Hermes Agent Masterclass
你需要了解和自定义 Hermes Agent 的一切
自进化技能、三层记忆、GEPA 优化，以及从 1 个到 10 个全天候为你工作的 AI 代理。
Hermes Agent 在两个月内就获得了超过 9 万个 GitHub Star。开发者们正在悄悄构建属于自己的个人 AI 代理——它们能学习你的工作流程、记住上下文，并且 24/7 不间断运行。
你用过的每一个 AI 代理都有同一个问题：会话一结束，它就忘掉一切。
你纠正过三次的编码偏好、项目规范、昨天花了 10 分钟才找到的修复方案……全都没了。下次会话，你又得从零开始。
Nous Research 推出的 Hermes Agent 采用了完全不同的方法。它内置了一个学习循环，能够：
- 跨会话记忆
- 自主编写可复用的技能
- 在后台自动修剪技能
- 通过名为 GEPA 的进化引擎进行离线验证 目前还没有任何开源代理同时具备这三项能力，就连 OpenClaw 也没有。
这篇指南将详细讲解这个学习循环的工作原理、每一层记忆的作用，以及如何从零开始完整配置。
读完之后，你就能在自己的机器上运行三个完全隔离的代理：
- 一个程序员（使用你的 Claude 代码）
- 一个深度研究员
- 一个设计师 每个代理都有独立的人格、记忆、技能和 Telegram 机器人。
整个搭建过程只需几分钟，而且所有步骤都可以在你自己的硬件上完美复现。
注意：本文中的所有插图都是由 Pixel（你最后会学会构建的 Hermes 代理之一）设计的。阅读时留意它们！
开始阅读吧！
如何阅读这篇文章
分为两大部分：先理论，后动手。
时间不够？直接跳到“快速上手”部分，命令可以独立运行。
但理论部分值得阅读——理解技能如何自进化、记忆如何组合、GEPA 在何时发挥作用，能让你把 Hermes 从“带笔记的聊天机器人”变成真正能持续积累价值的智能体。
本文内容一览：
- Hermes Agent 究竟是什么？（附与 OpenClaw 的对比）
- 架构总览（一张图看懂）
- 记忆之前：代理的“灵魂”——SOUL.md
- 三层记忆系统
- 自进化技能：代理自己写操作手册 + Curator
- GEPA：离线技能优化
- 快速上手：安装、Telegram、第一个代理
- 运行多个代理：多配置、三种人格、定时摘要
- 按需自定义代理 Hermes Agent 到底是什么？它在架构上有什么不同？
一句话总结：一个越用越聪明的代理。
真正让它实现这一点的，是把三种通常相互独立的特性整合到一个框架中：
- 运行时技能学习
- 持久的多层记忆
- 可选的权重训练流水线 目前开源生态中还没有其他代理同时具备这三点。
最接近的对比是 OpenClaw。两者都支持持久化和消息交互，但架构选择完全相反。Kilo 博客的一句话总结得很好：
“Hermes 把学习代理包装成一个网关；OpenClaw 把消息网关包装成一个代理。”
架构总览
在理解学习循环之前，先看一下 Hermes 的整体结构。
一切都通过 run_agent.py 中的单个 AIAgent 类来调度。CLI、消息网关、批量运行、IDE 集成……所有入口最终都指向同一个核心代理。这也是它真正实现平台无关的关键。
核心循环采用 ReAct 风格且同步运行：构建系统提示 → 检查是否需要压缩 → 可中断的 API 调用 → 执行工具调用 → 循环继续。
几个重要细节会在后面发挥作用：
- 代理可以在 6 个不同位置执行命令：本地终端、Docker、SSH、Modal、Daytona 或 Singularity。只需改一下配置，就能把执行环境从笔记本迁移到云端 GPU 服务器。
- 几乎兼容所有模型。通过翻译层，任意提供商都能统一成三种 API 格式。因此你可以一条命令就把 Claude 换成 GPT、Gemini 或本地 Ollama，一切照常运行。
- 每个任务硬性限制 90 个回合。否则陷入死循环的代理会悄悄烧光你的额度。子代理也共享预算，不会让失控的委托链逃过限制。 基础架构讲完了，接下来才是真正有趣的部分。
记忆之前：代理到底是谁？
在讨论记忆和自进化技能之前，还有一个更高层的“身份”层。
记忆是代理“知道什么”，技能是代理“怎么做”。但这两者都无法回答“你是谁”。没有身份层，每个代理都像同一个家伙戴着不同帽子。
Hermes 用一个单独的文件解决这个问题：SOUL.md。
