目录
32.1k Stars暴涨！Hermes Agent凭什么碾压OpenClaw，成为开源新宠？
涤生大数据
2026年05月23日 16:00
收录于文集
共10篇
AI Agent 智能体

1.Hermes 详细介绍

Hermes Agent 是 Nous Research 于 2026 年 2 月推出的开源 AI Agent 框架，核心定位是”会自我进化的 AI 伙伴”。与传统 Agent 工具（执行完任务就失忆）不同，Hermes Agent 内置了一套闭环学习机制——它能从执行轨迹中自动提炼 Skill、在使用中迭代优化、并通过 Honcho 持续构建跨会话的用户画像。

项目采用 Python 编写，MIT 协议开源，截至 2026 年 4 月已拿下 32.1k GitHub Stars、4.1k Forks、3472 次提交。它支持 200+ LLM 模型（通过 OpenRouter/Nous Portal/OpenAI 等），可运行在 $5 VPS、Docker、Modal 无服务器等多种环境，用户通过 CLI、Telegram、Discord、Slack 等渠道与它交互。

Hermes Agent 的出现恰逢开源 Agent 领域的”王者易主”时刻：前王者 OpenClaw（小龙虾）因创始人出走 OpenAI、Anthropic 封杀第三方订阅 API 而遭遇重创，大量用户正在迁移到 Hermes Agent。

  1. 自我进化的闭环学习：执行 → 生成 Skill → 迭代优化 → RL 训练微调模型

  2. 模型无锁定：一条命令切换 200+ 模型，零代码改动

  3. 全渠道覆盖：CLI + Telegram + Discord + Slack + WhatsApp + Signal + IDE

  4. 无服务器部署：Modal/Daytona 实现按需唤醒，闲置零成本

2.Hermes 给我们带来的启示

Agent 从”工具”到”伙伴”的范式转变。Hermes Agent 证明了一个核心假设：Agent 的价值不在于能调多少工具，而在于能否随使用时间积累经验。 自进化 Skills 系统和 Honcho 用户建模，让 Agent 第一次真正具备了”越用越懂你”的能力。这对我们做智能助手产品的启示很大——记忆和学习机制应该是第一优先级，而不是工具数量。

开源 Agent 的”护城河”在于训练数据闭环。Hermes Agent 最深层的竞争力不在前端功能，而在它的 Tinker-Atropos RL 训练管线。用户产生的真实执行轨迹，经过压缩后直接喂给 GRPO（Group Relative Policy Optimization） 强化学习训练，持续优化 Nous 自家的 Hermes 系列模型。这形成了”模型 → Agent → 轨迹数据 → 训练 → 更强模型”的飞轮，是其他纯应用层 Agent 难以复制的。

Anthropic 封杀事件的行业影响。2026 年 4 月 Anthropic 切断第三方订阅 API，直接导致 OpenClaw 的商业模式崩塌。这给整个行业敲了警钟——依赖单一模型厂商的 Agent 产品极其脆弱。Hermes Agent 的模型无关设计（openrouter 200+ 模型任意切换）是正确的架构选择。

3.Hermes 核心介绍

3.1 Hermes 系统架构总览

Hermes Agent 采用分层解耦架构，将用户交互、推理引擎、技能进化、记忆持久化和代码执行彻底分离。这种设计让同一个 AIAgent 核心可以同时服务 CLI 终端、多个消息平台和 IDE 插件，而底层可以在本地进程和远程无服务器容器之间自由切换。

整个系统分为五个层次：

  • 用户入口层：CLI（全功能 TUI，支持多行编辑和 slash 命令补全）、Telegram/Discord/Slack/WhatsApp/Signal 消息网关、ACP 适配器（供 VS Code/Zed/JetBrains 接入）

  • 核心引擎层：AIAgent 类是全平台共享的同步编排器，内含 Prompt Builder（从md、Memory、Skills、Context Files 组装系统提示）、Tool Registry（40+ 内置工具）、Context Compressor（迭代压缩长会话）

  • 技能层：Skills System 负责技能的自动创建、存储、加载和迭代优化，兼容io 开放标准

  • 记忆层：SQLite + FTS5 全文搜索处理本地会话存储和检索；Honcho 插件负责跨会话辩证式用户建模

  • 执行层：6 种 Terminal Backend 提供隔离的代码执行环境

3.2 Agent Loop 核心引擎

AIAgent 类是整个系统的指挥中枢，负责完整的消息处理生命周期。它以同步方式运行，控制 Provider 选择、Prompt 构建、工具调用、重试、回退和回调。

