本文由 辛梓煜@词元二号站（www.ciyuanerhao.com）撰写，转载请注明出处。

快速摘要

如果你用过各种 AI 聊天工具，大概率会有这种感觉：每次打开对话框，它都像第一次见你。你反复告诉它你的工作习惯、你的知识背景、你的偏好风格，但下次对话它又忘光了。这不是你的问题，而是市面上大多数 AI 助手根本不具备"跨会话记忆"和"经验积累"的能力。

Hermes Agent 解决的就是这件事。它由知名 AI 研究机构 Nous Research 在 2026 年 2 月开源发布，核心设计思路只有一个：让 Agent 越用越聪明。它不是那种每次对话从零开始的聊天框，而是一个真正住在你电脑上的自主智能体——它会记住你、记住自己做过什么、从成功经验里自动提炼"技能"，下次遇到类似任务直接复用。截至 2026 年 7 月，它在 OpenRouter 的全球 Agent 日活排行榜上已经排到第一，日消耗 token 量超过 2240 亿。

本文我会从零开始，带你走完 Hermes Agent 的完整上手路径：从安装部署、模型配置（包括免费的本地 Ollama 模型）、多 Agent 架构搭建，到核心的技能系统（Skills）和记忆系统原理，最后用一个"赛博学习导师"的实战案例，展示如何打造一个真正懂你、而且越来越懂你的 AI 助手。所有操作我都亲自在 Windows 和 macOS 上验证过，坑在哪、怎么绕，文中都会说清楚。

想看完整拆解，往下翻。

一、为什么你需要一个会自己进化的 AI 助手

我自己折腾 AI 助手这件事，前后差不多两年了。从最早的 ChatGPT 网页版，到后来的各种套壳客户端、开源框架，我统统试过一遍。中间踩过的坑就不展开了，只说一个最核心的痛点：它们全都不记事儿。

注意，我说的"不记事儿"不是指单次对话的上下文窗口——那个现在各家模型都能做到 128K、甚至 1M token。我说的是跨对话的记忆。你今天跟它聊了两个小时，把项目背景、技术栈、个人偏好都交代清楚了。明天你再打开，它一脸茫然地问："有什么可以帮您的？"

于是你只能把昨天说过的话再说一遍。周而复始。这不是助手，这是个金鱼。

更让我难受的是另一个层面的问题：即使同一个会话内它能帮你完成一个任务——比如写了个爬虫脚本、做了份数据分析——这个"成功经验"也不会被沉淀下来。下次你再让它做类似的事情，它还是从零开始思考、从零开始调用工具。没有任何积累、没有任何进化。

直到我开始用 Hermes Agent，才真正体会到什么叫"养一个助手"。

Hermes Agent 是 Nous Research 在 2026 年 2 月正式开源的自主 AI Agent 项目。Nous Research 这个名字如果你关注开源大模型圈应该不陌生，他们之前发布的 Hermes 系列微调模型在 HuggingFace 上非常受欢迎，HuggingFace 下载量早就破千万了。Hermes Agent 是他们在模型层之上构建的 Agent 框架，2026 年 2 月一经发布就冲到了 GitHub 26K+ stars（截至 2026 年 4 月数据）。

但 star 数不是我关注的重点。我真正在意的是它那个独特的设计理念——闭环学习机制。通俗说就是：Agent 每完成一次任务，会自动评估过程、提炼有效步骤、生成一份可复用的"技能文档"（Skill）。下次遇到类似任务时，它会自动加载这个技能，不需要你重新教一遍。

打个生活中的比方：普通 AI 助手像是每天新来的实习生，你天天得从头教。Hermes Agent 像个老员工，干过的活自己记笔记，下次干得更快更好。

这个机制到底怎么运作的、能进化到什么程度，后面的章节我会结合实操详细拆解。但在那之前，咱们先把东西装起来——毕竟说再多，不如跑起来看看。

二、Hermes Agent 到底是什么：拆解它的底层逻辑

先把概念捋清楚，因为这东西确实跟大多数人对"AI 助手"的想象不太一样。

它不是什么

Hermes Agent 不是 ChatGPT 的桌面客户端，也不是 Cursor 或 Copilot 那样的 IDE 编程插件，更不是你手机上装的那种语音助手 App。它是一套运行在你本地（或服务器）上的自主 Agent 框架。

所谓"自主"，意思是它可以自己决定什么时候调用什么工具、执行什么命令、读写什么文件，不需要你每一步都手动确认。当然，这些权限你可以在设置里控制，但核心设计哲学就是：给它目标，让它自己想办法达成。