它位于 ~/.hermes/SOUL.md，在系统提示中占据第 1 号槽位，先于其他任何内容加载。它定义了代理的人格、语气、沟通风格和硬性限制。
SOUL.md 是人工编写且静态的。你写一次，慢慢微调，它就会在所有项目、所有会话中保持一致。如果文件缺失，Hermes 会回退到内置的默认身份。
为什么这对“自我提升”故事如此重要？因为后续所有的记忆写入、技能创建、知识整合，都是通过这个身份的镜头来完成的。SOUL.md 是固定框架，记忆和技能是里面的可变部分。
三层记忆系统：三种速度
Hermes 没有单一的“记忆”，而是三层，每层用途不同。
第 1 层：两个极小的 Markdown 文件
核心是磁盘上的两个文件：
- MEMORY.md（最多 2200 字符）：记录环境、项目规范、工具 quirks、已吸取的教训。
- USER.md（最多 1375 字符）：记录你的个人资料（姓名、沟通偏好、技能水平、避免事项）。 会话开始时，这两个文件以冻结快照的形式注入系统提示。如果代理在会话中写入新记忆，会立即保存到磁盘，但要到下一次会话才会出现在提示中。
当记忆快满（约 80% 容量，系统提示头部会显示百分比）时，代理会自动合并，把相关条目浓缩成信息密度更高的版本，只保留真正有用的内容。
第 2 层：全文会话搜索
所有对话（CLI 和消息）都保存在 SQLite 中，支持全文搜索。代理可以搜索过去几周的任何对话。
权衡很明显：第 1 层始终在上下文内，但容量极小；第 2 层容量无限，但需要主动搜索 + LLM 总结。
关键事实放第 1 层，其余全部按需搜索。
第 3 层：外部记忆提供商（8 个插件）
更深的持久化记忆可通过 8 个可插拔提供商实现（与内置记忆并行，从不替换）。同一时间只能激活一个。
激活后，Hermes 会在每次对话前自动预取相关记忆、每次回复后同步对话、在会话结束时提取记忆。
自进化技能：代理自己写操作手册
记忆管“事实”，技能管“流程”。
技能是带 YAML 前置信息的 Markdown 文件，相当于代理的“程序性记忆”——不是它知道什么，而是它怎么做事。
技能的结构（此处省略原文插图描述）
为了节省 token，技能采用渐进式披露：
- Level 0：只显示名称 + 描述（完整目录约 3k token）
- Level 1：真正需要时才加载完整内容
- Level 2：可进一步钻取技能内的参考文件 自进化循环（核心差异点）
代理通过 skill_manage 工具自主创建技能。触发时机包括：
- 完成复杂任务（5+ 个工具调用）
- 遇到错误或死胡同后找到正确路径
- 用户纠正它的做法
- 发现非平凡的工作流 循环流程：
遇到问题 → 试错解决 → 把成功方案保存为 SKILL.md → 下次遇到类似问题，直接加载技能按成熟流程执行，而非重新探索。
工具支持 6 种操作：create、patch（推荐，节省 token）、edit、delete、write_file、remove_file。
Curator：技能的垃圾回收
如果不维护，代理创建的技能会堆积成山，出现大量狭窄、重叠的手册，既浪费 token 又污染目录。
Curator 是后台维护系统，仅在“闲置 2 小时且 7 天未运行”时触发。它会启动一个独立的代理 fork（不影响当前对话），进行两阶段处理：
- 自动过渡（确定性，无需 LLM）：30 天未用 → 标记为 stale；90 天未用 → 归档。
- LLM 审查（最多 8 轮）：fork 代理逐个评估所有自创技能，决定保留、修补、合并或归档。 重要限制：
- 绝不碰官方或 Hub 安装的技能，只处理代理自创的。
- 绝不自动删除，最坏结果是归档到 ~/.hermes/skills/.archive/，一条命令即可恢复。
- 每次运行前会自动备份整个 skills 目录为 tar.gz，随时可回滚。 你也可以用 hermes curator pin 固定关键技能，保护它们不被归档（但仍可被修补）。
GEPA：用执行轨迹离线进化技能
这是最精彩的部分。
代理内学习循环（技能创建 + Curator）有一个已知弱点：代理容易“自我表扬”，即使表现不佳也觉得自己做得很好。社区反馈已多次证实这一点。同一个系统既能自动生成技能，也可能把人工自定义覆盖成更差的版本。
