Datawhale干货

编辑： Datawhale团队

Hermes Agent 两个月就拿下了 5 万 GitHub 星标，持续霸榜 Github Trending 第一。

1. 它就像是进化版的龙虾，主打永久记忆和自动成长——不会忘记你教给它的东西，还能自己学会你的使用习惯，越用越懂你。

2. 它能自动总结技能（skill）：你交给它一个复杂任务，它在执行后会自动沉淀 提炼，形成可复用的 skill 文件。下次遇到类似问题，不用重新分析，直接调用，瞬间解决。

3. 今天直接原生支持个人微信了，私聊群聊都能用，所有信息全部覆盖。

接下来跟随博主Nick Spisak的分享，理解 Hermes 是什么，它和 Claude Code、OpenClaw 有什么不同，以及具体的实践案例。

安装只要2分钟，一个进化版的“龙虾”

Hermes 是一个运行在服务器（或笔记本）上的个人自动化智能体，通过消息应用跟你对话。它是一个永不停机的系统，处理重复性工作，监控你关心的事，自动学习，还能为你创建可复用的技能。

一行命令安装、连上通讯工具、给一个任务，它就在便宜的 VPS 或你的个人设备上 7×24 小时运行。

最棒的是它可以在后台监控，按需唤醒。你随时给它发消息，它会记住哪些任务正在进行中。

安装只要 2 分钟：

• 在命令终端输入 curl 下载安装脚本

• 运行 hermes，用 hermes model选择模型

• 用 hermes gateway setup连接飞书

Hermes的核心：学习循环

每调用大约 15 次工具，Hermes 就会暂停一下，回顾刚才发生了什么：哪些成功了、哪些失败了、哪些耗时太长，然后它自动写一个技能——保存在 ~/.hermes/skills/ 的 markdown 文件，把刚学到的东西变成可复用的工作流。

而且，这些文件全是公开的，可以随时打开它们、阅读它们、编辑它们、删掉那些它搞错的内容。

实际区别就是：第一天让 Hermes 研究一个话题，你得到的是通用摘要。第 30 天让它做同样的事，输出会更紧凑、更相关，格式也正是你想要的。

它通过观察你回应什么、忽略什么，学会了你的偏好。

和Claude Code、“龙虾”的关联

Claude Code 的记忆存储的是关于你偏好的事实； Hermes 存储的是可执行的流程。它不只是简单地记住你的偏好，它记住的是整个“研究-筛选-格式化”工作流，能生成你想要的那种要点。

从整个演进来看，Claude Code 活在你的代码仓库里。它读你的代码库，写代码，跑测试，提交，是最好的编码智能体之一。 但是，它不会在服务器上运行、不会在飞书上给你发消息，更不会在你睡觉时跑定时任务。

so，龙虾诞生了。OpenClaw 可以在你的服务器上运行。它有消息功能、调度功能和工具访问权限。但是它没有学习循环，不会从经验中自己写技能。

这时，更高级的龙虾来了。Hermes（ 爱马仕） 像 OpenClaw 一样在你的服务器上运行，还加了学习循环。每个任务都让它在下一个任务中表现得更好一点。如果你从 OpenClaw 迁移过来，一行命令就能导入所有东西——你的人设、记忆、技能、API 密钥和消息设置，运行 hermes claw migrate，五分钟搞定。

写在最后：Hermes 的真实应用案例案例1：每日简报

有个开发者买了台 Mac Mini M4 跑本地大模型，性能不够。于是他把它改成家庭服务器，运行 Hermes 配 Telegram 机器人。现在它自动就能处理他的求职流程、开发项目跟踪和每日简报，再也不用每天早上两眼一睁就在查邮件。

配置方法：

用 hermes gateway setup把 Hermes 连到 Telegram。让它监控你的邮件、日历和 2-3 个话题。设成定时任务。每天早上，摘要就发到你的 Telegram 里

Hermes 支持 15+个消息平台——微信、飞书、Discord、Telegram、Slack、WhatsApp、Signal、邮件，甚至 Home Assistant。选你最先看的那个。

好处：

不在简报本身，而是在两周后，Hermes 会学会哪些邮件的发件人你会回复，哪些会议你会准备，哪些话题会让你追问。第 30 天的简报直接成为私人助理！

案例2：网站监控和数据提取

有个开发者设置 Hermes 审查线上网站收到的用户报告，决定是否需要修正元数据。这样就完全替代了人工审核流程：智能体读取报告、对照现有数据检查，如果有效就应用修复，并记录改了什么。

