Hermes Agent 是一款强调长期使用、持续沉淀和自我改进的 Agent runtime它将工具调用、Skill 沉淀、跨会话记忆和安全边界整合进同一系统。本文深入剖析了 Hermes Agent 的核心设计包括其独特的闭环学习循环、分层记忆体系、七层纵深安全模型以及多 Provider 支持等旨在帮助读者理解如何构建一个能够长期进化且安全的 AI Agent。对于想要深入了解大模型应用和 AI Agent 架构的程序员和开发者来说本文提供了宝贵的实践经验和理论指导。最近开源 Agent 圈里Hermes Agent这个名字被频繁提起。如果用一句话先把它讲清楚Hermes也有人戏称“爱马仕 Agent”本质上不是又一个简单的 AI CLI而是一套强调长期使用、持续沉淀和自我改进的 Agent runtime。它试图把工具调用、Skill 沉淀、跨会话记忆和安全边界放进同一套可以长期演进的系统里。这也是它这段时间值得被反复讨论的原因。很多项目在解决“怎么让 Agent 能跑起来”Hermes 更关心的是另一层问题怎么让 Agent 在反复使用之后变得更稳、更熟练也更像同一个 Agent。我这段时间一直在沿着 Harness 这条线往前看。从 Codex、Claude Code 到 Anthropic 的方法论反复看到的其实都是同一个问题模型能力已经越来越强真正拉开差距的正在变成模型外面那层系统。顺着这个问题再往下看就自然会看到 Hermes。因为在开源世界里它算是少数认真把“执行循环、经验沉淀、长期记忆、安全控制”放在一起设计的项目。把源码、官方文档和最近的 release notes 对着看完之后我的感觉很明确Hermes 和 OpenClaw 看上去都在做开源 Agent但它们解决的其实不是同一层问题。OpenClaw 更像入口层和调度层重点是“消息怎么进来、会话怎么路由、平台怎么接”Hermes 更像 Agent 本体的执行与学习引擎重点是“工具怎么用、经验怎么沉淀、下次怎么变强”。也正因为这个差异Hermes 真正值得拆的不是它支持多少 provider、多少命令而是它把下面这几件事串成了一条闭环前台执行循环怎么跑复杂任务怎么复盘成 Skill长期记忆怎么分层存储与按需召回安全边界怎么放在框架层而不是全靠模型自觉这篇我就按这条线由浅入深拆开讲。太长不看版7 条1. OpenClaw 是网关Hermes 是引擎。 前者围绕会话路由和渠道连接设计后者围绕 Agent 的执行循环和自我进化设计。2. Hermes 的核心差异在闭环学习循环。 通过系统提示引导 后台 review 流程推动 Agent 把复杂任务沉淀成可复用的 Skill 文件且在使用中自我迭代。这是 best-effort 机制不是硬编码必达动作。3. 记忆体系走的是 SQLite FTS5 全文检索路线。 分三块MEMORY.md存 Agent 笔记、USER.md存用户画像、state.db存全量对话历史。按需搜索召回不是每次全量注入。4. 安全模型做了七层纵深防御官方文档定义。 本文聚焦与日常使用最相关的几层包括危险命令审批、容器隔离和上下文注入扫描源码可对照。5. Skill 系统有两条链路。build_skills_system_prompt()负责把技能索引注入系统提示skill_commands.py负责用户通过/skill-name调用时的即时加载。6. 支持多家主流 Provider 即时切换。 从 OpenRouter、Anthropic、OpenAI 到智谱、Kimi、MiniMax、阿里云、Google Gemini 等一条命令换模型不改代码。7. 部署门槛低迁移成本也低。 一行curl安装$5 VPS 就能跑。hermes claw migrate可导入 OpenClaw 的记忆、技能、配置和 API Key。先把定位讲清楚网关 vs 引擎要理解 Hermes 和 OpenClaw 的本质差异先看它们各自的核心是什么。OpenClaw 的核心是 Gateway网关守护进程。 它负责统一管理会话、路由和渠道连接更像一个多渠道个人助理操作系统。你接入 Telegram、Discord、Slack消息都通过网关调度到 Agent。Hermes 的核心是 Agent 自身的执行循环。 它不是围绕怎么把消息送到 Agent来设计的而是围绕Agent 怎么在一轮对话里用好工具、积累经验来设计的。先用一张图来看看架构差异对比Hermes 与 OpenClaw 的架构焦点对比图 1同样是开源 AgentOpenClaw 更偏入口与调度Hermes 更偏执行与学习引擎。从AGENTS.md里的项目结构可以看到Hermes 的代码组织方式本身就说明了这个优先级hermes-agent/ ├── run_agent.py # AIAgent 类核心对话循环 ├── model_tools.py # 工具编排发现、分发、调用 ├── toolsets.py # 工具集定义 ├── agent/ # Agent 内部机制 │ ├── prompt_builder.py # 系统提示装配 │ ├── context_compressor.py # 自动上下文压缩 │ ├── prompt_caching.py # Anthropic 提示缓存 │ └── skill_commands.py # Skill 斜杠命令 ├── hermes_state.py # SQLite 会话存储 FTS5 ├── tools/ # 40 工具实现 │ ├── registry.py # 中央工具注册 │ ├── approval.py # 危险命令检测 │ └── environments/ # 6 种终端后端 ├── gateway/ # 消息平台网关相对次要 └── skills/ # 内置技能模板26 个类目run_agent.py排在第一位gateway/放在后面。