它到底是什么

用一句话概括：Hermes Agent 是一个带自学习循环的命令行级 AI Agent 运行时。

拆开来看有四个关键词：

• 命令行级：它的核心交互方式是终端命令和对话。但同时它也支持通过消息网关连接到 Telegram、Discord、Slack、WhatsApp、飞书、微信等 14+ 种即时通讯平台。所以虽然底层在命令行跑，但你日常用的时候完全可以对着飞书或者微信发消息来指挥它。
• AI Agent：它不是一个单纯的对话模型，而是一个能调用工具的智能体。内置 70+ 种工具，包括文件读写、网页抓取、代码执行、浏览器操作、数据库查询等等。它可以自己编排这些工具来完成复杂任务。
• 运行时：它不是一次性调用，而是常驻的、持续运行的。你可以给它设定定时任务（Cron），让它每天固定时间自动做某些事。
• 自学习循环：这是它跟其他 Agent 框架最大的区别。每次任务成功执行后，系统会评估是否需要从中提炼出可复用的"技能"（Skill）。提炼出来的技能以人类可读的 Markdown 文件存储，下次遇到相似场景自动触发。

和同类工具比，差在哪、好在哪

下面这个表格是我实际用过几款主流 Agent 工具之后的直观对比：

注意，OpenClaw 的 star 数和社区规模目前还是大很多（毕竟发布时间早得多），但 Hermes Agent 的增长势头非常猛。到 2026 年 6 月，它在 OpenRouter 上的日消耗 token 量已经达到 2240 亿，超过了 OpenClaw 的 1860 亿，排到全球第一。这说明真实用户量和使用深度都在快速赶超。

底层架构的一个关键设计

Hermes Agent 的架构核心是Agent Loop——一个持续运行的循环：接收输入 → 分析意图 → 调用工具 → 评估结果 → 决定是否生成技能 → 回到等待状态。

这个 Loop 不是简单的线性流程。在"评估结果"这一步，系统会检查当前任务过程中调用了多少工具、任务是否成功、中间有没有值得复用的操作模式。如果满足条件（默认是成功调用 5 个以上工具且任务完成），就会触发技能生成流程。

这个设计的意义在于：你不是在"配置"一个 Agent，而是在"养"一个 Agent。 用得越久，它的技能库越丰富，处理任务越高效。这也是为什么官方给它的口号是"The Agent That Grows With You"——一个和你一起成长的智能体。

理解了这些底层设计之后，接下来我们深入看它的三大核心能力系统。

三、核心能力三件套：技能、记忆与多模型协作

Hermes Agent 能实现"越用越聪明"，靠的不是单一魔法，而是三个系统环环相扣的配合。我做了一张图来帮大家理解它们的关系：

flowchart TB
    User[用户输入任务] --> Loop[Agent Loop 主循环]
    Loop --> Memory[记忆系统]
    Loop --> Skills[技能系统]
    Loop --> Models[多模型调度]

    Memory --> |检索相关经验| Loop
    Skills --> |匹配可复用技能| Loop
    Models --> |分配最优模型执行| Loop

    Loop --> |任务成功后| SkillGen[技能生成器]
    SkillGen --> |提炼新技能| Skills

    Loop --> |所有交互记录| Memory

    Memory --> WM[工作记忆<br/>当前会话]
    Memory --> FTS5[FTS5 全文搜索<br/>跨会话持久记忆]
    Memory --> UM[用户建模<br/>偏好/习惯/身份]

下面逐个拆解。

技能系统（Skills）：Agent 的"肌肉记忆"

这是 Hermes Agent 最核心的差异化能力。技能系统的设计原则很简单：把复杂任务中验证有效的操作流程沉淀为可复用文档。

每个 Skill 本质上是一个 Markdown 文件（文件名 SKILL.md），存储在 ~/.hermes/skills/ 目录下。一个典型的 Skill 文件结构大致是这样：

# Skill: 每日科技新闻摘要

## Trigger Conditions
- 用户询问"今天有什么科技新闻"
- 用户提及关键词："科技新闻"、"tech news"
- 每天早上 8:00 Cron 触发

## Execution Steps
### Step 1: 搜索新闻源
使用 web_search 工具，查询 `今日科技新闻`、`tech news today`

### Step 2: 过滤与排序
从搜索结果中提取 5-10 条最相关的新闻，按重要性排序

### Step 3: 生成摘要报告
将新闻整理为结构化的 Markdown 报告，包含标题、链接、一句话摘要

### Step 4: 保存并推送
将报告保存到本地文件夹，并通过消息平台推送给用户

Skill 除了 SKILL.md 这个核心文件外，还可以附带 references/（参考资料）、templates/（模板文件）、scripts/（可执行脚本）、assets/（静态资源）等子目录。这让你可以把一个完整的工作流封装成一个可移植的技能包。

