Hermes Agent零基础实战：自进化AI助手

AI Agent 领域最近有个项目火得不行——Hermes Agent 在 GitHub 上两个月拿下 41.7K 星。B站有 UP 主做了期保姆级教程，把它从定位到安装讲了个透。这期内容我结合视频里的干货，聊聊 Hermes 到底特别在哪，以及普通人怎么把它跑起来。

Hermes Agent 到底是什么

用 UP 主的话说，Hermes 不是"又一个 Agent 工具"，而是"第一个出厂就自带缰绳的 AI Agent"——你不用自己写配置、维护规则，它自己就能学会怎么更好地为你工作。

这个定位背后有个关键背景：2026 年初 AI 编程圈形成了一个共识，瓶颈不在模型本身，而在环境。有团队做过实验，同一个模型只调整周围的规则约束和记忆系统，成绩从 52.8% 涨到 66.5%，排名从 Top30 跳到 Top5，模型本身一行没改。Mitchell Hashimoto 把这件事命名为 Harness Engineering——本质就是给 AI 造缰绳：每次 AI 犯错就加一条规则，让它不再犯同样的错。

问题是，传统 Harness Engineering 全靠人手工执行：自己写文档、配沙箱、搭记忆系统。Hermes 做的事，就是把这五个组件全部内建，从"你给 AI 造缰绳"变成"AI 给自己造缰绳"。

**Harness Engineering（缰绳工程）**是2026年初在AI编程圈兴起的实践理念，核心思路是：模型能力不变的前提下，通过设计外部的规则约束、工具权限、记忆系统和反馈机制来提升AI的实际表现。Mitchell Hashimoto 将其系统化命名，强调"每次AI犯错就加一条规则"的迭代方法。它把Agent开发从"调模型"转向"造环境"，是理解Hermes设计动机的关键背景。

它和 Claude Code、OpenClaw 有什么不同

这是龙虾热之后大家最关心的问题。视频里给了张对比表：手动实现需要一定技术功底，Hermes 则是开箱即用——指令层变成 Skill 系统，约束层变成 Tool Permissions 加沙箱，反馈层变成自改进学习循环，记忆层变成三层记忆加用户建模，编排层变成子 Agent 委派加 Chrome 调度。

一个常见误解是 Hermes 要取代 Claude Code 或 OpenClaw^广告，其实三者解决的是不同层面的问题。Claude Code 是交互式编码，你坐在终端前和它对话；OpenClaw 是配置即行为，你写文档让它变成你想要的样子，生态很成熟，有四万四千多个社区 Skill；Hermes 做的是自主运行加自感知，不需要你坐在旁边，它自己跑、自己学、自己进化，能 7×24 小时在线。

用 UP 主的比喻：OpenClaw 是你养出来的龙虾，Hermes 是自己会长大的龙虾——一个靠你用心喂养，一个靠自己从经验中学习。三者都采用 Agent Skills 标准，Skill 可以互通，在 Claude Code 里写的 Skill 在 Hermes 里也能用。

内核机制：学习循环怎么运转

Hermes 最让人意外的地方不是它能做什么，而是它会做什么——用得越多越好用。

学习循环包含五个环节，环环相扣：

主动记忆：每轮对话结束后，Hermes 主动决定哪些信息值得记住，而不是被动存储全部聊天历史。它像人写日记一样回顾这次聊了什么、用户表达了什么偏好，然后把值得记的写入数据库，建好 FTS5 全文索引。

自主创建 Skill：完成一个相对复杂的任务后，它会问自己"这个解决方案以后还会用到吗"，如果是，就提炼成 Skill 文档。比如你让它清洗 CSV 并导入数据库，它可能创建一个 CSV2Database.md，下次你说"导入这个 CSV"，它直接加载 Skill，不用从头来。

Skill 自改进：这是最关键的一环。Skill 创建出来不是终点，每次使用中你给了反馈，Hermes 不只是这次改，还会回去修改 Skill 文档本身。你说导入脚本应该先检查表是否存在，下次用这个 Skill 时检查步骤默认就包含了。

FTS 召回：记忆的关键不是存得多，而是找得准。Hermes 用数据库 FTS5 扩展做全文索引，每次对话开始前根据当前话题搜索相关历史，只加载相关内容。数据全部在本地，不需要上传服务器，搬家时拷贝 Hermes 目录就行。

用户建模：更进一步，它会在推理你是什么样的人。你从没说过喜欢简洁代码风格，它通过分析你多次修改代码的模式推断出来，甚至能捕捉你言行不一致的地方。

这五个环节组成闭环：记忆喂给 Skill，Skill 使用中产生新技能，新技能触发 Skill 改进，改进后的 Skill 产生更好结果，更好结果让用户建模更准确。用得越多，每个环节同时变强。