这和 OpenClaw 正好反过来。核心对话循环在AIAgent.run_conversation()里。真实实现比较复杂涉及流式 API、重试、fallback、响应校验、tool call 修复、并发执行等但骨架可以简化理解为Agent 接收用户消息 → 带上工具 schema 调用 LLM → 如果返回 tool_calls 就逐个执行并把结果追加到上下文 → 循环直到模型给出最终文本回复或者达到迭代上限。这个循环有两个值得注意的细节有一个iteration_budget防止 Agent 无限循环。默认最多 90 轮迭代。循环结束后会触发后台 review 流程下一节会详细讲这是 Skill 和记忆自动沉淀的入口。从架构边界看两者甚至可以互补一个偏接入一个偏执行与学习。Skill 系统不是硬编码自动化而是系统提示 后台 review的组合这是 Hermes 最有意思的设计也是最容易被讲偏的地方。社区讨论里常见的说法是Agent 完成 5 次以上工具调用后会自动生成 Skill 文件。这个描述不算错但容易让人以为这是一个简单的达到阈值就必写文件的硬规则。翻源码会发现实际机制比这个更柔和也更有意思。第一层系统提示里的引导在agent/prompt_builder.py里有一段写给 Agent 看的SKILLS_GUIDANCESKILLS_GUIDANCE ( After completing a complex task (5 tool calls), fixing a tricky error, or discovering a non-trivial workflow, save the approach as a skill with skill_manage so you can reuse it next time./n When using a skill and finding it outdated, incomplete, or wrong, patch it immediately with skill_manage(actionpatch) — dont wait to be asked. Skills that arent maintained become liabilities. )注意这里的5 tool calls是写在提示语里的经验阈值是对模型的建议不是代码层面的硬触发器。第二层后台 review 流程真正推动 Skill 沉淀的是后台 review 机制。在run_agent.py里有一个_skill_nudge_interval默认值是10self._skill_nudge_interval int( skills_config.get(creation_nudge_interval, 10) )每当 Agent 累计执行了 10 轮工具迭代在响应结束后注意不是响应过程中会触发一个后台 review 流程。这个流程的核心在_spawn_background_review()_SKILL_REVIEW_PROMPT ( Review the conversation above and consider saving or updating a skill if appropriate./n/n Focus on: was a non-trivial approach used to complete a task that required trial and error, or changing course due to experiential findings along the way...?/n/n If nothing is worth saving, just say Nothing to save. and stop. )它会 fork 出一个完整的子AIAgent静默模式最多 8 轮迭代把当前对话历史传进去让这个子 Agent 自己判断刚才这段对话有没有值得沉淀成 Skill 的经验。关键词是 “consider” 和 “if appropriate”。这是一个 best-effort 流程不是硬编码必达动作。子 Agent 可能判断Nothing to save就直接结束了。而且这个 review 流程跑在后台线程里不会阻塞用户的下一轮对话也不会竞争主 Agent 的模型注意力。如下图你会更容易看出Hermes 不是“达到阈值就强制写 Skill”而是把“复盘并沉淀经验”做成了一段后台工作流。Hermes 的 Skill 沉淀闭环图 2前台负责完成任务后台负责回看这段任务里有没有值得固化的经验。第三层Skill 索引与加载的两条链路Skill 在系统里有两种工作方式分别由不同的代码负责链路一系统提示里的索引。build_skills_system_prompt()在agent/prompt_builder.py里负责扫描~/.hermes/skills/目录以及外部 Skill 目录构建一份技能索引注入系统提示。这样 Agent 在每轮对话开始时就知道我有哪些技能可以用。这个索引还做了两层缓存进程内 LRU 磁盘快照避免每次都做文件系统扫描。链路二用户显式调用。