核心流程是：接收用户消息后，Prompt Builder 将人格文件（SOUL.md）、持久记忆（MEMORY.md + USER.md）、当前激活的 Skills、上下文文件（AGENTS.md 等）拼装成完整的系统提示。然后调用 LLM 推理，如果返回 tool_call，则交由 Tool Registry 分发到对应工具执行。工具结果追加到会话历史后继续循环，直到 LLM 返回文本回复或达到最大轮次。

值得注意的是，Hermes 支持三种 API 模式——chat_completions（OpenAI 兼容）、codex_responses（OpenAI Codex 风格）、anthropic_messages（Anthropic 原生），这让它能无缝对接各家模型厂商的原生接口而非只走兼容层。

上下文压缩器（Context Compressor）是另一个亮点。当会话超长时，它用辅助 LLM（廉价快速模型）对中间轮次做结构化摘要（Goal/Progress/Decisions/Files/Next Steps），同时保护头部（系统提示）和尾部（最近上下文），并在 LLM 摘要前先做一轮 Tool Output Pruning 预处理以节省 token。

3.3 自进化 Skills 系统

Skills 是 Hermes Agent 最核心的差异化能力——它不只是存储工具调用模板，而是一套完整的”过程性记忆”机制。

工作机制如下：当 Agent 完成一个复杂任务后，它会分析执行轨迹并自动生成一个 Markdown 格式的 Skill 文件。这个文件记录了任务的目标、步骤、调用的工具序列和关键决策点。下次遇到类似任务时，Agent 会从 Skills 库中加载对应的 Skill 注入到系统提示中，相当于”回忆起上次是怎么做的”。

更关键的是，Skill 不是写一次就不变的。Agent 在使用 Skill 的过程中会评估效果，如果发现更优解，会自动更新 Skill 文件。这构成了一个”创建 → 使用 → 评估 → 优化”的闭环进化回路。

Skills 采用 agentskills.io 开放标准格式，具备跨 Agent 可移植性。用户可以在 Skills Hub 上分享和下载社区贡献的 Skills。在消息平台上，已安装的 Skills 会自动注册为 slash 命令，方便直接调用。

3.4 多层记忆架构

Hermes Agent 的记忆系统分两层，各自解决不同粒度的问题。

本地层是 SQLite 数据库（hermes_state.py 管理），用 FTS5 索引实现全文搜索，存储会话历史、会话谱系（父子关系跟踪压缩产生的分叉）和文件持久记忆（MEMORY.md、USER.md）。这一层的搜索能力让 Agent 可以跨会话检索历史对话，配合 LLM 做摘要总结，实现”记得上个月聊过什么”。

云端层是 Honcho 插件（plugins/memory/honcho/），它实现了一种”辩证式用户建模”——不是简单记录用户说了什么，而是通过持续的 Q&A 推理来构建对用户偏好、知识领域和行为模式的深层理解。Honcho 支持三种召回模式：hybrid（混合检索）、context（上下文注入）和 tools（作为工具暴露给 LLM 按需查询）。

两层之间通过 sync 机制保持一致：本地 SQLite 负责快速读写，Honcho 负责跨设备、跨平台的持久化同步。

3.5 六种执行后端

Agent 的推理能力和代码执行环境彻底解耦，支持 6 种 Terminal Backend：

Daytona 和 Modal 是其中最有意思的选项——它们让 Agent 的运行环境在不活跃时自动休眠，被消息唤醒后恢复到上次状态。用户可以通过 Telegram 发消息唤醒一个跑在 Modal 上的 Agent，完成任务后它自动休眠，全程只计费活跃时间。

3.6 强化学习训练管线

这是 Hermes Agent 区别于所有竞品的”隐藏武器”——它不仅是一个 Agent 框架，还是一个 RL 训练数据生成器。

系统通过 Tinker-Atropos 框架（Nous Research 自研）将真实用户的执行轨迹转化为训练数据，用 GRPO + LoRA 微调 Hermes 系列模型。整个管线分三个模式运行：

  • serve 模式：连接 Atropos API Server（run-api），做在线 RL 训练。这里有个精巧的工程细节——由于某些 Hermes 工具（如 Modal 后端）内部用了 run()，而 Atropos 事件循环不允许嵌套，Modal 环境用了一个专用的 AsyncWorker 后台线程来隔离异步调用

  • process 模式：快速推理测试

  • evaluate 模式：标准数据集基准测试

轨迹压缩器（trajectory_compressor.py）负责将原始执行轨迹精简为高质量的 ShareGPT 格式训练数据，去除冗余的工具输出，保留关键决策路径

这条管线形成了 Nous Research 的核心飞轮：用户用 Hermes Agent → 产生执行轨迹 → 压缩为训练数据 → GRPO 微调模型 → Hermes 模型工具调用能力提升 → Agent 更好用 → 更多用户。

