用了大半年 AI Agent 工具之后，我有一个越来越强的感受：大多数工具的天花板，不是模型，是记忆。
你每次打开新会话，一切归零。你上次告诉它的规则，这次还要重说一遍。你纠正了一个习惯，下次它照样犯。时间越久，你花在"重新教"上的时间，不比花在"让它干活"上的少。
这是我认真研究 Hermes Agent 的起点。
这篇按三块来写。第一块，Hermes 是什么，和你熟悉的工具有什么不一样。第二块，它的核心机制——学习循环、三层记忆、Skill 自改进、工具和 MCP。第三块，从零开始装，怎么跑通，第一个任务从哪里下手。
一、Hermes 到底是什么
Hermes Agent 是一个开源 AI Agent 框架，GitHub 上超过 4 万 star。
如果你用过 Claude Code 或者 OpenClaw，可以先把 Hermes 放进同一个大类里理解。但它要解决的问题，和这两个工具不太一样。
Claude Code 和 OpenClaw 回答的是"AI 现在能不能做这件事"。Hermes 更想回答的是——“AI 做过这件事之后，下次能不能做得更好”。
这个差别值得说清楚。
大部分 Agent 工具第一次用都让人惊艳。发一句话，它能回。让它写代码，它能写。让它执行命令，它能跑。然后你会发现，每次开新会话，就像跟一个失忆的人对话。上次说过的规则，这次要重说。上次纠正的习惯，这次还会犯。它只能记住这一次。
Hermes 想做的，是把每次的纠正和经验留下来，让它在下一次任务里实际生效。不只是完成任务，而是从任务里学到东西。
二、为什么模型之外的系统同样重要
有一个反直觉的发现值得先说：Agent 的表现，不完全取决于用的是哪个模型。
同一个模型，放进不同的系统里，结果差距很大。这里说的"系统"，包括规则约束、记忆方式、工具调用方式、权限控制、反馈机制、任务调度——也就是模型周围那一圈东西。
行业里有个说法：模型不变，只调整周围的规则、记忆和约束，Agent 表现就能明显提升。
以前要搭这套系统，全靠人工维护。AI 犯一次错，你给它补一条规则。任务反复出现，你自己写一份流程。工具不好用，你手动改配置。时间久了，维护的负担全压在人身上。
Hermes 的方向是把这些系统化。让 AI 在用的过程里，逐渐给自己建起那套脚手架，不是每次都等人来修补。
三、Hermes、Claude Code、OpenClaw，三个不同的角色
这三个工具经常被放在一起比，但定位其实不同。
Claude Code更像坐在终端前的结对工程师。你打开项目，让它读代码、改文件、看报错。你全程在旁边，它一步步做，主要服务开发现场。
OpenClaw更像一套可配置的 Agent 行为系统。Skill 生态成熟，工具和插件丰富，自由度高。你可以把它配置成各种形态。代价是需要自己去配、自己维护、自己调教。
Hermes的重心是自主运行、长期记忆和 Skill 自改进。它更适合一直开着、在后台跑着。你不需要守着它，它自己记，自己学，任务经验会留下来。
一句话区分：
- Claude Code：你坐在终端边，和它一起干活
- OpenClaw：你搭出一套规则系统，让它按规则执行
- Hermes：长期在线，从使用中慢慢变得更懂你
还有一点很重要：三个工具的 Skill 格式是互通的。你在 OpenClaw 写的 Skill，基本可以直接给 Hermes 用，反过来也一样。所以不要把它们看成三条平行线，更像是同一套生态里分工不同的组件。
四、Hermes 的整体结构
Hermes 的架构可以用一条线串起来：
学习循环 → 三层记忆 → Skill 系统 → 工具与 MCP → 多平台入口 → 自主后台
学习循环是整个系统的心脏，驱动其他部分运转。三层记忆是信息的存储系统，负责记录发生过什么、用户是什么习惯、事情该怎么做。Skill 系统是方法库，每个 Skill 是一份 Markdown 文档，记录某类任务的执行方式。工具和 MCP 是执行层，没有这一层，Agent 只能说，不能做。多平台入口让 Hermes 不局限于终端，可以接通讯软件、从日常入口调用。
这几层之间不是单向的，而是互相喂养。记忆沉淀成 Skill，Skill 使用中产生新经验，新经验触发 Skill 更新，更新后的 Skill 让下次任务更好，更好的结果让用户建模更准确。
闭环。
五、学习循环：五个环节怎么串起来
Hermes 的学习循环包含五个部分：策划记忆、自动创建 Skill、Skill 自改进、FTS 全文检索、用户建模。