skill_commands.py负责把每个 Skill 注册成斜杠命令。当用户在对话中输入/skill-name时Skill 的完整内容会作为用户消息而不是系统提示注入到对话中。这个设计是有意为之的目的是保护 prompt caching 不被破坏。对比 OpenClaw OpenClaw 也有 Skill 系统但主要依赖人工编写和社区贡献的 ClawHub 市场。Hermes 这边等于把写 Skill和改 Skill这两件事都交给了 Agent 自己走的是更自动化的路线。仓库里内置了 26 个目录的 Skill 模板覆盖 DevOps、研究、社交媒体、智能家居、数据科学等场景如果把整个仓库一起算进去可以检到 122 个SKILL.md。这说明 Skill 在 Hermes 里不是附属能力而是一等公民。记忆体系不是笔记本更接近搜索引擎两者都声称有跨会话记忆能力但实现方式差异很大。OpenClaw 的记忆OpenClaw 主要靠SOUL.md灵魂文件和MEMORY.md记忆文件走文件即记忆路线。所有聊天记录、角色设定、偏好、历史任务全部写入文件。好处是透明、容易理解。问题在于聊天次数一多文件变得庞大。每次任务开始时接近全量丢给大模型注意力分散、token 消耗高。这本质上是典型的上下文治理问题。Hermes 的记忆三块而非两层翻 Hermes 的官方文档和源码默认内建记忆其实有三块组件存储位置内容容量MEMORY.md~/.hermes/memories/Agent 的个人笔记环境事实、惯例、学到的东西~800 tokens2,200 字符USER.md~/.hermes/memories/用户画像偏好、沟通风格、期望~500 tokens1,375 字符state.db~/.hermes/全量对话历史 FTS5 全文检索无限前两个文件在每次会话开始时作为冻结快照注入系统提示不会在会话中途变化为了保护 prompt caching。Agent 在会话中通过memory工具修改的内容会立即写入磁盘但要到下一次会话才会反映到系统提示里。state.db是一个 SQLite 数据库WAL 模式支持并发读写在hermes_state.py里定义。它存储所有会话的完整消息历史并通过 FTS5 虚拟表支持全文检索CREATE VIRTUAL TABLE IF NOT EXISTS messages_fts USING fts5( content, contentmessages, content_rowidid );Agent 可以通过session_search工具搜索过去的对话配合 LLM 做摘要召回。这意味着 Hermes 不是把所有记忆一次性塞给模型而是只在需要时检索和加载。这一层如果只靠文字描述读者很容易把它理解成“又一个记笔记文件”。其实更准确的理解是小而稳定的信息放在前缀里长而杂的历史放进数据库里只有需要时才搜出来。Hermes 的记忆分层结构图 3Hermes 的关键不是“有记忆”而是把长期信息拆成了快照层和检索层。用一个不太严谨但直观的比喻OpenClaw 更像给 Agent 一个笔记本每次打开都从头翻。Hermes 更像给它装了一个搜索引擎翻到哪页看哪页。这类设计的关键不在于“有没有记忆文件”而在于“长期信息是否分层保存、是否按需召回、是否控制住上下文预算”。Hermes 在这三点上都更显式。安全模型七层纵深防御跟 OpenClaw 更多依赖大模型自身判断来规避风险不同Hermes 在框架层面搭了一套纵深防御体系。官方安全文档定义了七层安全边界。这里聚焦和日常使用最相关的几层展开。危险命令审批打开tools/approval.py核心是一张危险命令模式表DANGEROUS_PATTERNS包含 30 条正则匹配规则以下是简化示意非源码原样递归删除rm -r世界可写权限chmod 777磁盘写入dd if、 /dev/sdSQL 破坏性操作DROP TABLE、DELETE FROM不带 WHERE、TRUNCATE管道执行远程脚本curl ... | bash覆写系统配置 /etc/fork 炸弹脚本语言-e/-c执行自杀保护阻止 Agent 杀掉自己的进程审批模式有三档manual默认总是问人、smart用辅助 LLM 评估风险低风险自动通过高风险自动拒绝不确定的才问人、off关闭所有审批。v0.8.0 还给 Slack 和 Telegram 加了审批按钮不用再手动输入/approve。上下文注入扫描这一层让我印象比较深。在agent/prompt_builder.py里所有上下文文件AGENTS.md、.cursorrules、SOUL.md 等在加载到系统提示之前会先经过一遍注入扫描_CONTEXT_THREAT_PATTERNS [ (rignore/s(previous|all|above|prior)/sinstructions, prompt_injection), (rdo/snot/stell/sthe/suser, deception_hide), (rsystem/sprompt/soverride, sys_prompt_override), (rcurl/s[^/n]*/$/{?/w*(KEY|TOKEN|SECRET|...), exfil_curl), (rcat/s[^/n]*(/.env|credentials|/.netrc|/.pgpass), read_secrets), # ... ]命中任何模式该文件的内容会被直接阻断不会进入系统提示。日志里会记录具体是哪个文件、命中了什么威胁模式。