memories else: print(f"记忆查询失败: {response.text}") return [] if __name__ == "__main__": # 1. 保存一些记忆 save_memory("user_favorite_color", {"color": "blue", "intensity": "like"}) save_memory("user_last_project", {"name": "hermes_demo", "language": "python", "status": "completed"}) # 2. 查询记忆 print("\n--- 查询‘项目’相关记忆 ---") query_memory("用户做过的项目") # 3. 在后续的 Agent 对话中，这些记忆会被自动检索并注入上下文，使 Agent 的回答更具连续性。 # 例如，用户问“我之前用的是什么语言？”，Agent 能回答“Python”。

记忆的底层存储可以是向量数据库（如 Chroma, Weaviate）、关系型数据库或文件系统，Hermes 通过抽象层支持多种后端。

3.3 Skill 自进化：从创建到优化

Skill 是 Hermes Agent 的能力单元，本质上是一段可执行的代码（Python、JavaScript等）或一个工作流描述。自进化意味着 Skill 可以根据执行反馈自动优化。

Skill 的生命周期：

1. 创建：由开发者手动编写，或由 Agent 根据指令自动生成（Code Generation）。
2. 注册：Skill 被添加到 Hermes 的技能库中，包含其描述、参数、执行代码。
3. 执行：Agent 在合适的时机调用 Skill。
4. 评估：系统记录 Skill 的执行结果和用户反馈（显式或隐式）。
5. 优化：Agent 的分析模块或强化学习组件根据评估结果，提出或直接实施对 Skill 代码的改进方案。
6. 迭代：优化后的 Skill 被重新注册，进入下一个循环。

实战：创建一个简单的 Skill 并观察其被调用首先，我们定义一个简单的 Skill：获取当前天气（模拟）。

# skill_weather.py # 这是一个 Skill 的实现示例，实际格式可能为 YAML 定义 + 代码文件 import requests import json def get_weather(city: str) -> str: """ 获取指定城市的天气信息。 Args: city: 城市名，例如 "Beijing"。 Returns: 天气情况的字符串描述。 """ # 这里是模拟数据，真实情况应调用天气 API weather_data = { "Beijing": {"condition": "Sunny", "temp": 22}, "Shanghai": {"condition": "Cloudy", "temp": 25}, "Guangzhou": {"condition": "Rainy", "temp": 28}, } if city in weather_data: info = weather_data[city] return f"The weather in {city} is {info['condition']} with a temperature of {info['temp']}°C." else: return f"Sorry, I don't have weather data for {city}." # Skill 的元数据描述（通常在一个单独的 YAML 文件中） skill_metadata = { "name": "get_weather", "description": "Fetches the current weather for a given city.", "parameters": { "city": { "type": "string", "description": "The name of the city.", "required": True } }, "function": "get_weather" # 指向上面的函数 }

接下来，我们需要将这个 Skill注册到 Hermes 中。通常通过管理 API 或 WebUI 完成。

# register_skill.py import requests import yaml HERMES_API_URL = "http://localhost:8000" def register_skill(metadata_path: str, code_path: str): """向 Hermes 注册一个 Skill""" url = f"{HERMES_API_URL}/skills" with open(metadata_path, 'r') as f: metadata = yaml.safe_load(f) with open(code_path, 'r') as f: code = f.read() payload = { "metadata": metadata, "code": code, "language": "python" } response = requests.post(url, json=payload) if response.status_code in [200, 201]: print(f"Skill '{metadata['name']}' 注册成功！") return response.json() else: print(f"Skill 注册失败: {response.status_code}, {response.text}") return None if __name__ == "__main__": # 假设元数据保存在 weather_skill.yaml，代码在 skill_weather.py register_skill("weather_skill.yaml", "skill_weather.py")

注册成功后，你就可以在 WebUI 的技能列表里看到它，或者在对话中直接对 Agent 说：“使用 get_weather 技能查询一下北京的天气。” Hermes Agent 会解析你的指令，匹配到合适的 Skill 并执行。

