如果你用過 ChatGPT 或任何一款 AI 助手，大概率有過這樣的崩潰時刻——
你花了半小時教它你的項目結(jié)構(gòu)、偏好習(xí)慣、代碼風(fēng)格，關(guān)掉對話窗口，下次打開，它又是一張白紙，什么都不記得。
這不是在抱怨某款產(chǎn)品，這是當(dāng)下幾乎所有 AI 工具的共同局限：它們沒有記憶，也沒有成長。每次對話，都是一次「失憶后的重新認(rèn)識」。
直到 Hermes Agent 出現(xiàn)。
這個由 Nous Research 開發(fā)的開源項目，在 GitHub 上迅速斬獲 超 10萬 Star，躋身全球最受關(guān)注的 AI 基礎(chǔ)設(shè)施項目之列。因為發(fā)音相似，中國開發(fā)者直接叫它「愛馬仕」。
它的核心定位只有一句話：
The agent that grows with you. （跟你一起成長的智能體。）
（項目地址：https://github.com/NousResearch/hermes-agent）
下面我們拆開來看。
先說清楚背景，不然后面的內(nèi)容會顯得很虛。
過去幾年，AI 領(lǐng)域有一條清晰的進化路徑：從「聊天機器人」到「代碼補全工具」再到「能執(zhí)行任務(wù)的 Agent」。如今 Claude Code、Cursor、Devin 這類工具，已經(jīng)能幫你寫代碼、跑命令、找 Bug。
但用久了你會發(fā)現(xiàn)一個根本問題：它們只有「短期工作記憶」，沒有「長期學(xué)習(xí)能力」。——就像雇了一個聰明絕頂?shù)膶嵙?xí)生，但他每天早上來上班都要從零開始自我介紹。
具體表現(xiàn)是：
你昨天告訴它「我們項目用 tabs 縮進，不用 spaces」，今天它又用 spaces 了。
你上周花了兩個小時教它部署流程，這周又得從頭來一遍。
它做過一件復(fù)雜的事，沒有任何「經(jīng)驗積累」——下次遇到類似任務(wù)，還是要重新摸索。
這背后的技術(shù)原因并不復(fù)雜：現(xiàn)有 Agent 框架普遍缺乏跨會話的持久化記憶，更缺乏從任務(wù)執(zhí)行中自動提煉知識的機制。每次對話都是一個獨立的上下文氣泡，結(jié)束即消散。
Hermes Agent 試圖解決的，正是這個問題。
Hermes 的架構(gòu)并不復(fù)雜，但理念相當(dāng)清晰：把一個 AI Agent 拆解成三層能力——記住人、積累知識、理解你的習(xí)慣——讓這三層相互配合，形成一個持續(xù)強化的閉環(huán)。
第一層：持久記憶——它真的記得你。
大多數(shù) AI 工具「記住你」的方式，是把上下文全塞進一個超長 prompt 里，既浪費 Token，又容易把關(guān)鍵信息淹沒在噪音中。
Hermes 的做法更精細：它維護兩個獨立的記憶文件—— MEMORY.md（約 800 Token，存儲項目環(huán)境、踩坑記錄、關(guān)鍵約定）和 USER.md（約 500 Token，存儲用戶畫像：你是誰、習(xí)慣什么語言、喜歡簡潔還是詳細）。這兩個文件在每次會話開始時，以「凍結(jié)快照」的形式注入系統(tǒng) prompt——既保證關(guān)鍵信息始終在場，又控制了 Token 成本。
更重要的是，Agent 會主動管理這些記憶。當(dāng)你糾正它的做法、當(dāng)它遇到新的項目約定、當(dāng)你明確說「記住這個」，它會自動更新記憶文件，不需要你手動維護。
此外還有兜底機制：所有歷史會話存在本地 SQLite 數(shù)據(jù)庫（支持 FTS5 全文搜索），配合 LLM 摘要，可以找回幾周前某次具體對話的內(nèi)容。
第二層：技能系統(tǒng)——經(jīng)驗可以被固化。
這是 Hermes 最有意思的設(shè)計之一。
傳統(tǒng) Agent 做完一件事就結(jié)束了，知識不會留存。Hermes 引入了一個「程序性記憶」機制：當(dāng) Agent 完成一項復(fù)雜任務(wù)——比如反復(fù)調(diào)用多個工具、走過錯誤路徑后找到正確解法——它會自動將這個過程固化為一個可復(fù)用的技能文件（SKILL.md）。