这层防御和单纯在工具执行阶段做审批不同。Hermes 往前再推了一步在“模型看到上下文文件之前”就先做了一遍过滤。完整七层概览官方文档列出的七层完整结构1. 用户授权白名单、DM 配对2. 危险命令审批正则 LLM 评估3. 容器隔离Docker / Singularity / Modal4. MCP 凭据过滤MCP 子进程的环境变量隔离5. 上下文文件注入扫描6. 跨会话隔离会话间数据不互通cron 路径遍历加固7. 输入清洗终端后端工作目录参数白名单校验这套体系让安全不完全依赖模型自身的判断能力。即使用能力一般的模型框架层面也有基本保障。Hermes 的七层安全边界图 4这不是单点防御而是从“谁能说话”到“命令怎么执行”再到“上下文怎么进入模型”的纵深防线。模型支持多家 Provider一条命令切换翻官方 providers 文档Hermes 目前支持的 Provider 列表Provider配置方式Nous PortalOAuth 登录OpenAI CodexDevice code 认证AnthropicClaude Code 认证或 API KeyOpenRouter200 模型路由GitHub Copilot / Copilot ACPOAuthGoogle / GeminiGOOGLE_API_KEY智谱 (z.ai/GLM)GLM_API_KEYKimi / MoonshotKIMI_API_KEYMiniMax / MiniMax China国际 国内端点阿里云 (通义千问)DASHSCOPE_API_KEYDeepSeekDEEPSEEK_API_KEYHugging FaceHF_TOKENKilo Code / OpenCode Zen / OpenCode Go各自 API KeyAI GatewayAI_GATEWAY_API_KEY自定义端点任何 OpenAI 兼容 API切换只需一条命令hermes model # 交互式选择不改代码不锁定v0.8.0已于 2026-04-08 发布新增了会话中途切换在 CLI、Telegram、Discord、Slack 任何平台里输入/model就能即时换模型会话不中断。这个版本还加了 Google AI Studio 原生支持和 MCP OAuth 2.1 PKCE 认证。部署与迁移安装curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash安装脚本自动处理 Python 3.11、Node.js、所有依赖、仓库克隆并创建全局hermes命令。装好后source ~/.bashrc # 重载 shell hermes # 开始聊天 hermes setup # 完整配置向导 hermes doctor # 诊断问题支持六种终端后端本地、Docker、SSH、Daytona、Singularity、Modal。其中 Daytona 和 Modal 支持 serverless 持久化Agent 环境空闲时休眠有需要时唤醒空闲期间几乎零成本。$5 一个月的 VPS 就够用。还有一个容易忽略的功能Profiles。可以跑多个完全隔离的 Agent 实例各自有独立的配置、API Key、记忆、会话和技能。这对于想同时跑不同用途 Agent 的人来说挺实用。从 OpenClaw 迁移hermes claw migrate # 交互式迁移 hermes claw migrate --dry-run # 预览将迁移的内容可导入内容包括SOUL.md人格文件、记忆MEMORY.md USER.md、用户技能、命令白名单、平台配置、API Key、TTS 资产、工作区指令AGENTS.md。首次运行hermes setup时如果检测到~/.openclaw目录存在会自动询问是否迁移。写在最后回到开头的问题Hermes 和 OpenClaw 到底是什么关系从源码看两者的定位差异比社区讨论里感受到的还要大。OpenClaw 的核心竞争力在渠道覆盖和生态。接入平台多社区贡献的 Skill 市场成熟如果你需要的是一个多渠道助理操作系统它仍然是更稳的选择。Hermes 的核心竞争力在Agent 自身的进化能力。闭环学习、后台 Skill review、FTS5 记忆检索、七层安全防御这些都是在回答同一个问题怎么让 Agent 用得越久越聪明同时不失控。如果你在做 AI 研究Hermes 还内建了轨迹生成trajectory和 Atropos RL 环境可以直接拿来跑强化学习实验。这块我们没有展开但值得对这个方向感兴趣的读者自己翻一翻environments/和tinker-atropos/目录。从工程质量看约 3000 个测试、WAL 模式的 SQLite、FTS5 全文检索、prompt caching 保护、六种终端后端、七层安全防御这些不是两个月能从零堆出来的。Nous Research 做 Hermes 模型积累的底子确实在。更稳妥的说法是在当前开源项目里Hermes 是少数把执行循环、Skill 沉淀、记忆检索和安全边界放进同一套 runtime 里系统设计的项目。它未必已经是终局也未必每个环节都领先但方向是清楚的不是只让 Agent 能调用工具而是让 Agent 能在长期使用里逐步积累方法、缩短试错、提高可控性。最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容7、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】