关于自进化：自进化过程通常由后台任务或特定触发条件启动。例如，如果一个 Skill 频繁执行失败或用户评分很低，系统可能会：

1. 收集失败的案例和上下文。
2. 调用代码生成模型（如 GPT-4）分析问题并提出修改建议。
3. 生成新的 Skill 代码版本。
4. 在安全沙箱中测试新版本。
5. 如果测试通过，则用新版本替换旧版本（或创建新版本号）。

这个过程在 Hermes 的架构中可能是自动化的，但作为开发者，你需要配置进化策略、审核机制和测试流程。

4. 核心配置文件详解与高级配置

要让 Hermes 按照你的需求工作，深入理解其配置文件至关重要。本节将拆解几个核心配置模块。

4.1 模型提供商配置

Hermes 的核心是 LLM（大语言模型）。你需要配置它如何与模型 API 交互。

# config.yaml - 模型配置部分 model: default_provider: "openai" # 或 "azure_openai", "anthropic", "local" 等 providers: openai: api_key: ${OPENAI_API_KEY} # 从环境变量读取 base_url: "https://api.openai.com/v1" default_model: "gpt-4-turbo-preview" # 默认使用的模型 timeout: 120 max_retries: 3 azure_openai: api_key: ${AZURE_OPENAI_KEY} api_base: "https://your-resource.openai.azure.com/" api_version: "2024-02-15-preview" deployment_name: "gpt-4" local: # 使用本地部署的模型，如 Ollama、vLLM base_url: "http://localhost:11434/v1" default_model: "llama2" api_key: "ollama" # 如果不需要则留空

关键点：

• 通过default_provider指定默认使用的模型。
• 支持配置多个提供商，Agent 可以根据技能需求或负载情况切换。
• 对于本地模型，确保base_url与你的本地模型服务地址一致。

4.2 记忆后端配置

记忆的存储和检索方式直接影响 Agent 的“智商”和性能。

# config.yaml - 记忆配置部分 memory: default_backend: "chroma" # 或 "postgres", "sqlite", "redis" backends: chroma: type: "vector" persist_directory: "./data/chroma_db" # 向量数据持久化路径 collection_name: "hermes_memories" embedding_model: "text-embedding-3-small" # 用于生成向量嵌入的模型 postgres: type: "relational" url: ${DATABASE_URL} # 例如：postgresql://user:pass@localhost/hermes table_name: "memories" sqlite: type: "relational" url: "sqlite:///./hermes.db" retrieval: top_k: 5 # 每次查询返回最相关的几条记忆 similarity_threshold: 0.7 # 相似度阈值，低于此值的结果不返回

选择建议：

• 开发/测试：使用sqlite，简单快捷。
• 生产环境，需要语义搜索：使用chroma等向量数据库，记忆检索能力更强。
• 生产环境，结构化查询为主：使用postgres，稳定可靠。

4.3 技能仓库配置

技能的管理和存储方式。

# config.yaml - 技能配置部分 skills: storage: local: path: "./skills" # 本地技能文件存储目录 watch_for_changes: true # 是否监听文件变化自动重载 remote_registries: # 可以从远程仓库拉取技能 - name: "official" url: "https://github.com/hermes-agent/official-skills.git" branch: "main" auto_discovery: true # 是否自动发现指定路径下的技能 execution: timeout: 300 # 技能执行超时时间（秒） sandbox: "docker" # 技能执行环境

你可以将通用的 Skill（如发送邮件、查询数据库）打包，通过 Git 仓库进行团队共享和版本管理。

4.4 调度与任务配置

Hermes 可以处理定时任务（Cron Jobs）。

# config.yaml - 调度配置部分 scheduler: enabled: true jobs: - id: "daily_report" name: "生成每日报告" trigger: "cron" schedule: "0 9 * * *" # 每天上午9点执行 skill: "generate_daily_report" # 要执行的技能名 args: format: "pdf" recipients: ["team@example.com"] - id: "memory_cleanup" name: "记忆清理" trigger: "interval" schedule: 86400 # 每24小时执行一次（秒） skill: "cleanup_old_memories" args: older_than_days: 30

