Hermes Agent 深度拆解：当 Nous Research 决定「干掉所有无状态 Agent」——110K Star 的自进化智能体如何用闭环学习重新定义 AI Agent 的终极形态

深度拆解 Nous Research 出品的 110K Star 自进化 AI Agent 框架：闭环学习系统、技能自动生成与优化、SQLite FTS5 跨会话记忆、Honcho 用户建模、Atropos RL 强化学习训练环境、40+ 内置工具、6 种终端后端、10+ 消息平台，附完整代码示例与架构对比分析

一、引言：为什么你需要关注一个叫「爱马仕」的 Agent？

2026 年的 AI Agent 生态，已经卷到了令人窒息的程度。

OpenClaw 用 TypeScript 重写了整个 Agent Runtime，星标突破 28 万；Claude Code 从「代码助手」进化成了「自主编程代理」；Cursor 凭借 Tab 补全杀死了大量重复编码场景。但如果你仔细观察，会发现一个致命问题——

几乎所有 Agent 都是无状态的。

每次对话，它们从零开始。你跟它聊了三个月，它依然不认识你。你教它的技巧，下次它就忘了。你反复纠正的错误，它会在下一次对话里重复犯。

这不是 Agent，这是带工具的聊天机器人。

2026 年 2 月，Nous Research 发布了 Hermes Agent——一个定位极其明确的项目：「The self-improving AI agent」。不是最聪明的，不是最快的，而是一个能从每次交互中学习、自动创建技能、自主决定记住什么的智能体。

两个月后，GitHub Star 冲到 96,000+，截至 2026 年 8 月已突破 110,000，成为 GitHub 历史上增长最快的 AI Agent 项目之一。

这篇文章将从架构层面深度拆解 Hermes Agent 的设计哲学、核心实现和工程实践，让你理解一个「会自我进化的 Agent」到底是怎么工作的。

二、项目全貌：数据速览

在深入技术细节之前，先看一组关键数据：

一句话总结：这是一个「中等规模但设计精巧」的 Python Agent 项目。比 OpenClaw（14000+ 文件）更容易理解，但功能深度不遑多让。

三、架构设计：五大核心决策

3.1 整体架构全景图

┌────────────────────────────────────────────────────────┐
│                    Hermes Agent                         │
│                                                        │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐              │
│  │ CLI TUI  │ │ Telegram │ │ Discord  │ ...          │
│  └────┬─────┘ └────┬─────┘ └────┬─────┘              │
│  ─────┴──────────────┴──────────────┴─── Interface     │
│                    │                                    │
│  ┌─────────▼─────────┐                                │
│  │   AI Agent Core   │ ← run_agent.py                 │
│  │  (同步 Agent 循环) │                                │
│  └─────────┬─────────┘                                │
│            │                                          │
│  ┌─────────┬───────────┼───────────┬──────────┐       │
│  ▼         ▼           ▼           ▼          ▼       │
│  ┌─────┐ ┌──────┐ ┌──────────┐ ┌──────┐ ┌───────┐   │
│  │Tools│ │Memory│ │  Skills  │ │Model │ │  Cron │   │
│  │Reg. │ │Mgr   │ │  System  │ │Meta  │ │Sched. │   │
│  └──┬──┘ └──┬───┘ └────┬─────┘ └──┬───┘ └───┬───┘   │
│  ──┴────────┴──────────┴──────────┴─────────┴──       │
│                    │                                    │
│  ┌───────────────────────────────────────────────┐    │
│  │     Tool Implementations (40+)                 │    │
│  │  terminal | file | web | browser | code_exec   │    │
│  │  delegate | mcp | vision | tts | cron | ...    │    │
│  └───────────────────────────────────────────────┘    │
│                    │                                    │
│  ┌───────────────────────────────────────────────┐    │
│  │     Terminal Backends (6种)                     │    │
│  │  local | docker | ssh | daytona | modal | ...  │    │
│  └───────────────────────────────────────────────┘    │
└────────────────────────────────────────────────────────┘
                    │      │
            ┌───────▼──┐ ┌─▼──────┐
            │ SessionDB│ │ RL Env │
            │ (SQLite) │ │(Atropos)│
            └──────────┘ └────────┘

3.2 决策一：同步 Agent 循环

这是 Hermes Agent 最反直觉的设计选择。在 2026 年，几乎所有人都在用 async/await，Hermes Agent 却选择了完全同步的 while 循环：

