本地大模型实践（六）：Hermes Agent——有记忆、会学习的自进化 AI Agent

上一篇聊 OpenClaw 时提到，它最大的短板是记忆系统——Agent 每次都要重新教，记不住你的偏好和项目背景。这不是 OpenClaw 一个工具的问题，而是当前大多数 AI Agent 的通病：模型能力越来越强，但 Agent 每次聊天都像第一次见你。Hermes Agent 就是冲着这个问题来的。它的核心卖点不是“更强的 AI”，而是“越用越懂你的 AI”。

一、Hermes Agent 是什么

Hermes Agent 由 Nous Research 团队开发，2026 年 2 月发布，MIT 开源。Nous Research 在开源大模型圈子名声不小——他们发布的 Hermes 系列模型（基于 Llama 微调）在工具调用和指令跟随方面表现突出。Hermes Agent 是他们在 Agent 领域的实践，把“模型层面的工具调用能力”延伸到了“持久化的、有记忆的 Agent 系统”。

截至 2026 年 6 月，Hermes Agent 的 GitHub Star 数在数万级别，虽然比不上 OpenClaw 的 19 万，但它的关注点更聚焦——记忆和自学习。

二、三层记忆模型

Hermes Agent 最核心的设计是它的记忆架构——“三元记忆模型”：

程序性记忆（SKILL.md）：Agent 掌握的操作技能。比如“如何创建一个 Git 分支”“如何在 K8s 上部署一个服务”“如何分析一段代码的性能瓶颈”。这些都是可复用的操作知识。

情景记忆（MEMORY.md）：Agent 和用户交互的历史经验。比如“上次你重构了 UserService，因为你发现它的时间复杂度是 O(n²)”，“你喜欢用密文比较而不是字符串直接比较来做安全校验”。这些是从一次次对话中自动提取的经验沉淀。

语义记忆（USER.md）：用户画像。比如“你是一名后端开发，主要用 Go 和 Python”，“你的代码风格偏好是简洁命名、充分的单元测试”，“你不喜欢 JWT，更倾向用 Session”。

三层记忆的分工很清晰：程序性记忆是“我知道怎么做”，情景记忆是“我记得你做过什么”，语义记忆是“我了解你是谁”。

三、动手：安装与初次使用

安装：

pip install hermes-agent

初始化（创建你的个人 Agent）：

hermes init

这个命令会引导你配置模型（支持 OpenAI 兼容接口，可以接本地 vLLM/Ollama）、设置工作目录、创建初始的 SKILL.md / MEMORY.md / USER.md 文件。

连接第一篇文章里的本地 vLLM：

hermes init --provider openai_compatible \
  --base-url http://your-gpu-server:8000/v1 \
  --model qwen2.5-14b-instruct \
  --api-key not-needed

第一次交互：

hermes chat "帮我梳理当前项目的目录结构，告诉我每个模块的职责"

交互结束后，检查 ~/.hermes/MEMORY.md——你应该能看到 Agent 已经自动提取了这次对话中的关键信息。

四、主动学习：不只是“记住”，而是“自己学”

三层记忆的分类不算新鲜——很多系统都有类似的记忆分层。Hermes Agent 的真正亮点是主动学习机制。

大部分 Agent 的记忆是被动的：你告诉它什么，它记什么。你不告诉它，它就不知道。OpenClaw 就是这种模式——它的记忆文件靠人手动维护。

Hermes Agent 的做法不同。每次和你交互结束后，它会后台异步审查这次对话，从中自动提取可复用的知识：

对话内容：
你: "帮我把这段数据处理的时间复杂度从 O(n²) 优化到 O(n log n)"
Hermes: [完成优化，使用哈希表替代了嵌套循环]

后台学习：
Hermes 从这次交互中自动提取：
→ MEMORY.md 新增: "用户关注算法性能，在上次数据处理任务中要求了 O(n log n) 的复杂度"
→ 如果多次出现类似模式，自动生成到 SKILL.md: "性能优化偏好 - 优先使用哈希表替代嵌套循环"

到了下一次完全不同的任务，Agent 的行为已经被之前的经验影响了：

新对话（完全不同的任务）：
你: "帮我写一个数据去重的方法"
Hermes: [生成使用 Set 的 O(n) 方案，而不是简单的 O(n²) 双重循环]
        [因为它从之前的经验里学到了你对性能的偏好]

