事件概述
据掘金发布的技术解 析文章援引项目仓库数据，Nous Research 于 2026 年 2 月开源了 Hermes Agent，截至 2026 年 4 月 15 日，该框架已在 GitHub 上累计获得 85,000 个 Star。这一里程碑使 Hermes 与 OpenClaw 形成正面竞争——后者目前拥有约 357,000 个 GitHub Star，长期主 导着国内开发者社区的 Agent 工具链讨论。
根据分 析文章所参考的官方文档，此次发布并未将 Hermes 定位为 传统的工具编排层——即 LangChain、AutoGen、LlamaIndex 所 占据的产品类别——而是 Nous Research 所称的「自增强 Agent 运行时（ self-enhancing agent runtime）」。
为何值得关注
Agent 框架市场长 期存在一个悬而未决的问题：无状态执行。绝大多数生产环境下的 Agent 部署在重启后会丢失全 部任务上下文，迫使开发者在每次会话边界后重新进行提示词配置。Hermes 以 闭环学习机制直接切入这一缺口，可在重启后持久保 留可执行知识。
对于构建内部自动化流程、面向用 户的对话助手或多步骤工作流 Agent 的工程团队而言，这种架构差异具有复利 式的运营价值。一个能够积累可复用技能定义的框架，会 随时间推移持续降低提示词工程的 维护成本——官方文档指出，对相似任务执行 10 至 20 次后，可实现 2 倍至 3 倍的速度提升，其来 源是技能复用而非简单的缓存命中。
另一个值得持 续追踪的信号：Hermes 与 Atropos 强化学习框架集 成，可将工具调用轨迹导出为训练数据集。这一机 制闭合了一个重要的数据飞轮循环——生产环境中 的 Agent 使用行为，直接为提升 底层模型工具调用准确性提供微调数据。运行自托 管 LLM 的团队由此获得了一条无需 人工数据标注的持续优化路径。
技术细节
中央编排引擎
Hermes
在 run_agent.py 中运行一个同步循环编
排器，负责协调四个模块：记忆（memory）、技能（skills）、工具（tools）以及消息网
关（messaging gateway）。所有入站消息——无论来源于 CLI、Telegram、Discord 还是 Slack——均
经由同一条流水线处理：
- 消息到达触发任务 ID 生成
- 从缓存加载系统提示词， 或从记忆与技能索引重建
- 在 API 请求下 发前执行压缩预检
- 如需 要则执行工具调用，并将结果追加至上下文
- 会话完 成后持久化至 SQLite
- 回复经由网 关路由返回
四层记忆架构
该框架的差异化设计核 心在于其分层记忆系统，每一层承担独立的功能职责：
第一层 — 声明式记忆（Declarative Memory）：两个有上限
的平面文件。MEMORY.md 最多存储 2,200 个字符的环境信息、
项目规范与习得上下文；USER.md 最多存储 1,375 个
字符的用户偏好与沟通风格。3,600 字符的总上限是经过刻意设计的——
它迫使 Agent 优先保留高价值信息，而非冗余日志。
第二层 —
情节式记忆（Episodic Memory）：所有会话均写入本地 SQLite 数据库
，并建立 FTS5 全文搜索索引。检索时，Hermes 不会将原始对话历史直
接注入上下文窗口，而是对索引执行 session_search
，将结果传入模型进行摘要，并仅注
入摘要内容——从而有效保护上下文预
算。
第三层 — 程序式记忆·技能（Procedural Memory / Skills）：差
异化程度最高的一层。当 Agent 完成一项新颖的多步骤任务时——
触发条件为五次或以上工具调用、一
条错误恢复路径，或一个新工作流——系统会自动将
可复用的技能定义写入 ~/.hermes/skills/。这些技能文件符合 agentskills.io 规
范，可在兼容运行时之间移植。技能管理通过 skill_manage(action='create') 接
口暴露。
第四层 — 用户建模（Honcho）：可选的后台建 模层，无需显式写入操作。Honcho 跨 12 个身 份维度运行辩证式建模，在无 需用户干预的情况下，跨会话追踪用户偏好、沟通模式与领 域专长。官方文档指出，该层对于个人助手类部 署场景的价值最为突出，而 非任务自动化流水线。
工具集与集成支持
根据官方文档，Hermes 内置超过 40 种工具，覆盖网页 搜索、页面内容提取、完整浏览器自动化（导 航、点击、输入、截图）、视觉分析、图像生成、文字转语音，以及多模型协同推理。消 息网关通过单一网关进程支持 Telegram、Discord 和 Slack。内置 cron 调度器可处理时间触发型自动化任务， 无需外部编排。
并行子 Agent 支持可生 成具有独立对话与终端会话的隔离子 Agent。Agent 间通信 采用 RPC 机制，将多步骤流水线压缩为零上 下文成本操作——即父 Agent 在等待子 Agent 执行期间， 不消耗任何上下文窗口 Token。
后续值得关注的动 向
- Atropos 集成的成熟度：工具调用轨迹导出至 强化学习流水线，是本次发布中技术 野心最大的主张。关注社 区基准测试能否在未来 30 天内验证： RL 循环是否能在标准化评估集上带 来可量化的工具调用准确率提升。
- agentskills.io 规范的生态采纳：技能可移植性的价值主 张依赖于该规范的生态采纳。若其他框架未实现兼容，跨 Agent 迁移的 核心价值将大幅削弱。
- OpenClaw 的竞争应 对：随着 Hermes 在 Star 数量上缩小差 距，并以记忆持久化作为差异化优势，关注 OpenClaw 维护者是否会 在近期版本中针对无状态执行的局限性作 出回应。
- Nous Research 的商业化信号：以此采 纳速度成长的开源框架，通常预 示着托管 API 或企业授权产品公告的到 来。持续关注 Nous Research 的官方动态，留意基础设施产品层 面的信号。
- Honcho 用户建模的隐私立场：跨会话的后 台行为画像功能，将面临企业安全团队的审查。数 据驻留位置、导出管控机制以 及退出选项的文档完善程度，将直 接决定企业级采纳的速度。