3.7 全渠道消息网关

Gateway 是一个单进程多平台适配层，一次启动即可同时连接所有消息平台。各平台的关键适配细节：

  • Telegram：支持 Webhook 生产部署、Private Chat Topics 做项目隔离、群组提及策略（始终响应/@提及/正则触发）

  • Discord：交互式按钮审批 UI，用于危险命令确认

  • Slack：多工作区 OAuth 支持，线程回复

  • WhatsApp：持久 aiohttp 会话，Linked ID 到手机别名的映射

  • 其他：Signal、Matrix（原生语音消息）、Mattermost、SMS、Email、DingTalk、飞书、企业微信

用户在任一平台发送的消息都会路由到同一个 AIAgent 核心，共享记忆和 Skills，实现真正的跨平台会话连续性。

4.竞品对比：Hermes Agent vs OpenClaw

4.1 市场背景与格局变化

2026 年初的开源 AI Agent 领域经历了一次板块级地震。此前统治市场的 OpenClaw（前身 Clawdbot/Moltbot）坐拥 250k+ Stars，是最流行的本地自托管 Agent。但它的繁荣建立在一个脆弱的基础上——通过伪装 Anthropic 第一方客户端 header，让用户用 月的或100/月的 Claude Max 订阅跑重度 Agent 工作负载，而非走按量付费的 API。

两个事件在 2026 年初接连引爆：

  • 2 月，OpenClaw 创始人 Peter Steinberger 跳槽到 OpenAI，项目失去核心灵魂人物

  • 4 月 4 日，Anthropic 正式封杀第三方工具的订阅 API 访问，OpenClaw 用户被迫转向昂贵的按量计费

Nous Research 精准填补了这个真空，2 月发布 Hermes Agent，并内置了 hermes claw migrate 一键迁移工具来承接流失用户。

4.2 核心能力对比

具体如下：

Hermes Agent 在深度（记忆、进化、RL 训练）上碾压 OpenClaw，但 OpenClaw 在广度（通道数量、可视化、移动端）上仍有优势。社区流行一个说法：“用 OpenClaw 做执行，用 Hermes 做大脑”——但越来越多重度用户已经把 Hermes 立为主力。

与其他 Agent 框架的快速对比：

  • Aider / Cursor：严格的代码助手/IDE，不是通用 Agent

  • Claude Code：Anthropic 第一方终端工具，锁定自家生态

  • Open Interpreter：Python 同源但偏单次会话，缺乏持久记忆和消息平台集成

4.3 迁移通道

Nous Research 为 OpenClaw 用户提供了零摩擦迁移路径：

代码块
PlainText
自动换行
复制代码
hermes claw migrate              # 交互式迁移
hermes claw migrate --dry-run    # 预览不执行
hermes claw migrate --preset full --migrate-secrets  # 全量迁移含密钥
复制成功

可迁移内容包括：

  • 人格文件（SOUL.md、AGENTS.md）

  • 记忆数据（MEMORY.md、USER.md、每日记忆文件，自动去重合并）

  • Skills（用户创建的技能导入到 ~/.hermes/skills/openclaw-imports/）

  • 配置（模型、Provider、Docker 沙箱、Cron 计划任务）

  • 消息平台设置（Telegram/Discord/Slack 等配置和允许用户列表）

  • API 密钥（需显式传 --migrate-secrets，支持冲突策略：skip/overwrite/rename）

5.版本演进与生态发展

5.1 版本迭代路线

Hermes Agent 保持极高的发布节奏，3 月底到 4 月初连续发布三个大版本，每版都有重量级特性。

  1. v0.5.0（2026.3.28）—— 安全强化版。侧重供应链安全和基础设施。移除了存在安全隐患的 litellm 依赖，固定版本范围并增加哈希锁文件。新增 Hugging Face 作为一等推理 Provider，支持 Modal SDK 原生集成（替代隧道依赖），激活了全生命周期插件 Hook（pre_llm_call / post_llm_call / on_session_start / on_session_end）。

  2. v0.6.0（2026.3.30）—— 多实例版。引入 Profile 隔离机制——每个 Profile 拥有独立的配置、记忆、会话和网关服务。新增 MCP Server 模式（hermes mcp serve），让 Cursor/VS Code/Claude Desktop 等 MCP 客户端直接连入 Hermes 会话。实现 Fallback Provider Chains（主 Provider 报错自动切换备选）。新增飞书和企业微信网关适配器。

  3. v0.7.0（2026.4.3）—— 韧性版。将记忆系统抽象为插件架构，恢复 Honcho 完整集成。新增 Credential Pool（线程安全的最少使用轮转，处理 429/401 限速）。集成 Camofox 反检测浏览器后端。支持客户端提供 MCP Server（让 IDE 把自己的 MCP 工具传给 Hermes Agent 使用）。单版本合并 168 个 PR，关闭 46 个 Issue。

