单项目深读

hermes-agent：把 agent 的自我进化做成闭环

hermes-agent 是 Nous Research 用 Python 写的自改进 agent：内置学习闭环、七种终端后端、单网关接入六个消息平台，一条命令即可安装。

2026-10-17|INS-0002

大多数 agent 框架的终点是「能调用工具」。hermes-agent 的起点是「调用完之后，它记住了什么」。

这是 Nous Research 给自家 agent 划的差异线：README 第一句就写「the only agent with a built-in learning loop」——它从经验里生成 skill，在使用中改进 skill，主动提醒自己把知识落盘，还能检索自己过去的对话。换句话说，它把「记忆」当成一等公民，而不是上下文窗口里的一段临时文本。

这条线决定了它的架构长什么样。

一个 agent，两条入口，三层能力

先看它怎么被使用。Hermes 有两个入口：终端 TUI（hermes）和消息网关（hermes gateway）。两者共享同一套 slash 命令——/new、/model、/personality、/retry、/undo、/compress、/usage、/insights、/skills、/stop。这个设计很说明问题：agent 不是绑在某个终端会话上的进程，而是一个可以远程对话的服务。

按 README 的能力描述，可以把它拆成四层：

层	核心组件	职责
交互层	终端 TUI、Messaging Gateway	多行编辑、slash 命令补全、会话历史、中断并重定向、流式工具输出；Telegram/Discord/Slack/WhatsApp/Signal/Email 单一网关进程接入，支持语音备忘转写与跨平台会话延续
编排层	主 agent、subagent、cron scheduler、RPC 工具调用	派生隔离子 agent 并行处理工作流；用 Python 脚本通过 RPC 调工具，把多步流水线压成零上下文开销的回合；内置 cron 定时任务，自然语言描述即可投递到任意平台
学习层	skill 生成与自改进、agent 策展记忆、FTS5 会话检索 + LLM 摘要、Honcho 用户建模	复杂任务后自主创建 skill，使用中持续改进；周期性 nudges 促使知识持久化；跨会话召回；构建跨 session 的用户模型；兼容 agentskills.io 开放标准
执行层	七种终端后端	local、Docker、SSH、Singularity、Modal、Daytona、Vercel Sandbox；Modal 与 Daytona 提供 serverless 持久化，空闲时环境休眠、按需唤醒

请求的流转大致是：消息从 TUI 或网关进入 → 编排层决定是否需要派生 subagent 或触发工具 → 执行层把工具调用落到某个终端后端 → 学习层在任务结束后判断是否生成/更新 skill、是否写入记忆。

值得注意的是执行层的设计取向。七种后端不是凑数：local 和 Docker 覆盖日常，SSH 覆盖远程机器，Modal 与 Daytona 的 serverless 持久化让 agent 环境能在空闲时休眠、按需唤醒，README 明确说这可以跑在「$5 VPS、GPU 集群，或空闲时几乎不花钱的 serverless 基础设施」上。配合消息网关，「在 Telegram 里跟云端 VM 上的 agent 对话」是官方给出的标准场景。

装起来只要一行

Linux、macOS、WSL2：

bash
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

Windows 原生（PowerShell，不需要 WSL）：

powershell
iex (irm https://hermes-agent.nousresearch.com/install.ps1)

装完之后：

bash
source ~/.bashrc    # 或 source ~/.zshrc
hermes              # 开始对话

日常命令集中在 hermes 这一个入口下：

bash
hermes              # 交互式 CLI，开始对话
hermes model        # 选择 LLM provider 与模型
hermes tools        # 配置启用哪些工具
hermes config set   # 设置单项配置
hermes config get   # 打印单项配置
hermes gateway      # 启动消息网关（Telegram、Discord 等）
hermes setup        # 完整安装向导，一次配好所有东西
hermes claw migrate # 从 OpenClaw 迁移
hermes update       # 更新到最新版本
hermes doctor       # 诊断问题

模型侧不锁定供应商：Nous Portal、OpenRouter、OpenAI、自建 endpoint 都行，用 hermes model 切换，不改代码。如果不想分别收集模型、网页搜索、图像生成、TTS、云浏览器的五套 API key，可以用 hermes setup --portal 走 OAuth 登录 Nous Portal，一次订阅覆盖 300+ 模型和 Tool Gateway。README 强调 gateway 是 per-backend 的，不是全有或全无——你仍然可以按工具自带 key。

Windows 用户会遇到一个具体的坑：部分杀毒软件会把 Hermes 捆绑的 uv.exe（Astral 的 Rust Python 包管理器）误判为恶意软件。README 给了一段 PowerShell 验证流程——用 gh attestation verify 校验 uv 官方 release 的 attestation，再比对文件哈希。确认无误后，白名单要加文件夹而不是文件哈希，因为 Hermes 每次更新都会换掉 uv 的哈希。

它站在哪

把同主题的项目摆在一起，定位差异就清楚了：

项目	语言	星标（快照）	定位
hermes-agent	Python	约 25.5 万	自改进 agent：学习闭环 + 多平台网关 + 七种终端后端
ECC	JavaScript	约 27.7 万	给 Claude Code、Codex、Cursor 加装 skills 与记忆层的性能优化系统
AutoGPT	Python	约 18.8 万	面向所有人的 LLM 应用构建平台，任务拆解 + 工具调用 + 记忆串成 workflow
firecrawl	TypeScript	约 19.1 万	网页抓取解析成 Markdown/JSON 的 API，给 agent 和 RAG 喂实时内容
ollama	Go	约 18.3 万	本地一条命令跑模型，CLI + SDK
prompts.chat	HTML	约 17.3 万	社区 prompt 分享与自托管平台

ECC 和 hermes-agent 最接近，但方向相反：ECC 是给别人家的 agent 加装 skills 和记忆层，hermes-agent 是自己就是一个完整的 agent 运行时——TUI、网关、调度器、执行后端全在仓库里。AutoGPT 同样是 Python 的自主 agent，重心在「给一个目标，自己规划步骤」；hermes-agent 的重心在「任务做完之后，它有没有变强」。firecrawl 和 ollama 是上下游：一个供数据，一个供本地模型，都不是 agent 框架本身。

谁该看它

如果你的 agent 只需要在笔记本上跑一次任务，hermes-agent 的七种后端和 cron 调度是过剩的。但如果你的场景是「一个长期存在、从多个聊天窗口都能找到、会自己攒经验」的助手，它的设计是围绕这个场景长的：网关解决「在哪找到它」，serverless 后端解决「它住在哪」，学习闭环解决「它为什么越用越懂你」。

仓库用 MIT 许可，Python 编写，topics 里同时挂着 anthropic、openai、claude、codex——它不打算在模型层选边。

安装脚本会顺带拉起 Python 3.14、Node.js、npm、ripgrep、FFmpeg 和 Python 依赖；Android/Termux 走单独的签名 APT 仓库（stable 与 canary 两个 channel），不适用桌面/服务器安装脚本。这些细节 README 都写明了，说明它认真对待「跑在任何地方」这句话。

返回解读列表