注意：schedule的配置需要符合 Cron 表达式或间隔秒数。这解决了类似hermes cron的schedule配置每月这样的需求，例如每月1号凌晨执行：schedule: "0 0 1 * *"。

5. 常见问题与故障排查

在部署和使用 Hermes 的过程中，你可能会遇到以下典型问题。

5.1 安装与启动问题

5.2 运行时功能问题

5.3 性能与优化问题

6. 最佳实践与工程建议

将 Hermes 投入生产环境或严肃项目时，请遵循以下建议。

6.1 安全第一

1. 最小权限原则：

   • Terminal 沙箱：使用最低权限的用户运行命令，严格限制文件系统访问范围 (allowed_directories)。
   • 网络访问：在沙箱内限制对外部网络的访问，防止恶意 Skill 进行网络攻击或数据外传。
   • API 密钥管理：永远不要将密钥硬编码在代码或配置文件中。使用.env文件（不提交到 Git）或专业的密钥管理服务（如 HashiCorp Vault, AWS Secrets Manager）。

2. 输入验证与清理：

   • 对所有从用户输入或外部系统传入 Skill 和 Terminal 的参数进行严格的验证和清理，防止注入攻击。

3. 技能审核：

   • 对于由 Agent 自动生成的 Skill，必须建立人工审核流程，尤其是涉及数据修改、外部调用或系统操作的 Skill，确认无误后再批准上线。

6.2 配置管理

1. 环境分离：为开发、测试、生产环境准备不同的配置文件（如config.dev.yaml,config.prod.yaml），通过环境变量HERMES_ENV=production来切换。
2. 配置版本化：将应用配置（不包括密钥）纳入版本控制系统（如 Git），便于追踪变更和回滚。
3. 健康检查与监控：为 Hermes 服务添加/health端点，并集成到你的监控系统（如 Prometheus, Grafana）中，监控其 API 响应时间、错误率和资源使用情况。

6.3 技能设计

1. 单一职责：每个 Skill 应只做一件事，并把它做好。这有利于复用、测试和进化。
2. 清晰的接口：Skill 的description和parameters定义要尽可能清晰、无歧义，帮助 LLM 准确理解和调用。
3. 完善的错误处理：Skill 内部应有try-except逻辑，并返回结构化的错误信息，便于上层 Agent 或系统进行处理。
4. 编写测试：为重要的 Skill 编写单元测试和集成测试，确保其功能正确，尤其是在自动进化后能快速验证。

6.4 记忆策略

1. 结构化存储：鼓励将记忆以结构化的 JSON 格式存储，而不是大段文本，这有利于精确查询和更新。
2. 定期清理：设置定时任务，清理过时、低价值或敏感的记忆数据，避免存储无限膨胀影响性能和隐私。
3. 记忆分区：善用namespace和tags对记忆进行逻辑分区，例如按用户、按项目、按会话类型分隔，提高检索效率和准确性。

6.5 持续集成与部署

1. 容器化：使用 Docker 镜像进行部署，确保环境一致性。
2. 技能仓库 CI：为共享的技能仓库设置 CI 流水线，当有新的 Skill 提交时，自动运行测试并打包。
3. 渐进式发布：对于核心 Agent 的更新（特别是模型或重大技能变更），采用蓝绿部署或金丝雀发布策略，先在小流量上验证效果。

通过本文的梳理，你应该已经对 Hermes Agent 的核心理念、快速部署方法、核心功能的使用以及项目级的最佳实践有了全面的认识。从理解 Harness Engineering 的工程思想，到亲手部署一个具备持久记忆和技能自进化能力的智能体，这个过程本身就是在实践这一套新兴的方法论。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度