Agent中的“爱马仕”来啦：100k+ Star 的开源AI Agent ，正在偷偷给自己升级

如果你用过 ChatGPT 或任何一款 AI 助手，大概率有过这样的崩溃时刻——

你花了半小时教它你的项目结构、偏好习惯、代码风格，关掉对话窗口，下次打开，它又是一张白纸，什么都不记得。

这不是在抱怨某款产品，这是当下几乎所有 AI 工具的共同局限：它们没有记忆，也没有成长。每次对话，都是一次「失忆后的重新认识」。

直到 Hermes Agent 出现。

这个由 Nous Research 开发的开源项目，在 GitHub 上迅速斩获 超 10万 Star，跻身全球最受关注的 AI 基础设施项目之列。因为发音相似，中国开发者直接叫它「爱马仕」。

它的核心定位只有一句话：

The agent that grows with you. （跟你一起成长的智能体。）

（项目地址：https://github.com/NousResearch/hermes-agent）

下面我们拆开来看。

AI Agent，究竟「卡」在哪里？

先说清楚背景，不然后面的内容会显得很虚。

过去几年，AI 领域有一条清晰的进化路径：从「聊天机器人」到「代码补全工具」再到「能执行任务的 Agent」。如今 Claude Code、Cursor、Devin 这类工具，已经能帮你写代码、跑命令、找 Bug。

但用久了你会发现一个根本问题：它们只有「短期工作记忆」，没有「长期学习能力」。——就像雇了一个聪明绝顶的实习生，但他每天早上来上班都要从零开始自我介绍。

具体表现是：

你昨天告诉它「我们项目用 tabs 缩进，不用 spaces」，今天它又用 spaces 了。

你上周花了两个小时教它部署流程，这周又得从头来一遍。

它做过一件复杂的事，没有任何「经验积累」——下次遇到类似任务，还是要重新摸索。

这背后的技术原因并不复杂：现有 Agent 框架普遍缺乏跨会话的持久化记忆，更缺乏从任务执行中自动提炼知识的机制。每次对话都是一个独立的上下文气泡，结束即消散。

Hermes Agent 试图解决的，正是这个问题。

核心设计：一个会「进化」的闭环

Hermes 的架构并不复杂，但理念相当清晰：把一个 AI Agent 拆解成三层能力——记住人、积累知识、理解你的习惯——让这三层相互配合，形成一个持续强化的闭环。

第一层：持久记忆——它真的记得你。

大多数 AI 工具「记住你」的方式，是把上下文全塞进一个超长 prompt 里，既浪费 Token，又容易把关键信息淹没在噪音中。

Hermes 的做法更精细：它维护两个独立的记忆文件—— MEMORY.md（约 800 Token，存储项目环境、踩坑记录、关键约定）和 USER.md（约 500 Token，存储用户画像：你是谁、习惯什么语言、喜欢简洁还是详细）。这两个文件在每次会话开始时，以「冻结快照」的形式注入系统 prompt——既保证关键信息始终在场，又控制了 Token 成本。

更重要的是，Agent 会主动管理这些记忆。当你纠正它的做法、当它遇到新的项目约定、当你明确说「记住这个」，它会自动更新记忆文件，不需要你手动维护。

此外还有兜底机制：所有历史会话存在本地 SQLite 数据库（支持 FTS5 全文搜索），配合 LLM 摘要，可以找回几周前某次具体对话的内容。

第二层：技能系统——经验可以被固化。

这是 Hermes 最有意思的设计之一。

传统 Agent 做完一件事就结束了，知识不会留存。Hermes 引入了一个「程序性记忆」机制：当 Agent 完成一项复杂任务——比如反复调用多个工具、走过错误路径后找到正确解法——它会自动将这个过程固化为一个可复用的技能文件（SKILL.md）。

这个技能文件存放在 ~/.hermes/skills/ 目录，包含触发条件、操作步骤、已知的坑和修复方式。下次遇到类似任务，直接调用，不用重新摸索。

技能采用「渐进式披露」策略——先看目录、用到再读详情，不把所有知识一股脑塞进脑子里：Agent 先看技能名单（仅需少量 Token），需要时再读完整内容。这样既保持了丰富的知识库，又不会在每次对话开始就把上下文撑爆。你还可以从在线技能市场（agentskills.io）安装别人分享的技能包——类似「给 Agent 安装插件」，但知识可以在使用中不断迭代更新。

第三层：用户建模——它会理解「你这个人」。

Hermes 可选集成 Honcho 用户建模系统，进一步增强用户理解能力。它不只是记录你说过什么，而是试图理解你的行为模式：你倾向于先问方案还是直接要代码？你喜欢短平快的回答还是详尽的解释？你的技术水平在哪个层级？

随着交互积累，这个模型越来越精准，Agent 的回应也越来越「懂你」。这是一种类似「老搭档效应」的体验——对方不需要你每次都把背景从头解释一遍。

三层能力形成闭环：记忆提供上下文、技能沉淀经验、用户建模让交互更精准。而连接它们的，是 Hermes 的自学习机制——Agent 每执行一段复杂任务后会自动复盘：哪些步骤失败了？哪些顺序可以优化？有没有可复用的模式？然后据此生成新技能或改进已有策略。在线学习之外，还有离线进化系统，能读取执行日志分析失败原因，双轨并行。

