Hermes爆改实战：打造多模型调度主Agent系统

为什么要改造Hermes？

Hermes作为一款AI Agent框架，在日常使用中确实能显著提升工作效率。AI Agent框架是一类允许大语言模型（LLM）自主执行多步骤任务的软件架构——与传统的单轮问答不同，Agent能够感知环境、制定计划、调用工具并根据反馈迭代行动。Hermes提供了TUI（终端用户界面）交互方式，让开发者在命令行环境中即可驱动AI完成代码生成、文件操作、信息检索等复杂工作流。但在深度使用和复杂场景下，仍存在一些体验痛点：频繁切换窗口、多模型调用不便、任务状态难以追踪等。

本文将分享一位开发者如何将Hermes的默认Agent改造成一个"主入口"，实现无缝调度Sub-Agent、Claude、Gemini与Codex，打造真正的多Agent协同工作流。

核心改造：主Agent统一调度架构

设计思路

改造的核心理念是减少上下文切换，提高专注度。将Hermes的默认Agent定位为主入口，在这个Agent内可以直接与其他所有Agent对话——包括Hermes自身的Sub-Agent，也包括Claude、Codex和Gemini三大外部模型。

这里的Sub-Agent是主Agent派生出的子任务执行单元，每个Sub-Agent通常专注于特定领域（如代码审查、文档生成、数据分析等）。多Agent协同（Multi-Agent Orchestration）是当前AI工程领域的热门范式，其核心思想是将复杂任务分解后分派给最擅长的Agent处理，再由主Agent汇总结果。这种架构类似于微服务中的编排模式（Orchestration Pattern），主Agent扮演指挥者角色，而非让单一模型承担所有工作。

主Agent具备以下能力：

• 识别所有子Agent，了解它们各自的专长
• 面对复杂任务时，自动将相关子任务分派给最合适的Sub-Agent
• 了解Claude、Codex、Gemini各自的优势领域，通过Delegate Task精准路由

不同Agent的回复都加了名称标识，交互逻辑接近常规聊天软件，使用体验非常直观。

多模型接入的技术实现

很多人使用Claude、ChatGPT和Gemini是通过订阅套餐，但订阅套餐通常没有API Key，无法直接接入Hermes。

虽然Hermes支持通过Google AI Studio登录使用Gemini，也可以通过Codex App Server使用Codex，但高强度使用时额度很快耗尽。因此，开发者选择了通过CLI整合各模型的方案。

具体实现采用了类似IDE插件的形式：

• Claude：通过Stream JSON实现ACP模式通信。ACP（Agent Communication Protocol）是一种为AI Agent间通信设计的协议规范，旨在标准化Agent之间的消息传递、任务委派和结果回传。Stream JSON则是一种流式JSON传输方式，允许数据以增量方式逐块发送，而非等待完整响应后一次性返回——这对于大模型推理场景尤为重要，模型生成token的速度远慢于网络传输速度，流式传输能让用户实时看到生成过程，大幅改善交互体验。
• Codex：复用官方Codex App Server
• Gemini：由于CLI暂不支持ACP模式，仍采用零启动方式，但通过传递Conversation ID保持对话连续。Conversation ID是维持多轮对话上下文的关键标识符——大语言模型本身是无状态的，每次调用都是独立的推理过程，对话连续性依赖于将历史消息作为上下文一并传入。Conversation ID的作用是在客户端或服务端关联同一对话的所有消息记录，确保后续请求能携带完整的对话历史。

通信协议统一使用TCP + JSON RPC。JSON-RPC是一种轻量级的远程过程调用协议，使用JSON作为数据编码格式，定义了请求（包含方法名和参数）和响应（包含结果或错误）的标准结构，非常适合Agent间的工具调用场景。将其运行在TCP传输层之上，相比HTTP有更低的开销和更持久的连接特性。Hermes运行期间尽量只维护一个CLI实例，既保证会话连续性，又避免每次对话都冷启动。

Agent间通信机制详解

Gateway API方案

Hermes的Agent之间默认是相互隔离的，不能直接对话。但每个Agent都有自己的Gateway，内部包含API Server。Gateway在微服务架构中是一个常见的设计模式，充当所有外部请求的统一入口点，负责路由、认证和负载均衡。Hermes中每个Agent内置的Gateway API Server遵循类似理念——它为每个Agent提供了一个HTTP接口层，使得外部（包括其他Agent）可以通过标准HTTP请求与之交互。Agent间默认隔离是一种安全设计，防止Agent之间的状态污染和权限越界。主Agent通过发送HTTP请求，将Prompt传给其他Agent，既保持了隔离性带来的安全优势，又实现了受控的跨Agent协作。

