Hermes Agent：一个会自己写 skill 的 AI agent

Hermes Agent：一个会自己写 skill 的 AI agent

原始仓库：NousResearch/hermes-agent · Python · MIT · 2026-09-02 单日 +529 stars

从 OpenClaw 到 Hermes：一次有意识的分叉

如果你用过 OpenClaw（那个让 AI agent 通过消息平台帮你管生活的工具），Hermes 的第一条命令会让你会心一笑：

hermes claw migrate

它可以直接从 OpenClaw 导入你的 SOUL.md、记忆、skills、API keys、TTS 资源、工作目录配置。这不是巧合——Hermes 的作者就是从 OpenClaw 的生态里走出来的，带着一个明确的判断：agent 需要的不只是工具，还需要学习能力。

NousResearch/hermes-agent 的 tagline 是 "The agent that grows with you"——一个和你一起成长的 agent。这不是营销话术，它有一个具体的机制在背后。

学习闭环：从经验中提取 skill

大多数 agent 框架的 skill 系统是这样的：你（人类）写一个 SKILL.md，agent 按需调用。skill 是静态的，除非你手动更新。

Hermes 加了一层：agent 自己创建 skill，并在使用中改进它们。

具体来说，当一个复杂任务完成后，Hermes 会自动提取这次任务中的有效模式，生成一个新的 skill 文件。下次遇到类似任务时，这个 skill 会被自动调用。而在使用过程中，如果 skill 的效果不好，它会被修改——不是人类手动改，是 agent 自己改。

这对应了一个概念叫 procedural memory（程序性记忆），和 declarative memory（陈述性记忆）相对。人类的技能记忆不是"知道自行车的工作原理"，而是"身体会骑自行车"。Hermes 的 skill 系统就是在给 agent 建立程序性记忆：不是告诉它"你应该这样调试代码"，而是让它从"上次调试代码时什么有效"中提取出可复用的流程。

这个机制有一个独立的仓库：hermes-agent-self-evolution，用 DSPy + GEPA 来自动进化 skill 描述、工具描述、系统提示和代码。不需要 GPU——这是纯文本优化，不是模型微调。

不只是 CLI：一个跨平台的 agent 入口

Hermes 有两个入口：

1. CLI/TUI：hermes 命令启动一个终端界面，本地对话 2. Messaging Gateway：hermes gateway 启动后，你可以从 Telegram、Discord、Slack、WhatsApp、Signal、Email 和它对话

第二个入口是关键设计。想象这个场景：你在地铁上用手机给 Hermes 发一条"帮我分析一下这个 arXiv 论文"，Hermes 在你的云服务器上跑起来，分析完把结果发回你的 Telegram。你不需要在手机上跑模型，agent 在云端干活，你在消息端收结果。

这和 OpenClaw 的设计理念一脉相承，但 Hermes 把它推得更远：agent 不只是执行命令，它还在云端学习。每次对话都在丰富它的 skill 库和记忆。

Nous Portal：一个 API key 搞定一切

一个实际的痛点：跑一个全功能 agent 需要 5 个 API key——模型、web search、image generation、TTS、cloud browser。收集这 5 个 key 是个门槛。

Hermes 的解法是 Nous Portal：一个订阅覆盖所有后端。300+ 模型可选，Firecrawl 做 web search，FAL 做 image generation，OpenAI 做 TTS，Browser Use 做 cloud browser。hermes setup --portal 一条命令搞定。

这不是技术创新，是产品包装——把分散的服务打包成一个入口。但对于不想折腾 5 个账号的用户来说，这个打包有价值。你仍然可以逐个后端用自己的 key，portal 是 per-backend 的，不是 all-or-nothing。

运行环境：从 5 美元 VPS 到 GPU 集群

Hermes 的部署选项很宽：

• 本地：直接 hermes 启动
• $5 VPS：最便宜的选项，适合轻量任务
• GPU 集群：需要本地模型时
• Serverless：Daytona 或 Modal，按需启动

一个有意思的细节：Windows Defender 会把 Hermes 捆绑的 uv.exe（Astral 的 Rust Python 包管理器）标记为恶意软件。README 给了一个完整的验证流程——用 GitHub CLI 做 attestation verification，然后比对 hash。这是 Rust 二进制 + ML 反病毒引擎的误报，但 Hermes 团队给了详细的 whitelist 指引，而不是甩一句"false positive, ignore"。

NVIDIA 的背书

2026 年 5 月，NVIDIA 在 RTX AI Garage 博客里专门介绍了 Hermes，标题是 "Hermes Unlocks Self-Improving AI Agents, Powered by DGX Spark"。DGX Spark 是 NVIDIA 的本地 AI 工作站。这个背书解释了为什么 Hermes 在 trending 上的增长能到 529/day——它不只是 GitHub 上的一个项目，它有了 NVIDIA 的渠道分发。

但背书是双刃剑。Nous Research 是一个以开源 LLM（Hermes 系列模型）闻名的研究机构，他们的核心资产是模型权重。Hermes Agent 是应用层，如果模型层和应用层都叫 Hermes，品牌认知会不会混淆？从 README 看，他们刻意保持了"agent"后缀来区分，但长期这个命名需要观察。

agentskills.io：一个开放标准

Hermes 的 skill 系统不封闭。他们搞了一个 agentskills.io 的 Skills Hub，作为开放标准。任何人可以发布 skill，任何 agent 理论上都可以消费（只要支持 SKILL.md 格式）。

这是一个生态层面的赌注：skill 的价值在于复用。如果你在 Hermes 上写了一个"如何调试 React 性能问题"的 skill，这个 skill 理论上也可以被 Claude Code、Cursor、Codex 使用。当然前提是这些工具愿意支持外部 skill 格式——目前还没有迹象。

限制和风险

• 自改进的失控风险：agent 自己改自己的 skill，如果改错了方向，可能越改越差。README 没有详细说明 skill 改进的回滚机制。
• 记忆膨胀：每次对话都在积累记忆和 skill，长期运行后记忆库会不会变得太大？Hermes 有 /compress 命令和 /insights 分析，但压缩策略的细节不够透明。
• 和 OpenClaw 的关系：hermes claw migrate 暗示 OpenClaw 用户是目标迁移群体。但 OpenClaw 本身还在活跃开发，两个项目会不会互相分流？

一句话总结

Hermes Agent 的核心赌注是：agent 不应该只是工具的调用者，还应该是工具的创造者。它通过自改进的 skill 系统把"使用中学习"做成了默认行为。加上跨平台的消息入口和 Nous Portal 的打包，它在产品完整度上比大多数 agent 框架高出一截。

GitHub: https://github.com/NousResearch/hermes-agent 文档: https://hermes-agent.nousresearch.com/docs