触发条件是技能系统的精髓。它支持多种触发方式：

• 关键词匹配：用户消息中包含特定词汇
• Cron 定时：按计划时间自动触发
• 手动调用：通过 /skills 斜杠命令显式调用
• Agent 自主判断：Agent 分析当前任务后认为某个 Skill 适用

截至 2026 年 4 月，官方的 Skills Hub 上已经有 643 个社区贡献的技能，涵盖开发、运维、数据分析、内容创作、学习辅助等几乎所有技术领域。你可以直接 skills install 安装社区的技能，也可以自己手搓、或者让 Agent 在工作中自动生成。

记忆系统：三层架构让 Agent 不再"失忆"

Hermes Agent 的记忆不是简单地保存聊天记录。它用了三层架构：

工作记忆（L1） 就是模型上下文里存的东西，跟普通聊天一样，会话结束就没了。但关键是 L2 和 L3。

持久记忆（L2） 用了 SQLite 数据库 + FTS5 全文搜索引擎。这意味着 Agent 可以在海量历史交互中快速检索到相关信息。比如三个月前你跟它讨论过一个 Bug 的解决方案，今天你又遇到类似问题，它可以自己搜索到那段历史并参考。

用户建模（L3） 是最让我惊喜的设计。Agent 会在和你交互的过程中，持续构建对你的"认知模型"——你常用的技术栈、工作习惯、偏好风格、甚至你的作息时间。这些信息不是一次性填表填出来的，而是通过一次次对话慢慢"感受"出来的。你在对话中提到"我喜欢用 Python 而不是 Node.js"，它会记下；你经常深夜发消息，它会据此调整互动节奏。

三层记忆协同工作的效果是：Agent 既能在当前对话中保持连贯（L1），又能跨会话调用历史经验（L2），还能根据对你的了解来优化交互方式（L3）。

多模型协作：一个好汉三个帮

Hermes Agent 支持接入 200+ 种模型 Provider，包括 OpenAI、Anthropic、Google、DeepSeek、以及本地的 Ollama。你可以为不同的任务分配不同的模型：

# 概念示例：多模型分工策略
model_providers:
  primary:          # 主力模型 - 处理复杂推理
    provider: anthropic
    model: claude-sonnet-4-20250514

  secondary:        # 辅助模型 - 处理日常对话
    provider: deepseek
    model: deepseek-chat

  local:            # 本地模型 - 处理隐私任务
    provider: ollama
    model: qwen3:14b

  tool_only:        # 纯工具模型 - 网页提取、上下文压缩
    provider: ollama
    model: qwen3:4b

这种分层策略的好处很明显：复杂的推理任务用顶级模型，简单的文本处理用本地免费模型，省钱又不牺牲能力。 我自己跑下来的经验是，合理配置之后，主力模型的 Token 消耗能减少 40%-60%。

具体怎么配，后面的章节会手把手走一遍。

四、安装与基础设置：60 秒让你的电脑拥有一个 Agent

Hermes Agent 的安装体验让我挺意外的——可以说是我用过的开源 AI 工具里最顺畅的之一。官方提供了两种安装途径：桌面端安装包和命令行一键脚本。

桌面端安装（推荐新手）

直接访问 Hermes Agent 官网（hermes-agent.nousresearch.com），首页就能看到醒目的下载按钮。目前支持的平台：

• macOS 12+：标准 DMG 安装包，拖进 Applications 就完事
• Windows 10/11：原生安装包，双击安装
• Linux（任意发行版）：提供 AppImage 格式或通过命令行安装

下载完成后启动应用，它会自动完成一些初始化工作——包括检查运行环境、安装必要的依赖组件。这个过程通常只需要一两分钟。

命令行安装（喜欢折腾的选这个）

如果你用的是 Linux、macOS 或者 WSL2，一行命令搞定：

# Linux / macOS / WSL2
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

如果是原生 Windows（PowerShell），用这个：

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

执行后脚本会自动检测你的系统环境，下载并配置好所有依赖。整个过程不需要你手动装 Python、Node.js 或者 Docker——安装脚本全包了。官方说"60 秒完成安装"，在我自己的 MacBook Pro 上实测大概花了 45 秒左右（网络状况好的前提下）。

安装后第一件事：改语言

启动 Hermes Agent 后，默认界面是英文的。如果你习惯看中文，先去右上角的设置（齿轮图标），找到外观（Appearance），把语言改成简体中文。整个界面会立刻切换过来。

