Agent中的“愛馬仕”來啦：100k+ Star 的開源AI Agent ，正在偷偷給自己升級

如果你用過 ChatGPT 或任何一款 AI 助手，大概率有過這樣的崩潰時刻——

你花了半小時教它你的項目結構、偏好習慣、代碼風格，關掉對話窗口，下次打開，它又是一張白紙，什么都不記得。

這不是在抱怨某款產品，這是當下幾乎所有 AI 工具的共同局限：它們沒有記憶，也沒有成長。每次對話，都是一次「失憶后的重新認識」。

直到 Hermes Agent 出現。

這個由 Nous Research 開發的開源項目，在 GitHub 上迅速斬獲 超 10萬 Star，躋身全球最受關注的 AI 基礎設施項目之列。因為發音相似，中國開發者直接叫它「愛馬仕」。

它的核心定位只有一句話：

The agent that grows with you. （跟你一起成長的智能體。）

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

下面我們拆開來看。

AI Agent，究竟「卡」在哪里？

先說清楚背景，不然后面的內容會顯得很虛。

過去幾年，AI 領域有一條清晰的進化路徑：從「聊天機器人」到「代碼補全工具」再到「能執行任務的 Agent」。如今 Claude Code、Cursor、Devin 這類工具，已經能幫你寫代碼、跑命令、找 Bug。

但用久了你會發現一個根本問題：它們只有「短期工作記憶」，沒有「長期學習能力」?！拖窆土艘粋€聰明絕頂的實習生，但他每天早上來上班都要從零開始自我介紹。

具體表現是：

你昨天告訴它「我們項目用 tabs 縮進，不用 spaces」，今天它又用 spaces 了。

你上周花了兩個小時教它部署流程，這周又得從頭來一遍。

它做過一件復雜的事，沒有任何「經驗積累」——下次遇到類似任務，還是要重新摸索。

這背后的技術原因并不復雜：現有 Agent 框架普遍缺乏跨會話的持久化記憶，更缺乏從任務執行中自動提煉知識的機制。每次對話都是一個獨立的上下文氣泡，結束即消散。

Hermes Agent 試圖解決的，正是這個問題。

核心設計：一個會「進化」的閉環

Hermes 的架構并不復雜，但理念相當清晰：把一個 AI Agent 拆解成三層能力——記住人、積累知識、理解你的習慣——讓這三層相互配合，形成一個持續強化的閉環。

第一層：持久記憶——它真的記得你。

大多數 AI 工具「記住你」的方式，是把上下文全塞進一個超長 prompt 里，既浪費 Token，又容易把關鍵信息淹沒在噪音中。

Hermes 的做法更精細：它維護兩個獨立的記憶文件—— MEMORY.md（約 800 Token，存儲項目環境、踩坑記錄、關鍵約定）和 USER.md（約 500 Token，存儲用戶畫像：你是誰、習慣什么語言、喜歡簡潔還是詳細）。這兩個文件在每次會話開始時，以「凍結快照」的形式注入系統 prompt——既保證關鍵信息始終在場，又控制了 Token 成本。

更重要的是，Agent 會主動管理這些記憶。當你糾正它的做法、當它遇到新的項目約定、當你明確說「記住這個」，它會自動更新記憶文件，不需要你手動維護。

此外還有兜底機制：所有歷史會話存在本地 SQLite 數據庫（支持 FTS5 全文搜索），配合 LLM 摘要，可以找回幾周前某次具體對話的內容。

第二層：技能系統——經驗可以被固化。

這是 Hermes 最有意思的設計之一。

傳統 Agent 做完一件事就結束了，知識不會留存。Hermes 引入了一個「程序性記憶」機制：當 Agent 完成一項復雜任務——比如反復調用多個工具、走過錯誤路徑后找到正確解法——它會自動將這個過程固化為一個可復用的技能文件（SKILL.md）。

這個技能文件存放在 ~/.hermes/skills/ 目錄，包含觸發條件、操作步驟、已知的坑和修復方式。下次遇到類似任務，直接調用，不用重新摸索。

技能采用「漸進式披露」策略——先看目錄、用到再讀詳情，不把所有知識一股腦塞進腦子里：Agent 先看技能名單（僅需少量 Token），需要時再讀完整內容。這樣既保持了豐富的知識庫，又不會在每次對話開始就把上下文撐爆。你還可以從在線技能市場（agentskills.io）安裝別人分享的技能包——類似「給 Agent 安裝插件」，但知識可以在使用中不斷迭代更新。

第三層：用戶建模——它會理解「你這個人」。

Hermes 可選集成 Honcho 用戶建模系統，進一步增強用戶理解能力。它不只是記錄你說過什么，而是試圖理解你的行為模式：你傾向于先問方案還是直接要代碼？你喜歡短平快的回答還是詳盡的解釋？你的技術水平在哪個層級？

隨著交互積累，這個模型越來越精準，Agent 的回應也越來越「懂你」。這是一種類似「老搭檔效應」的體驗——對方不需要你每次都把背景從頭解釋一遍。

三層能力形成閉環：記憶提供上下文、技能沉淀經驗、用戶建模讓交互更精準。而連接它們的，是 Hermes 的自學習機制——Agent 每執行一段復雜任務后會自動復盤：哪些步驟失敗了？哪些順序可以優化？有沒有可復用的模式？然后據此生成新技能或改進已有策略。在線學習之外，還有離線進化系統，能讀取執行日志分析失敗原因，雙軌并行。

