Hermes Agent 完全指南：自进化 AI Agent 凭什么 2 个月拿下 8 万 Star（2026）

摘要

• Hermes Agent 是 Nous Research 发布的开源自进化 AI Agent，2 个月 GitHub 80,000+ Star
• 核心机制：闭环学习——完成任务 → 生成 Skill 文件 → 存入持久记忆 → 下次直接复用
• 模型无关，支持 OpenAI / Claude / Gemini / Ollama 等任意后端
• v0.7.0 已支持 MCP 双向模式、混合记忆架构、40+ 内置工具
• OpenClaw 安全危机（138+ CVE）正在推动大规模开发者迁移

为什么突然所有人都在聊 Hermes Agent

2026 年 2 月 25 日，Nous Research 悄悄发布了 Hermes Agent。没有发布会，没有产品 Hunt，就是一个 GitHub 仓库加一篇文档。

两个月后：80,000+ Star，242+ 贡献者，MiniMax 官方合作，v0.7.0 已经迭代到第七个大版本。

这个增长速度不是偶然的。它踩中了两个时机：

1. AI Agent 从玩具变成了生产工具。2026 年的开发者不再满足于”能聊天的 AI”，他们要的是能持续运行、记住上下文、自动优化的软件系统。
2. OpenClaw 的安全危机。2026 年 Q1，OpenClaw 被披露了 138+ 个 CVE 漏洞，42,000+ 实例暴露在公网，ClawHub 市场发现 824 个恶意 Skill。开发者需要一个更安全的替代方案。

Hermes Agent 恰好两个都接住了。

什么是 Hermes Agent

一句话：一个会从自己的经验中学习的开源 AI Agent。

Hermes Agent 由 Nous Research 开发——就是做 Hermes 系列大模型的那个实验室。MIT 协议，完全开源，自托管运行。

它和传统 AI Agent 的根本区别在于：传统 Agent 是无状态的，关掉终端一切归零；Hermes Agent 有一套完整的闭环学习机制，每次交互都在积累经验。

闭环学习：Hermes Agent 的核心引擎

这是 Hermes Agent 最值得深入理解的部分。Nous Research 把它叫做 Closed Learning Loop（闭环学习），工作流程是这样的：

用户下达任务
    ↓
Agent 规划 + 执行
    ↓
任务完成 → 触发学习循环
    ├─ 提取关键步骤，生成 Markdown Skill 文件
    ├─ 将结果和上下文写入持久记忆
    └─ 评估执行效果，调整未来策略
    ↓
下次遇到类似任务 → 直接加载 Skill + 记忆
    ↓
执行更快、质量更高

Skill 系统：经验的结构化沉淀

Skill 文件是闭环学习的产物。当 Agent 成功完成一个任务，它会把关键步骤提炼成一个 Markdown 文件，存储在本地的 skills/ 目录下。

比如你让 Hermes 帮你部署一个 Docker 容器，它完成后可能会生成这样一个 Skill：

# deploy-docker-container

## 触发条件
用户要求部署 Docker 容器或更新容器配置

## 执行步骤
1. 检查 Dockerfile 是否存在，验证基础镜像版本
2. 构建镜像：docker build -t {image_name}:{tag} .
3. 停止旧容器（如存在）：docker stop {container_name}
4. 启动新容器，挂载必要的 volume 和环境变量
5. 验证容器健康状态：docker ps + health check

## 注意事项
- 生产环境必须指定具体 tag，不用 latest
- 挂载 volume 前确认宿主机目录权限

下次你再说”帮我部署一下”，Agent 不需要重新思考流程——直接加载这个 Skill，按步骤执行，速度和准确率都会提升。

这和 Function Calling 的区别在于：Function Calling 是预定义的工具调用能力，而 Skill 是 Agent 自己从实践中总结出来的操作手册。两者互补，不冲突。

持久记忆：混合架构

v0.7.0 引入了混合记忆架构，把记忆分成两层：

• 长期记忆（Persistent Memory）：用户偏好、项目上下文、历史决策——跨会话保留
• 会话记忆（Session Memory）：当前对话的临时状态——会话结束后可选择性沉淀到长期记忆

这个设计解决了一个实际问题：如果把所有信息都塞进上下文窗口，token 成本和延迟都会爆炸。混合架构让 Agent 只在需要时加载相关记忆，既省 token 又保持了上下文连贯性。

核心功能拆解

模型无关

Hermes Agent 不绑定任何特定模型。官方支持的后端包括：

• OpenAI（GPT-5.x 系列）
• Anthropic（Claude Opus 4.6 / Sonnet 4.6）
• Google（Gemini 3.1 Pro）
• Ollama（本地模型）
• OpenRouter
• Nous Portal
• 任何兼容 OpenAI 协议的 API 服务

这意味着你可以根据任务复杂度灵活切换模型——简单任务用轻量模型省成本，复杂推理切到旗舰模型保质量。如果你在国内访问海外模型有困难，可以通过兼容 OpenAI 协议的 API 聚合平台一站式接入，只需要改一个 base_url。