不只是「记忆好」，工程能力也相当扎实

光有记忆和学习还不够。Hermes 在工程落地层面，把一个 AI Agent 该有的基础能力都打磨到位了。

全平台消息接入。统一的消息网关可以同时接 Telegram、Discord、Slack、WhatsApp、Signal，甚至电子邮件。社区已经有人做了微信桥接（HermesClaw），国内用户直接用微信就能调它干活。

定时自动化。内置 cron 调度器，用自然语言配置周期性任务。比如「每天早上 8 点，抓取昨日的技术新闻，总结成摘要发到我的 Telegram」。你下班了它还在跑，你睡觉时它还在监控——从「被动响应工具」变成了「主动工作的数字助理」。

子 Agent 并行作战。遇到复杂的多步骤任务，主 Agent 自动拆解任务派发给多个子 Agent 并行处理，各自拥有独立上下文。类似公司里「项目经理分配任务给不同专员」的工作模式。

部署环境方面也给了充分选择：本地直接运行、Docker 容器、SSH 远程、无服务器按需唤醒（Modal，闲置时接近零成本）、甚至 HPC 集群。官方明确表示，5 美元/月的 VPS 就能跑起来——实现方式是把「计算密集的推理」外包给云端 API，本地只跑轻量的调度和工具执行逻辑。

多模型支持同样值得称道。Hermes 支持 20+ 家模型提供商，一条命令切换：OpenAI、Anthropic、DeepSeek、智谱 GLM、Kimi、MiniMax、Hugging Face、本地 Ollama 等。国内用户特别值得关注的是对智谱、Kimi、MiniMax 的原生支持——不需要走代理，API 成本更低。唯一的硬性要求是模型需支持至少 64K tokens 的上下文窗口——这是保障技能系统和记忆系统正常运转的基础门槛，主流模型基本都满足。

跟主流 Agent 产品比，差距一目了然：

上手不难，五分钟的事

看到超 10万 Star 的项目，很多人第一反应是「这玩意儿得多贵才能跑起来」。答案出人意料——上手门槛比大多数人想象的低。

• 快速上手指南（给圈内朋友）：

第一步：安装（Linux / macOS / WSL2） curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash source ~/.bashrc 第二步：配置模型 hermes setup # 交互式向导 hermes model # 选模型：OpenRouter / OpenAI / Claude / Kimi / Ollama 等 第三步：开始用 hermes # 经典 CLI hermes --tui # 现代终端界面，有自动补全（官方推荐） 第四步：接入消息平台（可选） hermes gateway setup # 一键接 Telegram / Slack / Discord 等 常用斜杠命令： /model # 切换模型 /skills # 查看 Agent 已学会的技能 /new # 开始新对话 /compress # 压缩上下文（省 Token） hermes doctor # 运行诊断

• 模型推荐：日常 Kimi，深度任务 GPT-4o / Claude，隐私场景 Ollama 本地跑。
• 协议：MIT，商用零限制。

当然，作为仍在快速迭代中的开源项目，它也有不足：技能生态还在成长，部分功能有 Open Issue 待解决，复杂推理的稳定性受制于底层模型。建议从非核心业务场景试点起步。

一个值得关注的行业信号

顺便说一句背景。Nous Research 是在美国注册的 AI 研究实验室，联合创始人兼 CEO Jeffrey Quesnelle 拥有深厚的技术和开源社区背景，团队因 Hermes 系列微调模型（Hermes 2/3/4）在开源社区积累了大量口碑。他们一贯的定位是：不做最大的模型，而是做「模型之外的基础设施」。Hermes Agent 正是这条路线的最新成果——不卷模型参数，卷使用体验和工程能力。

Hermes Agent 本身的功能固然实用，但它背后反映的行业走向更值得关注。

当前 AI Agent 赛道的主要玩家，大多在争「工具调用的广度」和「推理能力的深度」，但在「如何让 Agent 随时间积累价值」这个维度，几乎没有人给出令人满意的答案。

Hermes 的思路是：不试图让模型本身变得更聪明（那是大厂的工作），而是在模型之外构建一套「经验沉淀机制」——

技能文件是可读可编辑的 Markdown，记忆文件是本地存储的纯文本，整套系统对用户完全透明，没有黑盒。

这种「可解释的成长」，对企业级部署意味着可审计、可维护；对个人用户意味着 Agent 越用越顺手，而不是永远停留在第一天。

还有一个细节：Hermes 的技能格式（SKILL.md）被提交为 agentskills.io 开放标准，不同 Agent 框架之间的技能包有望互通。这是在为整个生态建立基础设施，而不只是做一个封闭的产品。

从今天开始用的人和六个月后再开始用的人，中间差的是半年的「技能复利」——这个差距不是花钱能买回来的。

过去两年，企业用 AI 的方式本质上是「借脑子」——遇到问题去问 ChatGPT，拿回一个答案，然后自己花时间执行。2026 年，范式开始转向：以 Hermes Agent 为代表的新一代 AI Agent，让企业第一次有机会真正「雇一个数字员工」。不是来答问题的，是来干活的。它有记忆，它会学习，它越用越聪明，它积累的技能是你私有的数字资产。

超 10万 Star，数百位贡献者，项目仍在快速迭代——它并不完美，但它代表的方向，大概率会成为下一代 AI Agent 基础设施的标配能力。（本文首发钛媒体App，作者｜硅谷Technews，编辑｜焦燕）