技术细节：

Hermes 自带 Camoufox——一个隐身浏览器，不像普通自动化工具那样留下指纹。那些屏蔽无头浏览器的网站也能顺利运行。配合 Firecrawl 做结构化提取，你就有了一个不会被检测到的监控管道。

把它指向竞争对手的定价页面、招聘网站、新闻源、产品列表。Hermes 处理提取、变更跟踪，知道哪些是新的，哪些是昨天已经给你看过的。配置一次，让它按计划运行。

好处：

不用每天早上手动检查 10 个标签页，直接看一份“昨晚实际变化了什么”的对比报告就可以了。

案例3：关于一个智能体 vs 多智能体

一个金融科技创始人试过多智能体方案：五个专门的 AI 智能体——营销、销售开发、工程、社区和每日简报。它们每个都有自己的身份、记忆和时间表。

可是，短短 48 小时就不好用了。智能体之间无法共享上下文，技能在各个系统间重复，品牌语气也不一致。

解决方案：

他把所有东西合并到一个 Hermes 实例里。Claude Code 处理代码库。一个智能体运行营销、外联、社区管理和每日简报，支撑一个零员工的金融科技初创公司。做外联时能用到营销上下文，因为是同一个智能体处理的。

好处：

统一记忆意味着每个功能都为其他功能提供上下文。这种复利效应在 5 个互不相连的工具之间是不会发生的。

案例4：Karpathy 的 LLM Wiki

Hermes 内置了 Karpathy 的 LLM Wiki 模式作为技能。你让它创建一个 wiki，指向信息源，它就把所有东西组织成互相链接的 markdown 文件。摘要、实体页面、概念页面、对比——全都交叉引用，由智能体维护。

架构：

wiki 有三层。原始信息源进来后永远不会被修改。智能体从这些信息源写和维护 wiki 页面。一个 schema 文件定义规则，保证一切保持一致。

为什么重要：

学习循环意味着 wiki 会自动维护。添加一个新信息源，智能体不只是归档它。Agent 会检查现有页面，更新任何变化的内容，添加交叉引用，标记矛盾之处。用一个月后，你就有了一个复利增长的知识库，综合了你喂给它的所有东西。

案例5：关于自动研究和优化

自动研究模式是这样工作的：AI 智能体对某个东西做一个小改动，测试是否有效，保留赢家，再试一次，一遍又一遍，自动进行。

如何使用：

Hermes 就是为这种循环而生的。给它一个你想改进的指标——邮件打开率、落地页转化率、线索响应时间。让它做小改动，测量结果，保留有效的。学习循环意味着它不是随机测试。它会根据已经尝试过的，越来越擅长预测哪些改动会有效。

真实案例：

有个开发者给了 Hermes 一个券商 API 密钥，构建了 4 个自动交易策略，部署到真实账户。Agent 真的就在 Solana 上自主运行自动化的交易。

案例6: 关于 MCP 集成

Hermes v0.8.0 发布了原生 MCP 客户端支持。MCP 是 Claude Code 用于工具集成的同一个协议。

兼容性：

你为 Claude Code 构建或安装的每个 MCP 服务器都能在 Hermes 上工作。你的 Google Workspace 连接器、数据库工具、自定义 API。Hermes 自动发现它们，不用重建、不用重新配置。

实践经验：

我两个智能体都在用：Claude Code 写我的代码、管理仓库；Hermes 处理研究、简报、监控和自动化，用的是我已经配置好的同一批 MCP 服务器。搭建一次基础设施，就能用在两个智能体！

好处：

你的 MCP 工具不在乎是哪个智能体在调用它们。构建一次 MCP 层，两个智能体都能用。

案例7：关于模型选择

错误的模型选择是 Hermes 配置感觉崩溃的头号原因。人们责怪框架，其实是模型在工具调用上失败了。

经验教训：

有个开发者在 v0.8.0 更新后让 Hermes 在一个项目上连续运行了近 3 小时——前提是 切换到前沿模型。有人试过开源模型，看着 Hermes 幻想出了一个不存在的工具去调用。

目前本地实验的最佳选择是通过 Ollama 运行的 Gemma 4 26B；云端的话，能用越好的模型，就用越好的。

如何切换：

用 hermes model切换。如果出现 Bug，就运行 hermes doctor——它会诊断配置问题，省得你猜几个小时。

好处：

正确的模型能把上面每个工作流从“玩具级”变成“生产级”。

参考地址：

一起“ 点 赞 ” 三连 ↓