Hermes Agent

hermes agent官网入口github:支持跨会话持久记忆能力,实现”越用越聪明”的自我进化

简介

Hermes Agent采用”学习闭环+多平台网关”的创新架构，重新定义了AI智能体的能力边界。技术层面，其核心是五阶段学习循环：任务执行、结果评估、技能提取、技能优化和技能检索，使智能体能够从经验中持续积累结构化知识。系统支持六种终端后端，包括本地运行、Docker、SSH、Daytona、Singularity和Modal，其中Daytona和Modal提供无服务器持久化能力，环境空闲时休眠、按需唤醒，成本极低。平台网关支持Telegram、Discord、Slack、WhatsApp、Signal和Email六大消息平台，用户可从手机端远程操控云端智能体。模型支持方面，Hermes Agent兼容Nous Portal、OpenRouter（200+模型）、DeepSeek、Kimi、MiniMax、OpenAI等主流提供商，通过hermes model命令即可一键切换，无需修改代码。安全架构上，系统采用容器加固、只读根文件系统、权限丢弃和命名空间隔离等多重防护措施，确保代码执行安全。

hermes agent官网: https://hermes-agent.nousresearch.com/

hermes agent github项目地址: https://github.com/NousResearch/hermes-agent

Hermes Agent 深度测评：Nous Research 打造的”越用越聪明”自主 AI 智能体

2026年的AI智能体赛道竞争激烈，从云端的商业平台到本地化的开源框架，工具层出不穷。然而大多数Agent工具都有一个致命缺陷——它们是”金鱼记忆”，每次对话结束，一切归零，下次依然从头开始推理。直到一个来自Nous Research的开源项目打破了这个僵局。

它叫 Hermes Agent。

上线短短数周，GitHub标星突破22,000，超过242位贡献者参与贡献，社区Discord活跃度持续爆表。这个成绩放在任何开源项目里都算不俗，在AI Agent这个竞争尤为激烈的赛道里，更是异乎寻常。

它到底是什么

Hermes Agent 是由 AI 研究实验室 Nous Research 开发的一款开源、自主、服务器驻留型 AI 智能体框架，采用 MIT 许可证，于 2026 年 2 月正式发布。

Nous Research 这个名字可能对部分人稍显陌生。这家实验室专注于开源模型开发和强化学习研究，此前已推出过 Hermes、Nomos、Psyché 等广受社区认可的开源大模型。Hermes Agent 可以看作是他们在大模型能力之上，向”具身智能体”方向迈出的关键一步。

如果非要用一句话概括 Hermes Agent 的定位，那就是：一个能在服务器上24/7运行、在完成任务的过程中持续进化自身能力、并跨平台响应你指令的自主 AI 服务。

它不是一个聊天界面的包装器，也不是一个需要本地 IDE 支撑的代码助手。它更像是一个部署在云端（或本地）的智能体雇员，有记忆、会学习、能自动执行定时任务，还能通过你常用的即时通讯工具随时响应。

核心设计哲学：闭环学习

传统AI工具的工作方式是线性的：你输入问题 → 它输出答案 → 对话结束，什么都不剩。

Hermes Agent 的核心突破在于它构建了一个”闭环学习系统”（Closed-Loop Learning）。整个循环可以拆解成四个阶段：

1. 解决（Solve）：接收任务，调用工具、推理、执行，完成目标
2. 提取（Extract）：将本次成功解决问题的步骤和方法，提炼为结构化的”技能文档”
3. 记忆（Memory）：将结果和上下文存入持久化存储，更新对用户习惯的理解
4. 复用（Reuse）：下次遇到类似问题，优先检索历史技能，而非重新推理

这不是噱头。每一个技能被保存为一个 SKILL.md 文件，存储在 ~/.hermes/skills/ 目录下。这些文件遵循 agentskills.io 开放标准，意味着社区可以共享、发布、订阅技能包，就像一个 AI 版的”应用商店”。

举个具体的场景：当你第一次让 Hermes 帮你”清理服务器上一周前的 Docker 镜像”，它会推理出对应的 docker image prune 命令序列，完成任务。同时，它会自动把这套操作流程提炼为一个技能，记录你服务器的目录习惯和偏好。下次你只要说”老规矩，清一下”，它立刻调用该技能，不需要重新解释一遍你的环境配置。