MCP 双向支持

MCP（Model Context Protocol）是 2026 年 AI 工具生态的连接标准。Hermes Agent 从 v0.6.0 开始同时支持 MCP 客户端和服务端：

作为 MCP 客户端：连接外部工具服务器——GitHub、数据库、文件系统、浏览器、内部 API，通过标准协议即插即用。

作为 MCP 服务端（v0.6.0 新增）：Cursor、VS Code、Claude Desktop 等 MCP 兼容客户端可以直接接入 Hermes 的会话、记忆和 Skill 能力。你的编辑器瞬间获得了一个有长期记忆的 AI 后端。

# 启动 MCP 服务端模式
hermes mcp serve

这个设计很聪明——Hermes 不是要取代你的编辑器或 IDE，而是作为一个持久运行的 AI 基础设施层，让任何前端工具都能接入它积累的经验和记忆。

多实例 Profile

v0.6.0 的另一个重要功能是 Profile 系统。每个 Profile 拥有独立的：

• 配置（模型、API Key、参数）
• 记忆库
• 会话历史
• Skill 集合
• 工具权限

实际用途：你可以为不同项目创建不同的 Profile——一个用于前端开发（配 Claude Sonnet，加载 React 相关 Skill），一个用于数据分析（配 GPT-5.4，加载 pandas/SQL Skill），互不干扰。

40+ 内置工具

v0.7.0 内置了 40 多个工具，覆盖常见的开发场景：

• 终端命令执行
• 文件读写和搜索
• Web 搜索和页面抓取
• Git 操作
• 代码分析
• 定时任务调度

工具系统是自注册的——每个工具是一个独立的 Python 模块，import 时自动注册到中央调度器。你也可以用同样的模式编写自定义工具。

OpenClaw 安全危机与开发者迁移

聊 Hermes Agent 绕不开 OpenClaw。不是因为它们是直接竞品（定位其实不同），而是因为 OpenClaw 的安全问题客观上推动了大量开发者寻找替代方案。

2026 年 Q1 的数据：

• 138+ 个 CVE 漏洞被公开披露
• CVE-2026-25253（CVSS 8.8）：一键远程代码执行，通过 WebSocket token 窃取
• 42,000+ 实例暴露在公网，使用默认配置
• 824 个恶意 Skill 在 ClawHub 市场被发现

这不是说 OpenClaw 不好——它仍然是功能最全面的 AI 编程 Agent 之一（我们也有详细的 OpenClaw 配置指南）。但安全问题确实让很多团队开始评估替代方案，Hermes Agent 是被提及最多的选项。

Hermes 提供了一键迁移工具，可以导入 OpenClaw 的配置和部分 Skill，降低切换成本。

Hermes Agent vs OpenClaw：定位差异

简单说：如果你需要一个专注写代码的 Agent，OpenClaw 的编程能力仍然很强；如果你需要一个能长期运行、持续学习、处理多种任务的 AI 助手，Hermes Agent 更合适。

快速上手

安装

# 推荐方式：pipx 全局安装
pipx install hermes-agent

# 或者用 pip
pip install hermes-agent

基础配置

首次运行会进入交互式配置：

hermes init

你需要配置：

1. LLM 后端：选择模型提供商和 API Key
2. 记忆存储：默认本地 SQLite，也支持 PostgreSQL
3. 工具权限：选择启用哪些内置工具

如果你使用兼容 OpenAI 协议的 API 服务，配置大概长这样：

llm:
  provider: openai-compatible
  base_url: "https://your-api-endpoint/v1"
  api_key: "your-api-key"
  model: "claude-opus-4-6"

开始对话

# 启动交互式会话
hermes chat

# 或者直接执行单次任务
hermes run "分析这个项目的依赖关系，找出可以升级的包"

查看学到的 Skill

# 列出所有自动生成的 Skill
hermes skills list

# 查看某个 Skill 的内容
hermes skills show deploy-docker-container

谁适合用 Hermes Agent

适合的场景：

• 需要 AI 助手长期运行、积累项目经验的个人开发者
• 有重复性自动化任务的团队（部署、监控、数据处理）
• 想要一个能跨工具协作的 AI 中枢（通过 MCP 连接编辑器、数据库、API）
• 从 OpenClaw 迁移，需要更安全的自托管方案

不太适合的场景：

• 只需要一次性问答，不需要持久记忆
• 纯编程场景且已经深度使用 OpenClaw/Cursor 等专业编程 Agent
• 对自托管没有需求，更倾向 SaaS 方案

写在最后

Hermes Agent 的火爆不是偶然。它代表了 AI Agent 发展的一个明确方向：从无状态工具到有记忆的系统，从被动响应到主动学习。

如果你对 AI Agent 开发感兴趣，Hermes Agent 的闭环学习机制值得深入研究——不管你最终用不用它，这个设计思路对构建任何 Agent 系统都有参考价值。

Nous Research 的迭代速度也值得关注。从 2 月发布到 4 月的 v0.7.0，几乎每两周一个大版本。MCP 生态的接入让它的扩展性大幅提升，后续和各种开发工具的集成只会越来越深。

GitHub 仓库：NousResearch/hermes-agent 官方文档：hermes-agent.nousresearch.com