初识 Hermes 及工作中的简单应用
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
用户输入 → Prompt → LLM → 结果单向、无记忆、无成长。
✅ Hermes 模式
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：
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。
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：
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：
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：
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：
# Linux / macOScurl-fsSLhttps://hermes-agent.nousresearch.com/install.sh|bash# Windowsiex(irm https://hermes-agent.nousresearch.com/install.ps1)初始化 & 启动：
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。
/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：
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
# 安装curl-fsSLhttps://hermes-agent.nousresearch.com/install.sh|bash# 或交给 OpenCode 执行# 创建副本（profile）hermes profile create my-profileecho'export PATH="$HOME/.local/bin:$PATH"'>>~/.bashrc配置模型信息
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：
$ 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
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
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
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）
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）
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