这就是Nous Research所说的”复利效应”——用得越久，它越懂你。

主要功能与特色

双层记忆系统

Hermes 的记忆体系分为两个层次，处理不同粒度的上下文信息。

短期上下文记忆：在单次会话中，完整追踪对话历史、工具调用链路、中间推理步骤。这保证了在处理多步骤复杂任务时，智能体不会”忘记”前一步做了什么。

长期持久化记忆：使用 SQLite 数据库配合 FTS5 全文检索引擎，将跨会话的重要信息（用户偏好、项目背景、历史结论）持久化存储。当新会话开始时，智能体会通过语义检索，自动召回相关的历史记忆，注入当前上下文。

这个设计的精妙之处在于——它不需要用户手动管理记忆，也不需要每次都把项目说明书粘贴进来。系统内部自动处理这一切，无需 YAML，无需手动配置，一切基于 SQLite 和大语言模型的摘要能力自动完成。

40+ 内置工具体系

Hermes Agent 内置超过40种工具，覆盖了自动化任务所需的绝大多数能力：

• 终端与Shell：执行任意 bash/shell 命令，支持5种终端后端切换（直接执行、Docker沙盒、SSH远程等）
• 文件系统操作：读写、创建、删除、搜索文件，支持复杂的目录遍历
• 浏览器自动化：基于无头浏览器，能抓取网页、填写表单、模拟用户操作
• 代码执行：在沙盒环境中运行 Python、Node.js 等代码片段
• 图像生成：接入主流文生图 API，直接在对话中生成图像
• 自然语言调度：用中文描述”每天早上8点检查服务器状态”，Hermes 会自动转化为 cron 表达式并注册定时任务

更重要的是，Hermes 还全面支持 MCP（Model Context Protocol），这意味着它可以无缝接入任何符合 MCP 标准的外部工具和数据源。v0.6.0 版本更进一步，加入了类型化 SDK 工作流，让工具调用更加结构化和可靠。

多平台消息网关

这是 Hermes Agent 区别于大多数本地化AI工具的重要特性——它被设计为一个”服务”，而非一个”应用”。

通过内置的消息网关系统，Hermes 原生支持以下平台的双向通信：

• Telegram
• Discord
• Slack
• WhatsApp

配置极为简洁，以 Telegram 为例：运行 hermes gateway setup，填入 Bot Token，再执行 hermes gateway start 即可。之后你在手机上发一条消息给你的 Bot，Hermes 就会在服务器端接收指令、执行任务、将结果格式化后回传。

这意味着一个个人开发者可以在 5 美元/月的 VPS 上部署 Hermes，不需要在本地开着电脑，随时随地通过手机 Telegram 远程控制服务器、执行脚本、查询数据，甚至让它定期推送每日摘要。

灵活的模型支持

Hermes 不锁定任何一家 LLM 提供商，目前支持超过200种模型接入，包括：

• OpenAI（GPT-4o 系列）
• Anthropic（Claude 系列）
• OpenRouter（汇聚多家提供商）
• 本地 Ollama（完全离线运行）
• 任何兼容 OpenAI API 格式的端点

初始化时通过 hermes setup 向导完成 API 配置，后续随时可以切换模型。对于本地隐私敏感型场景，配合 Ollama 可以实现完全本地化、零数据外传的部署方案。

ACP 通信协议

Hermes 内部使用专门为 Agent 通信设计的 ACP（Agent Communication Protocol） 协议，定义了标准化的 initialize、authenticate、session/new、session/prompt 等方法，让 Hermes 可以作为一个标准化的智能体后端，被其他系统（如 HagiCode、自定义客户端等）通过统一接口调用，具备良好的可集成性和扩展性。

部署灵活性

Hermes 的系统要求出奇地低，且部署方式多样：

• 本地笔记本：macOS / Linux / WSL2 均可直接运行
• 廉价 VPS：5美元/月的服务器即可稳定运行 24/7 服务
• Docker 容器：一键容器化部署，方便 CI/CD 集成
• SSH 远程：作为远程服务端运行，配合 SSH 管道访问
• Serverless 架构：支持无服务器部署模式

一键安装脚本自动处理 Python 环境和依赖，无需手动配置 Python/Node.js：

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

上手体验与测评

安装与初始化

整个安装过程体验流畅，一键脚本会自动安装 uv、Python 虚拟环境和 hermes 命令行工具，整个过程约需3-5分钟，无需手动排查依赖问题。

运行 hermes setup 后，向导式的配置流程引导你选择 LLM 提供商、填入 API Key，随后即可启动。相比一些需要手动编辑 YAML 配置文件的框架，Hermes 的上手体验更接近商业软件的友好程度。