插件注册机制

为了让主Agent知道有哪些可通信的Agent以及通信方式，开发者编写了一个Hermes Plugin：

插件初始化时会检索本地配置，注册Sub-Agent和CLI的信息及使用方法。调用层通过工具类读取配置、封装信息，然后调用Gateway接口或对应的Scale完成通信。

经过一段时间的对话积累，主Agent会逐渐"记住"各Agent的专长，面对复杂多模态任务时能自主判断最优路由。这种能力的形成依赖于大模型的上下文学习（In-Context Learning）特性——随着交互历史的积累，模型能够从过往的任务分派结果中总结出哪个Agent在哪类任务上表现更优，从而在后续决策中做出更精准的路由选择。

任务监控与状态追踪

Status Line任务计数器

在TUI的Status Line上添加了看板任务计数器，统计当前所有正在看板中运行的任务数量。任务全部完成后计数器归零，一目了然。

Events面板

计数器无法识别任务进入Block状态的情况，因此额外添加了Events面板。输入Events命令即可查看：

• 看板任务的最终状态
• Cron Job的执行结果

Cron Job源自Unix系统的定时任务调度器（cron daemon），用于按预设时间表自动执行脚本或命令。在AI Agent场景中，Cron Job被赋予了新的含义——它可以定期触发Agent执行特定任务，如每日新闻摘要生成、定时代码仓库检查、周期性数据报告等。这种机制将AI Agent从被动响应转变为主动执行，是构建自动化工作流的基础设施。

Cron Job的监控实现也很简单：周期性读取.hermes/jobs.json配置文件中记录的最后一次运行状态，将失败记录写入本地数据库。

Job结果展示：搭建轻量级Web站点

Hermes中通过终端CLI或TUI执行的Job，由于没有服务端，结果无法直接投递出来。虽然可以投递到聊天渠道，但在手机端渲染效果很差。

解决方案是搭建一个轻量级Web站点：

• 服务端自动定期扫描Job的持久化输出并序列化
• 前端根据数据类型选择合适的渲染组件（Markdown、Chart图表等）
• 配合内网穿透或云端部署，随时随地查看结果

内网穿透（如frp、ngrok、Cloudflare Tunnel等工具）是将本地服务暴露到公网的技术方案。由于Hermes运行在本地终端，其产生的Job结果默认只能在本机访问。通过内网穿透建立一条从公网到本地服务的安全隧道，用户即可在手机或其他设备上通过浏览器访问Job结果页面，实现真正的跨终端可达。

搜索抓取：三档降级策略

在生产力场景中，大模型的联网搜索和抓取能力直接影响AI工作结果的质量。开发者为Hermes配置了一个搜索抓取专用Agent，采用三档优先级策略：

1. 第一档：云端API或大模型自带的Web Search（效率最高）
2. 第二档：动态无头浏览器（使用Camoufox，内置反检测）
3. 第三档：CDP托管日常浏览器（成功率最高）

关于第二档方案，无头浏览器（Headless Browser）是没有图形界面的浏览器实例，常用于自动化测试和网页抓取。然而，许多网站部署了反自动化检测机制（如检测WebDriver属性、Canvas指纹异常、缺失的浏览器插件特征等），能够识别并拦截无头浏览器的访问。Camoufox是基于Firefox的反检测无头浏览器，它通过修改浏览器底层指纹特征（包括User-Agent、屏幕分辨率、WebGL渲染器、时区等数十个维度）来模拟真实用户环境，使自动化访问难以被网站区分。

关于第三档方案，CDP（Chrome DevTools Protocol）是Chrome浏览器暴露的调试协议，允许外部程序通过WebSocket连接控制浏览器的几乎所有行为——包括页面导航、DOM操作、网络拦截、JavaScript执行等。与Selenium等传统自动化工具不同，CDP直接与浏览器引擎通信，不需要注入额外的WebDriver，因此更难被检测。使用CDP控制日常浏览器可以复用现有的Session、Cookie和指纹特征，基本能绕开大多数检测。开发者推荐了开源工具Web Access，它能根据场景动态选择抓取策略，按域名固化操作经验，跨Session复用，且通过后台Tab抓取不影响当前使用。

这种三档降级策略的设计遵循了"优雅降级"（Graceful Degradation）的工程原则：优先使用成本最低、速度最快的方案，当高优先级方案失败时自动切换到下一档，确保任务最终能够完成。

总结与展望

这套改造方案的核心价值在于：

• 统一入口：减少窗口切换，提升专注度
• 智能路由：主Agent自主判断任务分派
• 状态可观测：计数器+Events面板实时掌控
• 结果可达：Web站点跨终端查看

受限于TUI和终端本身，能修改的地方有限。如果追求更极致的多Agent协同体验，下一步可能需要脱离CLI，单独开发本地GUI客户端。由于部分改动涉及Hermes源码，且官方后续也会逐步优化这些体验，本文主要分享思路和实现方式供参考。