5.2 社区生态与技能市场

agentskills.io 是 Hermes Agent 推动的开放技能标准。技能采用渐进式披露格式（按需加载内容以节省 token），具备跨 Agent 可移植性。

社区增长态势：

  • awesome-hermes-agent 列表（0xNyk 维护）快速增长到约 700 Stars

  • HermesInstall.com、LobeHub 等第三方平台开始托管社区 Skills 和付费 Agent 套件

  • 官方最近上线的 Skills 包括：research-paper-writing（端到端研究论文管线）、memento-flashcards（间隔重复记忆卡片）等

5.3 未来路线图

基于公开 Issue 和架构演进方向，Nous Research 正在推动三个关键方向：

  1. 多 Agent 编排架构（Issue #344）：从单 Agent 循环进化为多角色协作，支持 spawn 子 Agent 做并行任务处理

  2. 可恢复交互（Issue #2971）：API Server 暴露结构化运行事件，前端可暂停 Agent 等待用户输入后恢复执行

  3. 并发消息处理（Issue #5057）：优化多消息在 Agent 执行轮次中同时到达时的行为

6.附录

6.1 快速安装

代码块
PlainText
自动换行
复制代码
# 一键安装（Linux/macOS/WSL2）
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

# 刷新环境
source ~/.bashrc  # 或 source ~/.zshrc

# 首次配置
hermes setup    # 配置向导
hermes model    # 选模型
hermes tools    # 配工具

# 诊断
hermes doctor
hermes version

# 启动
hermes          # CLI 对话
hermes gateway start  # 消息平台网关
复制成功

参考资料

❝

官方资源

  • GitHub 仓库: https://github.com/NousResearch/hermes-agent

  • 官方文档: https://hermes-agent.nousresearch.com/docs/

  • Skills Hub: https://agentskills.io

  • Nous Research 官网: https://nousresearch.com

  • Discord 社区: https://discord.gg/NousResearch

❝

技术文档

  • 架构文档: https://hermes-agent.nousresearch.com/docs/developer-guide/architecture

  • Skills 系统: https://hermes-agent.nousresearch.com/docs/user-guide/features/skills

  • Memory 系统: https://hermes-agent.nousresearch.com/docs/user-guide/features/memory

  • MCP 集成: https://hermes-agent.nousresearch.com/docs/user-guide/features/mcp

为什么选择涤生大数据？

  • 1.跟随行业专家学习：我们的导师不是传统的讲师，而是实际的行业专家。他们都是来自国内一线大厂的资深开发，大数据技术专家等，目前团队16个老师，还有老师在不断加入，涤生大数据+大模型AI的课程也在筹备中。

    2.跟企业在职开发一起学习：涤生的社招学员目前65%+是企业在职进阶学员，基本各大厂的进阶学员都有，他们的薪资从10k,15k,20k，25k,30k，35k,40k。所以你会跟很多企业在职人员一起交流学习

  • 3.定制化课程设计：结合每位学员的进行定制化教学，学习规划，让你的学习更有重点；结合每个学员的时间规划学习进度，督促考核，让学习变得更加灵活。

  • 4.专业教学和平台：术业有专攻，企业怎么用，面试怎么面，我们就怎么学，涤生让大数据学习不迷惘。目前涤生采购10台服务器，自研提供一站式大数据平台供学习使用，拒绝虚拟机。

  • 5.专业的简历面试辅导：涤生内部所有同学简历面试辅导都包含在内，从学习到入职试用期全流程提供保障服务。2025年截止当前涤生到简历面试7级群的学员就业率98%+，2025年上岸250+同学，120+入职一线中大厂。当然也有不少培训找不到工作的同学，以及裁员的同学，空窗期太久，最终跟着我们搞顺利上岸

  • 6.不错的口碑：在涤生这，只要你不摆烂，我们不抛弃不放弃。目前涤生的学员大概有25%是老学员推荐和转化。

  • 7.专门的校招大数据：校招跟社招不一样。全网独家的校招大数据课程，专门的校招团队辅导，今年是第五届校招大数据，内部校招面试资料覆盖一线中大厂90%的面试。从校招规划+系统的大数据课程+实习面试辅导+简历面试辅导+实习期辅导+试用期辅导，一次收费一条龙全流程贯穿。2025年秋招目前累计60+同学拿到中大厂offer；

#HermesAgent#​ #openclaw#​ #hermesagent安装#​#agent#​#agent开发#​#大模型#​#大数据开发#​#ai#​#aiagent#​

cv49268776