這個技能文件存放在 ~/.hermes/skills/ 目錄，包含觸發(fā)條件、操作步驟、已知的坑和修復(fù)方式。下次遇到類似任務(wù)，直接調(diào)用，不用重新摸索。
技能采用「漸進式披露」策略——先看目錄、用到再讀詳情，不把所有知識一股腦塞進腦子里：Agent 先看技能名單（僅需少量 Token），需要時再讀完整內(nèi)容。這樣既保持了豐富的知識庫，又不會在每次對話開始就把上下文撐爆。你還可以從在線技能市場（agentskills.io）安裝別人分享的技能包——類似「給 Agent 安裝插件」，但知識可以在使用中不斷迭代更新。
第三層：用戶建模——它會理解「你這個人」。
Hermes 可選集成 Honcho 用戶建模系統(tǒng)，進一步增強用戶理解能力。它不只是記錄你說過什么，而是試圖理解你的行為模式：你傾向于先問方案還是直接要代碼？你喜歡短平快的回答還是詳盡的解釋？你的技術(shù)水平在哪個層級？
隨著交互積累，這個模型越來越精準(zhǔn)，Agent 的回應(yīng)也越來越「懂你」。這是一種類似「老搭檔效應(yīng)」的體驗——對方不需要你每次都把背景從頭解釋一遍。
三層能力形成閉環(huán)：記憶提供上下文、技能沉淀經(jīng)驗、用戶建模讓交互更精準(zhǔn)。而連接它們的，是 Hermes 的自學(xué)習(xí)機制——Agent 每執(zhí)行一段復(fù)雜任務(wù)后會自動復(fù)盤：哪些步驟失敗了？哪些順序可以優(yōu)化？有沒有可復(fù)用的模式？然后據(jù)此生成新技能或改進已有策略。在線學(xué)習(xí)之外，還有離線進化系統(tǒng)，能讀取執(zhí)行日志分析失敗原因，雙軌并行。
光有記憶和學(xué)習(xí)還不夠。Hermes 在工程落地層面，把一個 AI Agent 該有的基礎(chǔ)能力都打磨到位了。
全平臺消息接入。統(tǒng)一的消息網(wǎng)關(guān)可以同時接 Telegram、Discord、Slack、WhatsApp、Signal，甚至電子郵件。社區(qū)已經(jīng)有人做了微信橋接（HermesClaw），國內(nèi)用戶直接用微信就能調(diào)它干活。
定時自動化。內(nèi)置 cron 調(diào)度器，用自然語言配置周期性任務(wù)。比如「每天早上 8 點，抓取昨日的技術(shù)新聞，總結(jié)成摘要發(fā)到我的 Telegram」。你下班了它還在跑，你睡覺時它還在監(jiān)控——從「被動響應(yīng)工具」變成了「主動工作的數(shù)字助理」。
子 Agent 并行作戰(zhàn)。遇到復(fù)雜的多步驟任務(wù)，主 Agent 自動拆解任務(wù)派發(fā)給多個子 Agent 并行處理，各自擁有獨立上下文。類似公司里「項目經(jīng)理分配任務(wù)給不同專員」的工作模式。
部署環(huán)境方面也給了充分選擇：本地直接運行、Docker 容器、SSH 遠程、無服務(wù)器按需喚醒（Modal，閑置時接近零成本）、甚至 HPC 集群。官方明確表示，5 美元/月的 VPS 就能跑起來——實現(xiàn)方式是把「計算密集的推理」外包給云端 API，本地只跑輕量的調(diào)度和工具執(zhí)行邏輯。
多模型支持同樣值得稱道。Hermes 支持 20+ 家模型提供商，一條命令切換：OpenAI、Anthropic、DeepSeek、智譜 GLM、Kimi、MiniMax、Hugging Face、本地 Ollama 等。國內(nèi)用戶特別值得關(guān)注的是對智譜、Kimi、MiniMax 的原生支持——不需要走代理，API 成本更低。唯一的硬性要求是模型需支持至少 64K tokens 的上下文窗口——這是保障技能系統(tǒng)和記憶系統(tǒng)正常運轉(zhuǎn)的基礎(chǔ)門檻，主流模型基本都滿足。
跟主流 Agent 產(chǎn)品比，差距一目了然：
看到超 10萬 Star 的項目，很多人第一反應(yīng)是「這玩意兒得多貴才能跑起來」。答案出人意料——上手門檻比大多數(shù)人想象的低。