GEPA（Genetic-Pareto Prompt Evolution）正是为此而生。它不在 Hermes 运行时中，而是放在伴侣仓库 NousResearch/hermes-agent-self-evolution 中，作为离线优化流水线运行（ICLR 2026 Oral 论文，MIT 许可）。
核心思路：不再问代理“你做得好吗？”，而是让 GEPA 阅读执行轨迹，理解失败原因，再通过进化搜索提出针对性改进。
流水线步骤：
- 读取当前技能
- 生成评估数据集（Claude Opus 合成测试用例、SQLite 真实会话历史或人工金标集）
- 运行 GEPA 优化器：分析轨迹 → 找出失败点 → 生成候选变体
- 用 LLM-as-judge + 评分规则评估（非简单通过/失败）
- 施加约束门：完整测试套件 100% 通过、技能大小 <15KB、缓存兼容性、语义目的不漂移
- 最优变体以 PR 形式提交到 Hermes 仓库（绝不直接提交） 无需 GPU，全程 API 调用，单次优化成本约 2-10 美元。
这套方案在你遇到瓶颈又不想花钱做微调（RL/GRPO）时特别有效。
总结：
SOUL.md 设定身份 → 运行时循环捕捉经验 → Curator 保持库干净 → GEPA 确保库里的东西真正有效。
理论部分结束，下面开始在你的机器上实际运行！
快速上手
支持 Linux、macOS 或 WSL2，Python 3.11+，8GB 内存即可（API 使用模式）。
一条命令安装：
（原文命令此处省略，实际操作请按原帖复制）
运行设置向导，依次配置提供商、API Key、模型和工具。
在终端开始聊天：
（命令略）
连接 Telegram
想在手机上和代理聊天？指向一个 Telegram Bot 即可。
从 @BotFather 获取 Bot Token，再从 @userinfobot 获取你的用户 ID，配置完成。
~/.hermes 目录里有什么？
安装后会在家目录新建一个文件夹，了解布局会让后续操作更清晰。
重点文件：
- config.yaml：所有非敏感配置的真相源头（模型、终端后端、工具开关等）。
- .env：存放所有密钥（API Key、Bot Token 等）。
- SOUL.md：身份层。
- skills/：整个学习循环的核心。
- state.db：SQLite 数据库，支持全文搜索。 添加新技能
Hermes 官方 Skills Hub 已有 687 个技能，分 18 类。你也可以把任意 GitHub 仓库添加为自定义源，方便团队共享或维护私有集合。
从 1 个代理扩展到 10 个
单个代理就很好，但多个专业化代理才是 Hermes 的真正威力所在。
Hermes 内置“profiles”功能，每个 profile 都是完全隔离的 Hermes 实例，拥有独立的配置、记忆、技能、会话和 SOUL.md。
我们来搭建三个：设计师、程序员、研究员。
为每个 profile 创建专属 Telegram Bot
每个 profile 需要独立的 Bot Token。
通过 SOUL.md 赋予每个人格
这是让代理真正不同的关键。
（原文给出了设计师、程序员、研究员的 SOUL.md 示例）
自定义程序员：让它通过 Claude Code 执行
激活提示（单条消息发送即可）：
“I already have a Claude Max subscription. You are my staff engineer who helps me with my day-to-day coding tasks, and under the hood you use Claude Code for all the executions. Set yourself up accordingly.”
自定义设计师：教它你的视觉风格
把参考设计图拖进 CLI 或 Telegram，然后发送提示，设计师会自主学习并创建专属技能。
定时任务：用自然语言写 Cron
研究员的 SOUL.md 提到每天发送 Telegram 摘要，这就需要定时任务。
Hermes 内置调度器，你只需用英语描述任务，它会自动转换成 cron。
其他实用模式
- 单次延时：/cron add 30m “提醒我检查构建”
- 周期任务：/cron add “every 2h” “检查服务器状态”
- 精确 cron 表达式
- 技能挂载、任务链等高级用法