这一步虽小，但对于第一次接触 Agent 概念的新手来说，母语界面能大大降低上手门槛。Hermes 的中文翻译质量相当不错，不是机翻那种生硬感。

第一次对话：让它自我介绍

改完语言、回到主界面，你可以直接发一条消息测试：

介绍一下你自己。顺便直接做一件你觉得可以为我做的事情，展示一下自己的综合能力。

我在自己的 Windows 机器上第一次跑这条指令时，它直接对我的电脑做了一次健康体检——检查了内存占用、磁盘空间、系统安全状态，然后生成了一份结构化的诊断报告，包括：

📊 系统健康报告
━━━━━━━━━━━━━━━━
🖥  内存：16GB 总容量，当前使用率 62%，健康
💾  磁盘：C 盘剩余 85GB（总 256GB），建议清理临时文件
🔒  安全：防火墙已开启，最近无异常登录记录
⚠  建议：C 盘空间偏低，建议释放至少 20GB

这其实就是 Hermes Agent 工作方式的缩影：它不是被动等你问问题，而是会主动调用系统工具去获取信息、分析、然后呈现结果。它住在你的电脑上，直接在你的环境里操作——这个感觉跟打开一个网页版 AI 聊天完全不一样。

安装目录与文件结构

装完之后你可能会好奇它到底装在哪、文件是怎么组织的。这里简单列一下（以 macOS/Linux 为例）：

~/.hermes/                  # 主配置目录
├── config.yaml             # 全局配置文件
├── skills/                 # 技能库存放目录
│   ├── <skill-name>/
│   │   ├── SKILL.md        # 技能定义文件
│   │   ├── references/     # 参考资料
│   │   └── scripts/        # 可执行脚本
├── memory.db               # 持久记忆数据库（SQLite）
├── agents/                 # 各 Agent 独立配置
│   ├── default/
│   └── <agent-name>/
└── logs/                   # 运行日志

了解这个结构对后续排查问题很有用。比如技能不生效，直接去 skills/ 目录看看文件生成没有；记忆出了问题，memory.db 可以备份或重置。

五、连接大语言模型：API Key 与模型选择策略

Hermes Agent 本身不包含大模型——它是一个框架，需要你接入模型 API 才能工作。好消息是，它支持的模型提供商非常广泛，而且配置过程极其简单。

填入 API Key

安装完成后的主界面右下角有一个入口，点击后会打开模型配置页面。在这里你可以选择模型提供商并填入相应的 API Key。

以 DeepSeek 为例：

1. 在提供商列表中选择「DeepSeek」
2. 填入你的 API Key
3. 选择要使用的模型（如 deepseek-chat 或 deepseek-reasoner）
4. 点击保存

搞定。不需要写配置文件、不需要改环境变量，图形界面里点几下就行。

通过 OAuth 授权登录

如果你有某些 AI 服务的会员或包月订阅（比如 ChatGPT Plus、Claude Pro 等），Hermes 还支持通过 OAuth 授权 的方式直接使用你的会员额度。点击"其他供应商"，按弹出的链接登录你的账号并授权，就可以直接调用对应的模型了。

这个功能说实话很实用——你不用单独为 Hermes 买 API 额度，直接复用你已有的订阅就行。

模型选择策略：大小搭配，干活不累

接入多个模型之后，关键的来了——怎么分配任务。我的策略很简单，用一张表说清楚：

这个"主力+辅助+本地"的三层模型架构，是我自己折腾一段时间后沉淀下来的最佳实践。它的核心逻辑是：复杂的活给顶级模型干，杂活给免费模型干，隐私活给本地模型干。 后面章节我会详细展示怎么把本地的 Ollama 模型配进 Hermes。

说到本地模型，下一章咱们就来装一个。

六、本地模型加速器：Ollama 安装与模型部署

上一章我们提到用"本地模型"来处理杂活和隐私数据。这一章就来实操——给你的电脑装一个完全免费的本地大模型运行环境。

为什么需要本地模型

三个理由，一个比一个重要：

省钱。 云端 API 按 Token 计费，看起来单价不贵，但 Hermes Agent 这种持续运行的 Agent 消耗量远大于手动聊天。网页提取、上下文压缩、定时任务的自动执行……这些"杂活"如果也用顶级模型，月底账单能吓你一跳。而本地模型——跑在你自己显卡上，零额外成本。

隐私。 有些文件你不想上传到任何云端服务器。比如公司内部文档、个人财务数据、或者一些敏感的本地文件。本地模型处理这些数据时，信息完全不离开你的电脑。

离线可用。 断网了照样能跑。虽然很多任务需要联网搜索，但基础的文件处理、代码分析、文本整理这些，完全可以在本地完成。

Ollama 是什么

Ollama 是目前最流行的本地大模型运行框架，开源、跨平台（Windows / mac