# run_agent.py 核心循环
while api_call_count < self.max_iterations and self.iteration_budget.remaining > 0:
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        tools=tool_schemas
    )
    if response.tool_calls:
        for tool_call in response.tool_calls:
            result = handle_function_call(tool_call.name, tool_call.args, task_id)
            messages.append(tool_result_message(result))
        api_call_count += 1
    else:
        return response.content

为什么？

调试友好。 同步代码的调用栈是线性的，出了问题你能清晰地看到是哪一步失败了。在 Agent 开发中，调试的频率远高于性能优化。一个需要你花 30 分钟才能复现的异步 Bug，可能在同步代码里 30 秒就能定位。

思维模型简单。 新贡献者看到这个 while 循环，立刻就能理解 Agent 的运行逻辑。相比之下，OpenClaw 的异步架构需要理解事件循环、Promise 链、WebSocket 协议等多个概念后才能上手。

性能影响有限。 Agent 的瓶颈在 LLM API 调用（通常 200ms-5s），不在 Python 的异步调度。同步循环在等待 LLM 响应时释放 GIL，实际性能差异可以忽略不计。

3.3 决策二：中心化工具注册

所有工具通过 tools/registry.py 统一注册和分发。添加一个新工具只需要两步：

# tools/your_tool.py
from tools.registry import registry

def your_handler(args, context):
    """处理你的工具调用"""
    result = do_something(args)
    return {"output": result}

# 注册工具
registry.register(
    name="your_tool",
    handler=your_handler,
    description="你的自定义工具描述",
    parameters={
        "type": "object",
        "properties": {
            "input": {"type": "string", "description": "输入参数"}
        },
        "required": ["input"]
    }
)

这种设计的好处是：工具之间完全解耦。每个工具文件只关心自己的逻辑，不需要知道其他工具的存在。测试一个工具只需要 mock registry，不需要启动整个 Agent。

3.4 决策三：OpenAI 消息格式统一

无论底层使用 OpenAI、Anthropic、Bedrock 还是 OpenRouter，Hermes Agent 内部统一使用 OpenAI 兼容的消息格式。这意味着切换 LLM Provider 只需要改一个配置项，不需要修改任何业务逻辑。在 Provider 价格战愈演愈烈的今天（DeepSeek V4 Flash 日处理 8 万亿 Token），这种灵活性极其重要。

3.5 决策四：Profile 多实例隔离

通过 HERMES_HOME 环境变量实现完全隔离的多实例支持。代码中 119+ 处引用 get_hermes_home() 确保路径隔离。每个实例拥有独立的会话数据库、技能存储、记忆文件和配置。

3.6 决策五：研究导向的模块设计

Hermes Agent 不仅仅是一个产品级 Agent，它还是一个研究平台。内置 Atropos RL 训练环境、轨迹记录与压缩、批量运行器、SWE-bench 迷你运行器——这些模块从设计之初就是核心组件。

四、核心特性一：闭环学习系统

这是 Hermes Agent 最独特、最「杀手级」的特性。

4.1 传统 Agent 的致命缺陷

大多数 Agent 的工作模式是：用户提问 → Agent 调用工具 → 返回结果 → 对话结束。下一次对话，一切从零开始。你上次教它的技巧、纠正过的错误、总结的经验，全部丢失。

这就像一个每天失忆的员工——即使他能力再强，也无法积累经验，无法变得更好。

4.2 Hermes Agent 的闭环学习

Hermes Agent 打破了这个循环：

执行任务 → 观察结果 → 提取经验 → 创建/改进技能 → 持久化知识
    ↑                                                          │
    └──────────── 下一轮任务使用改进后的技能 ←─────────────────┘

核心实现分为三个阶段：

阶段一：任务执行后的反思

# agent/learning_loop.py（简化示意）
def post_task_reflection(task_result, original_goal):
    """任务完成后的反思与学习"""
    
    # 1. 评估任务完成质量
    quality_score = evaluate_task_quality(task_result, original_goal)
    
    # 2. 提取可复用的经验
    if quality_score >= 0.7:
        # 成功经验：提取为新技能
        skill = extract_skill_from_success(task_result)
        skill_store.save(skill)
    elif quality_score < 0.3:
        # 失败经验：记录错误模式
        error_pattern = classify_error_pattern(task_result)
        error_store.save(error_pattern)
    
    # 3. 更新用户偏好模型
    user_model.update(original_goal, task_result, quality_score)

阶段二：技能自动生成

当 Agent 发现某个操作模式反复出现时，它会自动将其封装为可复用的技能。技能文件使用 Markdown 格式，人类可读可编辑：

---
name: deploy-to-staging
description: 自动部署代码到预发布环境
trigger: 当用户说「部署」「deploy」或提到 staging 环境时
tools: [terminal, file, git]
---