FTS5 全文索引是 SQLite 数据库的内置扩展模块，用倒排索引实现高效的关键词全文搜索，支持前缀匹配、短语查询和相关性排序（BM25）。在 Hermes 中，FTS5 用于对历史对话和记忆条目建立索引，使 Agent 能在对话开始前根据当前话题快速召回相关历史片段，而不必把全部内容塞进上下文窗口。相比向量检索，FTS5 无需额外模型、完全本地运行、资源占用低，适合个人级 Agent 的轻量记忆检索需求。

三层记忆系统：从金鱼到老友

大多数 AI 聊天工具的记忆像金鱼，上轮说的话下轮就忘了。Hermes 的目标是做个老友。

一个活跃用户每天跟 AI 聊几千字，一个月就几万字，全存下来上下文窗口要么装不下，要么模型因信息太多变迟钝。Hermes 用三层架构解决：

会话记忆回答"发生了什么"，每轮对话写入数据库建全文索引，按需检索不全量加载。持久记忆回答"你是谁"，存从对话中提炼出的持久状态——偏好、项目结构、习惯、常用工具，跨会话保持。Skill 记忆回答"怎么做事情"，每个 Skill 是一个 Markdown 文档，记录方法论和操作规范。

这三层对应认知科学里的三种记忆类型：情景记忆、语义记忆、程序性记忆。像人学骑自行车，摔过几次身体就知道重心要放低。

UP 主也指出了局限：目前没有自动过期机制，长期使用记忆数据库会持续增长，需要定期检查清理过时 Skill 文档；还要注意记忆污染问题，早期记住的错误信息可能持续影响后续行为。

情景记忆、语义记忆、程序性记忆是认知心理学中长时记忆的三种分类：情景记忆存储具体事件和经历（"上周三我们讨论过那个项目"），语义记忆存储抽象事实和概念（"用户偏好Python而非Java"），程序性记忆存储技能和操作流程（"如何骑自行车"）。Hermes的三层架构正是这一划分的工程映射：会话记忆对应情景记忆，持久记忆对应用户画像式的语义记忆，Skill记忆对应可复用的程序性记忆。这种类比不仅是修辞，也解释了为何分层是必要的——三类信息的存储周期、检索方式和更新频率本质不同。

工具与安全：40+ 工具加三重约束

Agent 再聪明，没有工具也干不了实事。Hermes 内置 40 多种工具，分五大类：执行类跑命令和操作文档，信息类搜索和浏览器自动化，媒体类处理图片和语音，记忆类管理记忆和 Skill，协调类委派子 Agent 和多模型推理。

几个值得单独提的：Session Search 用 FTS 全文搜索历史对话，大多数 Agent 没这能力；Chrome Job 用自然语言定义定时任务，不用写 Cron 表达式；Delegation 最多同时启动三个子 Agent 并行工作。可以按需启用 MCP，接入 GitHub、数据库、Slack 等服务。

安全方面做了三重约束：Tool Set 控制哪些工具可用，Code Execution 在沙箱里运行，Session 可以指定受限工具集——给足够能力完成任务，但不给多余权限。

**MCP（Model Context Protocol）**是Anthropic提出的开放协议，用于让AI模型以标准化方式连接外部工具和数据源。它定义了客户端与服务器之间的通信规范，使Agent可以按需接入GitHub、数据库、Slack等服务，而无需为每个集成单独编写适配代码。Hermes支持按需启用MCP，意味着用户可以在不修改核心代码的前提下扩展工具生态，这也是Agent Skills标准之外另一条互操作性路径。

手把手安装：Windows 用户走 WSL

理论上支持 Windows、macOS 和 Linux，但 Windows 是有条件支持——不能在 CMD 或 PowerShell 里直接安装，需要走 WSL（Windows 自带的 Linux 子系统）。macOS 和 Linux 可以直接装。

视频演示了 WSL 下的流程：打开 PowerShell，启动 WSL 进入 Ubuntu 系统，先用 apt install 装 Git（已装可跳过），然后从 Hermes Agent 官网复制安装脚本执行。安装过程需要十几分钟，会装 Node.js、FFmpeg 等依赖。

安装完成后选择模型——支持 OpenAI、Anthropic、GitHub 以及国内多家服务商，选一个有 API Key 的即可，视频里用的是 DeepSeek^广告。接着配置 API Key、Base URL 和模型 ID，再选择即时通讯工具（支持微信等）。出现成功界面就说明装好了。

使用时直接运行 hermes 指令进入终端界面，操作方式和 Claude Code 很像，但它没有图形化界面，只能在终端操作。相比 Claude Code 不支持即时通讯软件，Hermes 支持微信、钉钉这些，这是它的一个实用差异点。

几点判断

Hermes 的思路代表了 AI Agent 的一个方向：从被动执行工具转向主动学习伙伴。它的自改进循环和三层记忆确实解决了一些真实痛点——记忆找得准比存得多重要，Skill 自动进化比人工维护可持续。但也要清醒看到，效果取决于大模型能力和反馈质量，记忆污染和数据库膨胀是需要用户自己打理的实际问题。对想尝鲜的开发者来说，按视频的流程走一遍，成本不高，能直观感受"自进化"到底是怎么回事。