终端界面支持多行编辑，可以直接粘贴大段内容，这在处理代码或日志分析时非常实用。

技能学习循环的实际表现

在实际使用中，技能提取功能并非全自动触发——根据社区反馈和官方文档，用户需要主动指示 Hermes 将某个解决方案保存为技能（通过特定提示词触发），或者在足够多的重复场景后，系统才会自主提炼。这与部分宣传材料中”完全自动”的描述略有出入，属于需要注意的地方。

不过，一旦技能库建立起来，召回的体验相当顺畅。历史记忆的全文检索响应速度快，智能体在处理有上下文的连续任务时明显比从零开始的对话更高效。

工具调用的稳定性

40+ 内置工具中，Shell 执行、文件操作、网页抓取等核心工具表现稳定。部分社区用户反映工具调用在特定模型（尤其是较小的本地模型）下有时不够稳定，这与底层模型的 function calling 能力直接相关，并非框架本身的问题。配合 GPT-4o 或 Claude Sonnet 使用时，工具调用的成功率和准确率均表现良好。

消息网关体验

Telegram 网关的配置和启动过程约10分钟可以完成，消息延迟在正常网络条件下通常在2-5秒，对于异步任务执行场景完全够用。将 Hermes 配置为服务器的”智能化运维入口”，是目前社区中最受好评的使用案例之一。

定时任务功能

内置 cron 调度器是 Hermes 的一大亮点，被社区评价为”开箱即用”体验最好的功能之一。用自然语言描述任务计划，Hermes 自动解析并注册，无需用户了解 crontab 语法。

主要局限

• 文档仍在完善中：作为发布数月的新项目，部分高级功能的文档较为简略，需要结合 Discord 社区和源码来摸索
• 学习循环需要主动触发：并非用户感知到的那样”完全无感自学习”
• 不支持原生 Windows：仅支持 Linux、macOS 和 WSL2，纯 Windows 用户需要额外配置
• 多智能体协作能力较弱：当前版本主要定位于单智能体场景，不擅长复杂的多Agent编排

五款同类产品详细对比

一、OpenClaw

OpenClaw 是目前 GitHub 上 star 数最高的开源个人智能体，标星超过33万，是一个本地优先、数据不出设备的个人 AI 助手。

核心定位：本地化、隐私保护、极高可玩性

OpenClaw 通过即时通讯应用与用户交互，配备了拥有13,700+ 社区技能的 ClawHub 生态，技能市场的规模和成熟度远超目前的 Hermes。在模型支持上，OpenClaw 同样是模型无关的，配合 Ollama 可以实现 100% 本地部署，零数据泄露风险。

然而 OpenClaw 的核心差异在于记忆机制：它的技能需要社区制作和手动安装，而 Hermes 的技能是智能体根据你个人使用习惯自动生成的。一个是公共市场的通用技能，一个是专属于你工作流的私人技能——这是两种截然不同的设计哲学。

另一个常被提及的区别是：Nous Research 开发者表示，Hermes 解决了 OpenClaw 用户最常抱怨的”第二天早上就忘了你存在”的问题，即长期记忆的跨会话持久化。

结论：如果你更在意技能生态的丰富性和硬核可玩性，OpenClaw 是更好的选择。如果你更看重”越用越懂你”的个性化进化能力，Hermes 的自动技能提炼机制更有吸引力。

二、CrewAI

CrewAI 是当前开源社区中最流行的多智能体编排框架之一，GitHub 标星约46,000，基于 Python，MIT 许可证。

核心定位：多智能体协作，企业级工作流编排

CrewAI 的设计理念是”角色扮演型多Agent”——你定义一批具有不同角色（研究员、写作者、审核者）的智能体，它们通过明确的任务分配和协作规则共同完成复杂任务。框架内置超过75种工具，原生支持 MCP，具备 RAG 能力和结构化输出模式。

CrewAI 与 Hermes 最根本的差异在于使用场景的出发点不同。CrewAI 是一个 Python 框架，用于构建多智能体系统；Hermes 是一个开箱即用的单体智能体服务，面向个人和轻量化团队使用。前者更适合开发者搭建 AI 流水线，后者更适合直接部署使用。