策划记忆
很多工具存记忆的方式很粗暴——把整段对话原样存下来。用的时间越长，历史越长，模型背不动，上下文乱成一锅粥。
Hermes 的处理更像记日志。每次任务结束，它会回头看一遍：这次有没有值得留下的东西？用户表达了什么偏好？有没有新的项目规则？有没有以后还会用到的方法？
只把有价值的内容写进记忆。
什么叫有价值？就是那些"会影响下次任务怎么做"的信息。比如"这个项目依赖用 uv 管理"、“正式文章不要有 AI 味套话”、“某类脚本必须先检查文件存在”。这些值得留。某次随口聊的无关内容，不值得留。
自动创建 Skill
当 Hermes 发现一个任务可能重复出现，它会判断：这个解法有没有整理成 Skill 的价值？
比如你第一次让它做 CSV 清洗导入数据库。做完后，它判断这个任务以后还会出现，就会生成一个 Skill 文档，写清楚触发条件、输入格式、处理步骤、验证方式。下次你再说"帮我导入这个 CSV"，它直接加载 Skill，不用从头想。
Skill 自改进
Skill 创建出来不是终点，它要能随反馈变好。
你说"导入脚本应该先检查表是否存在"，Hermes 不只是这次加上检查，还要回去改那份 Skill 文档，把这条规则写进去。下次用这个 Skill，检查就变成默认步骤，你不用再提。
聊天是素材，Skill 是沉淀。这是两码事。
FTS 全文检索
记忆存下来还要能找出来，不然没用。Hermes 用 FTS 全文索引，每次对话开始前根据当前话题搜出相关历史，按需加载，不是把全部历史都塞进上下文。这样上下文更轻，相关性更高，长期使用也不容易变慢。记忆数据本地存储，备份只需要备份 Hermes 目录。
用户建模
这层比单纯记住对话更进一步。它不只记你说过什么，还会从实际操作里推断习惯。你没说过"我喜欢简洁代码"，但你每次改代码都删掉长注释、保留短函数——系统会推断出这个偏好。
要注意的是，建模建错了会反过来影响任务。错误偏好进了记忆，后面会持续干扰。所以记忆不能放任不管，要定期检查，删错，修正过时规则。
六、三层记忆：从记住聊天到知道怎么干活
第一层：会话记忆
记的是这次发生了什么——跑了什么命令、遇到什么报错、最后怎么解的。按需检索，当前任务需要哪段历史，才加载哪段。
第二层：持久记忆
记的是从对话里提炼出来的长期信息——用户偏好、项目路径、常用工具、输出格式、长期规则。跨会话保留，开新会话不清空，迁移机器只要带着 Hermes 目录就够。
第三层：Skill 记忆
记的是事情该怎么做，而不是发生过什么。每个 Skill 是一份 Markdown，记录方法论和操作规范。像人的程序性记忆——你记得上次骑了车，但骑车这件事本身怎么保持平衡，是另一种记忆。
三层之间的分工：第一层记事实，第二层记状态，第三层记方法。
记忆系统也有局限。时间长了，旧的项目路径过期，旧工具不再用，规则只适合旧版本。堆积不清理，记忆本身会变成噪音。Hermes 的记忆需要维护，这不是可选项。
七、Skill 系统：怎么让 Agent 越用越会干活
每个 Skill 是独立的 Markdown 文档。来源三种：系统自带、Agent 自己创建、社区安装。
自带 Skill 是起点，社区 Skill 是加速，Agent 自己创建和改进 Skill，才是 Hermes 的核心能力。
传统 Skill 靠人维护——你发现哪里不对，打开文档自己改。Hermes 的 Skill 是活的，根据实际反馈自动更新。流程是：收集使用反馈 → 分析反馈 → 修改 Skill → 下次用更新版本。
效果取决于模型能力和反馈质量。反馈越具体，改出来越准。方向是对的：Agent 应该从真实使用里学，不是永远等人手动维护。
拿 GitHub 通知整理举例。前几次你每次都要说"帮我看通知，只看重要项目，Issue 和 PR 分开，过滤掉 bot……“。第三四次之后，Hermes 把这个固定模式整理成 Skill。从此你只需要说"整理 GitHub”，它就知道怎么做。
后来你补了一句"Discussion 也加上"，它不只是这次加——它更新 Skill，下次你不说，它也会带上。
没有黑魔法。就是把"用户纠正 → 规则更新 → 下次生效"这个流程自动化了。
八、工具和 MCP：能力的边界在哪里
没有工具，Agent 只是在说话。Hermes 的工具大致分五类：
执行类：跑命令、读写文件、操作项目目录。
信息类：搜索、读网页、浏览器自动化。
多模态：识图、语音转文字、文字转语音。
记忆和管理：管理记忆、Skill、历史记录。这类工具决定经验能不能真正留下来。