## 步骤
1. 检查当前分支状态：git status
2. 确保所有测试通过：pytest
3. 构建 Docker 镜像：docker build -t app:staging .
4. 推送到镜像仓库：docker push registry/app:staging
5. 更新 staging 环境：kubectl rollout restart deployment/app -n staging

阶段三：定期知识固化

Hermes Agent 内置了 Nudge 机制——定期触发的知识固化检查，包括：检查未持久化的临时记忆、合并相似技能、淘汰长期未使用的技能。

4.3 闭环学习的实战效果

在实际使用中，闭环学习的效果是累积性的：

• 第 1 天：Agent 只有基础能力，每次操作都需要详细指导
• 第 7 天：Agent 积累了 10-20 个自动生成的技能，常用操作开始自动化
• 第 30 天：Agent 拥有 50+ 个性化技能，能够主动预测你的需求
• 第 90 天：Agent 已经建立了完整的用户画像，操作风格与你高度匹配

这种「越用越聪明」的体验，是任何无状态 Agent 都无法提供的。

五、核心特性二：技能系统

5.1 三级技能体系

Hermes Agent 的技能分为三个层次：

• 核心能力（40+ 工具）：终端操作、文件读写、浏览器控制、代码执行等基础能力
• 内置技能（288 个）：Git 操作、Docker 管理、数据库查询、API 调试等常见开发任务
• 可选技能（116 个）：特定领域的工作流，如 Kubernetes 部署、CI/CD 配置、性能分析等

5.2 技能市场：Agent 版的插件商店

# 浏览可用技能
hermes skills search "docker"

# 安装技能
hermes skills install docker-optimization

# 从对话中自动提取技能
hermes skills create --from-conversation

最后一个命令特别有意思——--from-conversation 可以从当前对话中自动提取技能。你跟 Agent 聊天时，它会观察你的操作模式，然后自动生成一个可复用的技能文件。

六、核心特性三：跨会话记忆与用户建模

6.1 记忆架构

Hermes Agent 的记忆系统分为三层：

• 技能记忆（永久）：自动生成的技能文件
• 持久记忆（长期）：用户偏好、重要决策
• 会话记忆（短期）：当前对话上下文

底层存储基于 SQLite + FTS5 全文搜索，中文分词通过 native/fts5_cjk 模块实现。

6.2 Honcho 用户建模

Hermes Agent 集成了 Honcho 辩证用户建模系统。这不是简单的标签系统，而是一个能够动态演化的用户画像。它会分析你的专业水平、工作时间模式、操作偏好，然后据此调整 Agent 的行为。

比如：如果你在某个领域是专家，Agent 会自动简化解释；如果你在某个时段通常很忙，Agent 会切换到更简洁的响应风格。

6.3 记忆的自主策展

与大多数 Agent 的被动记忆不同，Hermes Agent 的 Agent 会自主决定什么值得记住。评估因素包括：用户是否明确要求记住、是否包含错误纠正（学习价值高）、是否使用了新工具或新方法、是否与用户长期目标相关、是否包含可复用的模式。

七、核心特性四：多终端后端与 Gateway 网关

7.1 六种终端后端

local（本地）、docker（容器隔离）、ssh（远程）、daytona（云端）、modal（Serverless GPU）、e2b（安全沙箱）——适配从开发到生产的全场景。

7.2 十消息平台 Gateway

Telegram、Discord、Slack、WhatsApp、Signal、QQ、微信企业号、Teams、Google Chat、Matrix——一个 Gateway 进程可以同时连接多个平台。

7.3 IDE 集成

通过 acp_adapter/ 模块实现与 VS Code、Zed、JetBrains、Vim 的深度集成，直接在编辑器内与 Hermes Agent 交互。

八、代码实战：从零搭建 Hermes Agent

8.1 快速安装

# 一行安装（支持 Linux/macOS/WSL2/Android Termux）
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

# 或者用 pip
pip install hermes-agent

# 或者用 Docker
docker compose up -d

8.2 配置多模型支持

models:
  primary:
    provider: openai
    model: gpt-4o
  fallback:
    provider: deepseek
    model: deepseek-chat
  local:
    provider: ollama
    model: llama3.1:70b

routing:
  strategy: cost-optimized
  fallback_chain: [primary, fallback, local]