CrewAI 的智能体在用户的 Python 进程中运行，没有沙盒隔离，托管、扩缩容和监控都需要自行负责。对于不具备 DevOps 能力的个人用户，这是较高的门槛。

结论：需要构建复杂多 Agent 协作系统的开发团队，CrewAI 是更成熟的选择。而对于希望”部署即使用”、专注单体智能体进化能力的场景，Hermes 更直接。

三、Paperclip

Paperclip 是本次对比中定位最宏大、架构最激进的开源项目，GitHub 标星约33,000，致力于构建完整的”AI驱动型组织”基础设施。

核心定位：企业级 AI 组织架构，CEO-VP-执行层智能体层级

Paperclip 不是在构建一个智能体，而是在构建一整套能运行”AI公司”的系统。智能体填充完整的组织架构图——CEO 智能体向 VP 智能体下达目标，VP 智能体分解任务并委派给各执行智能体，整个过程模拟真实的组织管理链路。它同样是模型无关的，任何符合 OpenAI 接口规范的模型都可以接入。

与 Hermes 相比，Paperclip 在多智能体协作维度上的设计深度远超前者，但个人化使用场景的友好性则完全是另一个方向。Paperclip 目前仍处于早期阶段，文档和社区的成熟度有限，适合具备技术能力的团队作为底层基础设施进行定制开发，而非普通用户开箱即用。

结论：Paperclip 代表了 AI Agent 协作架构的一种激进探索方向，但当前阶段对大多数用户而言过于超前。Hermes 在个人和小团队使用场景中，实用性和可部署性均更胜一筹。

四、Lindy AI

Lindy 是一款面向非技术用户的商业化无代码 AI 工作流平台，已融资近5000万美元，用户规模约4万人。

核心定位：无代码工作流自动化，非技术用户友好

Lindy 的产品思路是将 AI 能力封装在可视化的工作流构建器中，用户通过拖拽连接节点来定义自动化逻辑。积分计费模式在托管便利性上胜过 Hermes，但可控性和数据隐私方面完全是两个世界。Lindy 最被社区诟病的问题是账单不可预期——积分制的消耗规律对普通用户来说难以预判，Trustpilot 评分仅2.4/5，负面评价中账单问题占了相当比例。

Hermes 是完全免费、自托管的开源框架，边际成本仅为服务器费用（最低约5美元/月）。两者面向的用户画像几乎没有重叠：Lindy 面向不懂技术但愿意付费换取便利的商业用户，Hermes 面向愿意自己动手的技术型个人或团队。

结论：非技术用户且不介意数据上云，Lindy 的产品体验更丝滑。一旦你有基本的服务器操作能力，Hermes 在成本、隐私和自学习能力上的综合优势明显。

五、字节跳动 TARS Agent

TARS 是字节跳动于2026年初开源的 AI 自动化 Agent 框架，背靠字节生态资源，主打浏览器自动化和跨平台任务执行能力。

核心定位：浏览器自动化，企业级 AI 任务流水线

TARS 在浏览器操作、网页表单填写、多步骤 Web 自动化等场景的能力相当出色，有字节内部大规模落地验证的背书。其工程化程度和稳定性在开源 Agent 框架里属于较高水平。

与 Hermes 的对比中，TARS 最明显的差异在于学习进化能力——TARS 目前没有类似 Hermes 的自动技能提炼和长期个性化记忆机制，更多是一个性能稳定、功能聚焦的执行型框架。在消息网关、定时任务等”服务化”能力上，TARS 也不是其设计重点，而这恰好是 Hermes 的核心优势区域。

结论：如果你的核心需求是高可靠性的 Web 自动化流水线，TARS 的稳定性和浏览器能力更强。如果你更看重智能体的个性化进化和长期部署使用的”越用越聪明”特性，Hermes 独树一帜。

综合横向对比一览

它适合谁

经过以上拆解，Hermes Agent 的最佳使用场景已经相当清晰：

最适合以下用户：

• 有一台 VPS 或服务器可以长期运行的个人开发者
• 希望通过 Telegram/Discord 远程控制服务器、执行脚本的技术人员
• 需要定期执行重复性任务（日志清理、数据备份、报告生成）的运维人员
• 想要构建个人化 AI 助手、让它随时间积累专属知识库的用户
• 对 AI 自主进化技术感兴趣、愿意参与早期生态建设的研究者和极客

暂时不适合以下用户：

• 完全不懂 Linux 基础操作的普通用户
• 需要复杂多