第一步：安裝（Linux / macOS / WSL2）
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
source ~/.bashrc第二步：配置模型
hermes setup # 交互式向?qū)?br /> hermes model # 選模型：OpenRouter / OpenAI / Claude / Kimi / Ollama 等第三步：開始用
hermes # 經(jīng)典 CLI
hermes --tui # 現(xiàn)代終端界面，有自動補全（官方推薦）第四步：接入消息平臺（可選）
hermes gateway setup # 一鍵接 Telegram / Slack / Discord 等常用斜杠命令：
/model # 切換模型
/skills # 查看 Agent 已學(xué)會的技能
/new # 開始新對話
/compress # 壓縮上下文（省 Token）
hermes doctor # 運行診斷
當(dāng)然，作為仍在快速迭代中的開源項目，它也有不足：技能生態(tài)還在成長，部分功能有 Open Issue 待解決，復(fù)雜推理的穩(wěn)定性受制于底層模型。建議從非核心業(yè)務(wù)場景試點起步。
順便說一句背景。Nous Research 是在美國注冊的 AI 研究實驗室，聯(lián)合創(chuàng)始人兼 CEO Jeffrey Quesnelle 擁有深厚的技術(shù)和開源社區(qū)背景，團隊因 Hermes 系列微調(diào)模型（Hermes 2/3/4）在開源社區(qū)積累了大量口碑。他們一貫的定位是：不做最大的模型，而是做「模型之外的基礎(chǔ)設(shè)施」。Hermes Agent 正是這條路線的最新成果——不卷模型參數(shù)，卷使用體驗和工程能力。
Hermes Agent 本身的功能固然實用，但它背后反映的行業(yè)走向更值得關(guān)注。
當(dāng)前 AI Agent 賽道的主要玩家，大多在爭「工具調(diào)用的廣度」和「推理能力的深度」，但在「如何讓 Agent 隨時間積累價值」這個維度，幾乎沒有人給出令人滿意的答案。
Hermes 的思路是：不試圖讓模型本身變得更聰明（那是大廠的工作），而是在模型之外構(gòu)建一套「經(jīng)驗沉淀機制」——
技能文件是可讀可編輯的 Markdown，記憶文件是本地存儲的純文本，整套系統(tǒng)對用戶完全透明，沒有黑盒。
這種「可解釋的成長」，對企業(yè)級部署意味著可審計、可維護；對個人用戶意味著 Agent 越用越順手，而不是永遠停留在第一天。
還有一個細節(jié)：Hermes 的技能格式（SKILL.md）被提交為 agentskills.io 開放標(biāo)準(zhǔn)，不同 Agent 框架之間的技能包有望互通。這是在為整個生態(tài)建立基礎(chǔ)設(shè)施，而不只是做一個封閉的產(chǎn)品。
從今天開始用的人和六個月后再開始用的人，中間差的是半年的「技能復(fù)利」——這個差距不是花錢能買回來的。
過去兩年，企業(yè)用 AI 的方式本質(zhì)上是「借腦子」——遇到問題去問 ChatGPT，拿回一個答案，然后自己花時間執(zhí)行。2026 年，范式開始轉(zhuǎn)向：以 Hermes Agent 為代表的新一代 AI Agent，讓企業(yè)第一次有機會真正「雇一個數(shù)字員工」。不是來答問題的，是來干活的。它有記憶，它會學(xué)習(xí)，它越用越聰明，它積累的技能是你私有的數(shù)字資產(chǎn)。
超 10萬 Star，數(shù)百位貢獻者，項目仍在快速迭代——它并不完美，但它代表的方向，大概率會成為下一代 AI Agent 基礎(chǔ)設(shè)施的標(biāo)配能力。（本文首發(fā)鈦媒體App，作者｜硅谷Technews，編輯｜焦燕）
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機號后發(fā)表評論