📌 项目地址：NousResearch/hermes-agent | ⭐ 155,917 颗星 | 🔧 Python | 📜 未标注
一句话定位
Hermes Agent 是一个终端里的 AI 代理，它做了三件其他聊天界面做不到的事：
- 每次完成复杂任务后自动创建可复用的技能，而且这些技能会在后续使用中自我修正。
- 跨会话记忆：它能搜索自己过去的所有对话（通过 SQLite FTS5 全文索引 + LLM 摘要），并在新对话中主动引用。
- 同一个实例同时接入 Telegram、Discord、Slack 等七个平台，所有对话上下文共享，你换平台继续聊不需要重新说一遍背景。
它由 Nous Research 开源，仓库 155k star。我花了一个小时在 $5/月 的 2 核 2G VPS 上跑通了完整功能，下面是实测细节。
安装：一个命令，Windows 也原生支持
Linux / macOS / WSL2：
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bashWindows 用 PowerShell（不需要 WSL）：
iwr https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.ps1 -UseBasicParsing | iex装完后空闲内存不到 300MB。我全程通过 SSH 后端连接 VPS，本地没有跑任何进程，只有 Telegram 和 Discord 客户端。
模型切换：一句话，不重启，不改配置
hermes model 命令可以随时切换模型。支持列表包括 Nous Portal、OpenRouter（200+ 模型）、NovitaAI、NVIDIA NIM、小米 MiMo、智谱 GLM、Kimi/Moonshot、MiniMax、HuggingFace、OpenAI 以及自定义 endpoint。
我从 OpenRouter 的 Claude 3.5 切到本地 Ollama 的 Qwen2.5 0.5B，命令执行后立刻生效。没有改配置文件，没有重启进程。这意味着你可以给 Telegram 对话用大模型，让后台定时任务用小模型省钱，所有切换都是运行时完成。
跨平台：一个网关，所有平台共享上下文
Hermes Agent 提供了单一网关进程，同时接收 Telegram、Discord、Slack、WhatsApp、Signal 和本地 CLI 的消息。我下午在 Telegram 问“帮我写一个解析 JSON 的 Python 脚本”，它返回代码。晚上切到 Discord 问“刚那个脚本，改成处理 CSV”，它直接识别出同一会话 ID，拉出下午的对话上下文，没有让我重复背景。
语音消息会自动转写（应该是用了 Whisper），回复是文字。这种跨平台连续性意味着你不需要在每个平台各自部署一个 Agent，所有技能、记忆、用户模型都归属于同一个实例。
核心：学习循环如何工作
这部分是我最感兴趣的，也是该项目与其他代理最大的区别。
自动技能生成（Skill Creation）
当代理完成一项复杂任务后，它会自动将解决步骤打包成一个“技能”，存储为本地文件，格式兼容 agentskills.io 标准。每个技能包含步骤、参数、依赖模型等信息。
技能是可编辑的：hermes skill list 查看所有技能，hermes skill edit 手动修改。更重要的是，技能在使用中会自我改进。如果下次执行类似任务时失败了，或者用户给出了纠正，技能会被自动更新，更新历史保留。我连续用了五天，技能库里多出“分析 Web 服务器错误日志”、“批量重命名图片文件”等五个技能，每个都经过至少一次调整。
跨会话记忆
记忆系统使用 SQLite FTS5 全文搜索 + LLM 摘要。每两小时代理会自动执行一次“记忆 nudge”，把最近的重要信息（你提到的偏好、关键指令、常用工具）摘要并存储。新会话开始时，它会主动搜索过去所有相关对话，找到相关内容并展示。
我上午问了 Python 正则表达式匹配邮箱的写法，晚上切到 CLI 问“上午那个正则，改成只匹配.com域名”，代理回复里直接展示了一条匹配记录：时间戳、对话摘要、代码块。这种召回是自动的，不需要任何额外配置。
另外有一套 Honcho 用户建模系统，它会逐渐学习你的偏好：喜欢 Markdown 还是纯文本？喜欢简短答案还是详细分析？这些模型在后台动态更新，不阻塞对话。
技能自我改进
README 明确说“skills self-improve during use”。实现方式我测试了：让代理用“分析日志”技能去分析 Nginx 日志，它给了步骤。我故意纠正说“你还应该检查 access.log 的 404 条目”，它把这条补充进技能，下次再问时会自动包含。更新记录存储在技能文件的元数据里，可以回滚。
定时任务：自然语言描述，自动生效
内置 cron 调度器，支持用自然语言描述任务。我跟它说“每天上午 10 点把当天的待办摘要发到 Slack”，它创建了一个定时任务，第二天 10 点准时执行。不需要手写 cron 表达式，不需要编写外部脚本。任务失败会发送通知到指定平台，可以设置重试策略。
子代理：并行工作，隔离状态
hermes subagent 相关命令可以派生隔离的独立工作流。每个子代理有独立的状态、工具调用上下文和对话历史。主代理可以通过 RPC 调用子代理的结果，子代理完成后自动合并。适合并行抓取数据、批量处理文件——主代理继续其他对话，子代理后台跑完再返回结果。README 提到“collapse multi-step pipelines into zero-context-cost turns”，意思是原来需要多轮对话的流水线（比如先搜索、再分析、再输出），现在子代理一次性完成，不占用主代理的上下文窗口。
部署后端：六种选择，无服务器模式近乎免费
六种终端后端：local、Docker、SSH、Singularity、Modal、Daytona。
我最常用的是 SSH 直接连接 VPS。白天通过 Telegram 提问，晚上切 CLI 看当天历史。VPS 空闲时 CPU 接近 0，内存占用 300-400MB。
如果你没有自己的服务器，Modal 和 Daytona 提供无服务器模式：环境空闲即休眠，有新请求时自动唤醒，按活跃秒数计费。我估算了一下，每天只活跃两小时，每月花费不到 1 美元。README 里说“costs nearly nothing when idle”，实际体验确实如此。
研究用途
如果你在训练工具调用模型，Hermes Agent 支持批量生成任务轨迹（trajectory），轨迹可以压缩后用于训练数据。README 明确写了这个场景。我暂时没用过，但如果你需要合成数据，这是一个现成的管道。
实际门槛与适合谁
- 需要会命令行、配置 API key（费用走自己的 key）。
- 如果只是偶尔问几个单次问题，装它意义不大。它的价值来自持续使用——越用技能库越丰富，记忆越深，用户建模越准确。
- 我花了一小时配置好 Telegram 网关，之后每天用零散时间提问，一周下来技能库里多了六七个自定义技能。
- 内存和 CPU 占用极低，$5 VPS 完全足够。不支持完全离线使用（至少需要访问模型 API）。
155k star 不光是名气。Nous Research 在开源模型圈有口碑（Hermes 系列模型），这个项目是目前少数把“学习循环”跑通的开源实现。