不只是「記憶好」，工程能力也相當扎實

光有記憶和學習還不夠。Hermes 在工程落地層面，把一個 AI Agent 該有的基礎能力都打磨到位了。

全平臺消息接入。統一的消息網關可以同時接 Telegram、Discord、Slack、WhatsApp、Signal，甚至電子郵件。社區已經有人做了微信橋接（HermesClaw），國內用戶直接用微信就能調它干活。

定時自動化。內置 cron 調度器，用自然語言配置周期性任務。比如「每天早上 8 點，抓取昨日的技術新聞，總結成摘要發到我的 Telegram」。你下班了它還在跑，你睡覺時它還在監控——從「被動響應工具」變成了「主動工作的數字助理」。

子 Agent 并行作戰。遇到復雜的多步驟任務，主 Agent 自動拆解任務派發給多個子 Agent 并行處理，各自擁有獨立上下文。類似公司里「項目經理分配任務給不同專員」的工作模式。

部署環境方面也給了充分選擇：本地直接運行、Docker 容器、SSH 遠程、無服務器按需喚醒（Modal，閑置時接近零成本）、甚至 HPC 集群。官方明確表示，5 美元/月的 VPS 就能跑起來——實現方式是把「計算密集的推理」外包給云端 API，本地只跑輕量的調度和工具執行邏輯。

多模型支持同樣值得稱道。Hermes 支持 20+ 家模型提供商，一條命令切換：OpenAI、Anthropic、DeepSeek、智譜 GLM、Kimi、MiniMax、Hugging Face、本地 Ollama 等。國內用戶特別值得關注的是對智譜、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——這是保障技能系統和記憶系統正常運轉的基礎門檻，主流模型基本都滿足。

跟主流 Agent 產品比，差距一目了然：

上手不難，五分鐘的事

看到超 10萬 Star 的項目，很多人第一反應是「這玩意兒得多貴才能跑起來」。答案出人意料——上手門檻比大多數人想象的低。

• 快速上手指南（給圈內朋友）：

第一步：安裝（Linux / macOS / WSL2） curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash source ~/.bashrc 第二步：配置模型 hermes setup # 交互式向導 hermes model # 選模型：OpenRouter / OpenAI / Claude / Kimi / Ollama 等 第三步：開始用 hermes # 經典 CLI hermes --tui # 現代終端界面，有自動補全（官方推薦） 第四步：接入消息平臺（可選） hermes gateway setup # 一鍵接 Telegram / Slack / Discord 等 常用斜杠命令： /model # 切換模型 /skills # 查看 Agent 已學會的技能 /new # 開始新對話 /compress # 壓縮上下文（省 Token） hermes doctor # 運行診斷

• 模型推薦：日常 Kimi，深度任務 GPT-4o / Claude，隱私場景 Ollama 本地跑。
• 協議：MIT，商用零限制。

當然，作為仍在快速迭代中的開源項目，它也有不足：技能生態還在成長，部分功能有 Open Issue 待解決，復雜推理的穩定性受制于底層模型。建議從非核心業務場景試點起步。

一個值得關注的行業信號

順便說一句背景。Nous Research 是在美國注冊的 AI 研究實驗室，聯合創始人兼 CEO Jeffrey Quesnelle 擁有深厚的技術和開源社區背景，團隊因 Hermes 系列微調模型（Hermes 2/3/4）在開源社區積累了大量口碑。他們一貫的定位是：不做最大的模型，而是做「模型之外的基礎設施」。Hermes Agent 正是這條路線的最新成果——不卷模型參數，卷使用體驗和工程能力。

Hermes Agent 本身的功能固然實用，但它背后反映的行業走向更值得關注。

當前 AI Agent 賽道的主要玩家，大多在爭「工具調用的廣度」和「推理能力的深度」，但在「如何讓 Agent 隨時間積累價值」這個維度，幾乎沒有人給出令人滿意的答案。

Hermes 的思路是：不試圖讓模型本身變得更聰明（那是大廠的工作），而是在模型之外構建一套「經驗沉淀機制」——

技能文件是可讀可編輯的 Markdown，記憶文件是本地存儲的純文本，整套系統對用戶完全透明，沒有黑盒。

這種「可解釋的成長」，對企業級部署意味著可審計、可維護；對個人用戶意味著 Agent 越用越順手，而不是永遠停留在第一天。

還有一個細節：Hermes 的技能格式（SKILL.md）被提交為 agentskills.io 開放標準，不同 Agent 框架之間的技能包有望互通。這是在為整個生態建立基礎設施，而不只是做一個封閉的產品。

從今天開始用的人和六個月后再開始用的人，中間差的是半年的「技能復利」——這個差距不是花錢能買回來的。

過去兩年，企業用 AI 的方式本質上是「借腦子」——遇到問題去問 ChatGPT，拿回一個答案，然后自己花時間執行。2026 年，范式開始轉向：以 Hermes Agent 為代表的新一代 AI Agent，讓企業第一次有機會真正「雇一個數字員工」。不是來答問題的，是來干活的。它有記憶，它會學習，它越用越聰明，它積累的技能是你私有的數字資產。

超 10萬 Star，數百位貢獻者，項目仍在快速迭代——它并不完美，但它代表的方向，大概率會成為下一代 AI Agent 基礎設施的標配能力。（本文首發鈦媒體App，作者｜硅谷Technews，編輯｜焦燕）