8.3 自定义工具示例

# tools/custom_analyzer.py
from tools.registry import registry

def analyze_code_quality(args, context):
    """分析代码质量"""
    code = args.get("code", "")
    issues = []
    lines = code.split('\n')
    for i, line in enumerate(lines, 1):
        if len(line) > 120:
            issues.append(f"Line {i}: 行长度超过 120 字符")
    complexity = code.count('if ') + code.count('for ') + code.count('while ')
    return {
        "issues": issues,
        "complexity_score": complexity,
        "recommendation": "复杂度较高" if complexity > 10 else "质量良好"
    }

registry.register(
    name="analyze_code_quality",
    handler=analyze_code_quality,
    description="分析代码质量并给出改进建议",
    parameters={
        "type": "object",
        "properties": {
            "code": {"type": "string", "description": "要分析的代码"}
        },
        "required": ["code"]
    }
)

九、性能优化实践

9.1 Token 消耗优化

Hermes Agent 提供智能上下文压缩：保留系统消息（不可压缩）、保留最近 5 轮对话（保持上下文连贯性）、中间消息进行摘要压缩。这可以将 Token 消耗降低 40-60%。

9.2 并行工具执行

当 Agent 需要调用多个独立工具时，Hermes Agent 支持并行执行，显著提升多工具场景的响应速度。

9.3 缓存策略

工具结果缓存（默认 5 分钟 TTL），避免重复执行相同的工具调用。

十、与主流 Agent 框架对比

关键差异：

• 自进化是 Hermes Agent 的核心护城河。其他 Agent 框架需要人工更新 Prompt 或配置，Hermes Agent 能从交互中自动学习。
• 研究就绪是另一个独特优势。如果你在做 Agent 学术研究，Hermes Agent 是唯一一个内置 RL 训练环境和评估工具的开源框架。
• 代码可读性方面，Hermes Agent 以 ~1700 文件的体量实现了与 OpenClaw（~14000 文件）相当的功能深度，代码密度和可维护性明显更优。

十一、最佳实践与避坑指南

11.1 生产环境部署建议

version: '3.8'
services:
  hermes:
    image: hermes-agent:latest
    restart: unless-stopped
    environment:
      - HERMES_HOME=/data
      - OPENAI_API_KEY=${OPENAI_API_KEY}
    volumes:
      - hermes-data:/data
    deploy:
      resources:
        limits:
          memory: 2G
          cpus: '2.0'

11.2 安全注意事项

生产环境务必配置：工具白名单、命令黑名单（禁止 rm -rf /、sudo 等危险命令）、敏感信息过滤（API Key、密码自动脱敏）、沙箱模式（限制文件系统访问范围）。

11.3 常见问题排查

Agent 不学习：检查 learning.enabled 配置是否启用，检查技能存储目录权限。

记忆搜索不准确：运行 hermes memory reindex 重建 FTS5 索引。

跨平台消息不同步：运行 hermes gateway status 检查连接状态，必要时重启 Gateway。

十二、总结与展望

Hermes Agent 的出现，标志着 AI Agent 从「工具」向「数字同事」的范式转变。

它不是一个最聪明的 Agent——在推理能力上，Claude Code 和 OpenCode 可能更胜一筹。它也不是一个最全面的 Agent——在多通道支持上，OpenClaw 覆盖了更多平台。

但它是唯一一个「会自我进化」的 Agent。

闭环学习系统让 Agent 能够从每次交互中积累经验，技能自动生成让重复工作逐步自动化，用户建模让 Agent 越来越懂你。这种「越用越好」的体验，是任何无状态 Agent 都无法提供的。

对于开发者来说，Hermes Agent 的价值在于：

1. 如果你在构建 Agent 产品：它的闭环学习架构提供了「Agent 如何持续进化」的参考实现
2. 如果你在做 Agent 研究：内置的 RL 训练环境和评估工具是目前最开箱即用的开源平台
3. 如果你在寻找个人助手：110K Star 社区支持、MIT 许可证、Python 技术栈，让它成为最容易上手和定制的选择

展望未来，Hermes Agent 可能会在以下方向继续演进：多 Agent 协作（多个实例之间的技能共享和任务分工）、模型微调集成（基于收集的交互轨迹自动微调专用模型）、边缘部署优化（更轻量的运行时，支持在移动设备和 IoT 设备上运行）。

当 Agent 开始「思考」如何变得更好，AI 时代才真正到来。

项目地址：https://github.com/NousResearch/hermes-agent
许可证：MIT
技术栈：Python 3.11+ / TypeScript / SQLite / React / FastAPI
最新版本：v0.19.1（2026-07-30）