这就是主动记忆的价值：Agent 不只是回答问题，而是在和你的每一次交互中变得更懂你。

五、自动技能创建

主动学习的延伸是自动技能创建。当你和 Agent 一起解决了一个复杂问题后，Agent 可以把整个过程提炼成一个可复用的技能：

• 你教会 Agent 一套“代码审查→跑测试→检查覆盖率→提交 PR”的流程
• Agent 自动把这个流程封装成一个 Skill
• 下次你说“按上次的流程审查一下这个 PR”，Agent 自动执行整套流程

Hermes Agent 的技能遵循 agentskills.io 开放标准。这个标准不是你只能用在 Hermes 上——理论上任何支持该标准的 Agent 框架都可以加载这些技能。技能是跨平台可分享的。

六、其他能力

并行子 Agent。Hermes Agent 可以生成隔离的子 Agent 来处理并行任务。子 Agent 之间几乎不消耗共享的上下文窗口，这意味着你可以在不涨 Token 消耗的情况下并行推进多个独立任务。

多平台消息网关。支持 Telegram、Discord、Slack、WhatsApp、CLI 等平台。虽然接入的平台数量不如 OpenClaw 的 50+，但覆盖面已经足够日常使用。

定时自动化。内置 cron 调度器，支持夜间备份、每日报告、定时巡检等无人值守任务。

MLOps 支持。Hermes Agent 可以生成工具调用轨迹，用于模型微调和强化学习训练。如果你打算训练自己的 Agent 模型，Hermes 可以提供训练数据。这个能力对大多数用户来说暂时用不上，但它体现的是一种“Agent 可以自我改进”的思路——数据积累到一定程度后，你可以用这些数据训练一个更懂你的模型。

七、与 OpenClaw 的对比

上一篇文章详细写了 OpenClaw，这里做一个直接对比：

两个工具的定位几乎互补。OpenClaw 强在 “广度”——多平台、多 Agent、企业级网关。Hermes 强在 “深度”——记忆自进化、越用越聪明、低成本轻量。

这不是“谁更好”的问题。是你要一个什么都能连但记性一般的网关，还是要一个只活在终端里但越来越懂你的助手。

八、为什么记忆是 Agent 的护城河

最后想展开一个可能被忽略的问题：为什么记忆系统是 Agent 真正的护城河？

你可能以为 Agent 的核心竞争力是模型能力——谁的模型更强，谁的 Agent 就更厉害。但模型能力是同质化的。今天你的 Agent 用 GPT-5，明天 Hermes 也支持了，后天 OpenClaw 也接入了。模型层面的差距会越来越小。

但记忆不会同质化。你和 Hermes 交互了 100 次，它记住了你的偏好、你的项目结构、你的代码风格、你的常用命令——这个 Hermes 对你来说就无可替代了。就算另一个 Agent 接入了更强的模型，你也不会换，因为换一个意味着从零开始重新教一个学徒。

这就像一个好的工作搭档。你和他一起做了三个月的项目，他知道你什么时候需要代码审查，知道你喜欢什么样的 commit message 格式，知道你最讨厌哪种 Bug。换一个人，能力可能更强，但默契要重新建立。

记忆就是 Agent 和用户之间的默契。

这也是为什么 Hermes 虽然发布时没有 OpenClaw 那么火，但很多 OpenClaw 的用户在深度使用后会关注到 Hermes——因为当他们习惯了“有个 Agent 帮我做事”之后，自然会问：这个 Agent 能不能记住我做过的每一件事？而 Hermes 恰好是在记忆这个单一维度上做得最极致的。

九、小结

从 OpenCode 到 Cline 到 OpenHands 到 OpenClaw 到 Hermes Agent，六篇文章覆盖了从“用 AI 写代码”到“让 AI 记住你”的完整链条：

这六个工具都是开源的、都支持本地部署。作为一个在内网做 AI 基础设施的 DevOps 工程师，你不需要每一个都上——但你需要知道它们分别解决什么问题，在什么时候该用哪个。我自己的体会是：先搞清楚每个工具的定位，然后根据你团队的实际痛点来选，而不是盲目追 Star。

每天前进一小步，就是一个新的高度！