编排类：任务委派、多 Agent 协作、多模型推理。复杂任务可以拆给多个子 Agent 并行处理。
几个值得单独说的能力：
FTS 搜索：用来检索历史和记忆。没有这个，长期记忆就只是存着，找不出来。
cron 定时任务：用自然语言定义定时任务。不用手写 cron 表达式，"每天早上整理一次通知"就够了。
delegation 委派：并行启动多个子 Agent 分工。一个查资料，一个写代码，一个验证结果，复杂任务不挤在一个上下文里。
MCP：让 Hermes 接入外部系统，比如 GitHub、数据库、Slack。Hermes 自带的工具覆盖不了所有场景，MCP 是扩展口。
权限这件事也要单独说。工具越多，越要管住边界。该有的权限要有，多余的权限不给。能干活，不等于要裸奔。文件读取限制、命令执行沙箱、consent 控制，这几层约束是为了在出问题时减少伤害范围。
九、安装前先确认环境
macOS 和 Linux 可以直接装。Windows 建议走 WSL——在 Windows 里跑一个 Ubuntu 子系统，在里面安装 Hermes。
原生 Windows 环境理论上能折腾，但新手没必要在这里耗时间。
安装流程大概是这几步：
Windows 用户先打开 WSL，进入 Ubuntu。更新一下系统，装 Git：
| sudo apt update && sudo apt upgrade -y sudo apt install git -y |
然后去 Hermes 官网或 GitHub 复制安装脚本，粘贴到终端执行。安装过程会拉依赖，包括 Node.js、ffmpeg 等，可能需要十到二十分钟。不要中途关终端，等脚本跑完。
十、配置模型
装完之后第一件事是选模型。Hermes 支持多个 provider，国内外都可以，选你有 API Key 的。
配置通常要填三样东西：
| API Key base_url model id |
这三项任何一个填错，模型就连不上。遇到连接失败先查这里，不要一上来乱改别的配置。
通讯工具那步，新手不建议一次全接。先选一个最容易验证的入口，能发消息能收到回复，再继续扩展。
十一、跑通之后做几个基础验证
装完先做小测试，确认基础能力正常，再做复杂任务。
| # 1. 测试对话 hermes > 你是谁，你能做什么？ # 2. 测试文件操作 > 在当前目录创建 hello-hermes.txt，写入 hello hermes # 3. 测试文件读取 > 把刚才那个文件读给我看 # 4. 测试工具（如果配置了搜索） > 查一下 Hermes Agent 的 GitHub 仓库 |
这几步跑通，再往下走。
十二、第一个任务怎么选
不要一上来做大项目。先选重复性高、边界清晰、低风险的任务。
几个适合的方向：
1每天整理一次 GitHub 通知
2定时汇总一类资料摘要
3把某个固定脚本流程整理成 Skill
4让 Hermes 记住某种输出格式偏好
5跑一个简单的定时任务
这些任务不够炫，但非常适合练 Hermes——因为它的价值就在重复任务和反馈沉淀上。你做一次，它记经验。你纠正一次，它更新 Skill。下次同类任务，少教一轮。
十三、新手最常踩的六个坑
1. 安装没跑完就关了终端
安装脚本可能需要二十分钟。只要没有明确报错，就等着。
2. API Key 三件套写错
API Key、base_url、model id，任何一个出问题都会导致模型连不上。出问题先查这里。
3. Windows 不走 WSL
新手直接在原生 Windows 折腾，容易卡在环境问题上。WSL 路线更稳。
4. 上来就给全权限
先用测试目录验证能力，不要一开始就把主力文件系统全开放。
5. 以为装完自动变聪明
Hermes 的自学习需要任务、反馈和记忆作为输入。你不给反馈，它不知道哪里要改。你不沉淀流程，Skill 不会凭空出现。
6. Skill 堆了不维护
Skill 会越来越多。多了以后要清理、合并、更新过时内容。堆积的 Skill 本身会变成干扰。
安装只是门槛。
Hermes 真正值钱的地方，是用的时间越长、给的反馈越具体，它就越适合你这一个人。这件事没有捷径，只有靠真实任务去积累。
新手可以从这条线走：装好 → 跑通模型 → 做一个小任务 → 沉淀第一个 Skill。
比对着教程背功能清单，这条路要有效得多。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
