GitHub Explorer

Hermes Agent 深度分析报告

GitHub: https://github.com/NousResearch/hermes-agent

一句话总结

Nous Research 的旗舰 AI Agent——“会自我成长的 Agent”，以自我改进技能系统、三层持久记忆、模型无关架构和 RL 训练闭环为核心差异化，25 天从 0 到近万 stars，是 OpenClaw 当前最有力的开源挑战者。

值得关注的理由

  1. 技能系统 = Agent 的程序性记忆：Agent 从成功任务中自动提炼 SKILL.md 作为可复用知识，配合 Honcho 跨会话语义记忆，实现真正的”会学习的 Agent”
  2. 模型训练→Agent 运行的飞轮：背靠 Nous Research 的 Hermes 模型训练能力 + Atropos RL 框架，Agent 使用数据可反哺模型训练——这是其他 Agent 框架无法复制的闭环
  3. 全平台覆盖：6 种终端后端（Local/Docker/SSH/Modal/Daytona/Singularity）+ 12 种消息平台网关（Telegram/Discord/Slack/WhatsApp/Signal/Email 等），从开发者 CLI 到 Telegram 机器人全场景覆盖

项目画像

维度数据
GitHubhttps://github.com/NousResearch/hermes-agent
Star / Fork9,787 / 1,205
代码行数251,541 (Python 69.9%, Markdown 文档 67K 行)
项目年龄8 个月（公开仅 25 天）
开发阶段密集开发（2026-03 单月 1,915 commits，v0.3.0）
贡献模式BDFL 模式（teknium1 贡献 71%，24+ 贡献者）
热度定位大众热门（25 天 ~10K stars，爆发式增长）
质量评级代码[良好] 文档[优秀] 测试[基本]

作者视角：为什么存在这个项目

创始人/作者背景

Nous Research 是开源 LLM 领域的核心参与者，以 Hermes 系列模型（基于 Llama 微调）闻名。联合创始人 teknium1（2,895 followers）贡献了 1,741 commits（71%）。组织旗下 66 个仓库，hermes-agent 是当前最高 star 仓库，配套 atropos（916★，RL 训练框架）和 hermes-agent-self-evolution（245★）形成完整研究闭环。

问题判断

teknium1 观察到核心矛盾：现有 AI Agent 要么能力强但封闭（Claude Code），要么开放但一次性（每次会话从零开始）。从 RL 训练经验中发现，Agent 的真正瓶颈不是推理能力，而是知识积累能力——每次会话丢失的上下文是巨大的浪费。Issue #747（Agent 忘记有 shell 访问）暴露了更深层问题：Agent 的自我认知需要持久化的程序性记忆，不是靠提示词就能解决的。

解法哲学

  • 技能系统作为程序性记忆：成功任务被提炼为 SKILL.md，下次遇到类似任务自动加载——比 RAG 更精确
  • 双层记忆：MEMORY.md（冻结快照注入系统提示词）+ Honcho（动态语义检索），服务于 prompt caching 优化
  • 模型无关 = 生存策略：通过 OpenRouter 路由，不绑定任何单一模型供应商
  • 选择不做的：不在编码体验上正面对抗 Claude Code/OpenClaw，而是做”全能 Agent”

战略意图

Hermes 模型训练 → Agent 运行 → 轨迹收集 → RL 训练 → 更好的模型 → 更好的 Agent——这是一个自我改进飞轮。Skills Hub（社区技能市场）+ ACP 适配器（VS Code/Zed/JetBrains）+ 消息平台网关 = 三管齐下获取用户和数据。

核心价值提炼

创新之处

  1. 技能系统 = Agent 的程序性记忆（新颖 5/5 | 实用 4/5 | 可迁移 4/5） Agent 自动从成功任务中提炼 SKILL.md，使用时发现过时内容立即 patch 修正。从社区市场/GitHub/OpenClaw 多源安装。将 Few-Shot Learning 从”提示词工程”升级为”Agent 自主维护的知识库”。

  2. Programmatic Tool Calling (PTC)（新颖 4/5 | 实用 4/5 | 可迁移 3/5） 让 LLM 编写 Python 脚本批量调用工具，通过 Unix Domain Socket RPC 桥接。中间工具结果不进入上下文窗口，将多步工具链压缩为单次推理轮次。

  3. RL 训练闭环集成（新颖 5/5 | 实用 3/5 | 可迁移 2/5） environments/ + trajectory_compressor.py + tool_call_parsers/ 将 Agent 交互数据当训练语料。hermes-agent-self-evolution 暗示终极目标是让 Agent 自己微调自己。

  4. 冻结快照 + 实时状态双轨记忆（新颖 4/5 | 实用 5/5 | 可迁移 5/5） 系统提示词冻结于会话开始（保持 prompt cache 稳定）+ 实时记忆随工具调用更新。直接服务于 Anthropic prompt caching 成本优化（~75% 输入 token 节省）。

  5. 安全纵深防御（新颖 3/5 | 实用 5/5 | 可迁移 4/5） 记忆注入扫描 + 上下文文件注入扫描 + 技能安全扫描器 + 危险命令审批 + MCP 凭证剥离 + 不可见 Unicode 检测。安全成熟度远超同类开源项目。

  6. 影子 Git 检查点（新颖 3/5 | 实用 4/5 | 可迁移 5/5） GIT_DIR + GIT_WORK_TREE 分离，不侵入用户项目，每次文件修改前自动创建检查点。

可复用的模式与技巧

  1. 自注册工具表模式：每个工具文件自注册到 registry，零耦合扩展 → 适用于任何插件化系统
  2. 冻结快照 + 实时状态双轨：稳定前缀 + 动态更新，优化 prompt caching → 适用于任何 LLM 应用
  3. YAML Frontmatter + Markdown Body 技能格式：简单、人类可读、机器可解析 → 适用于 Agent 知识管理
  4. 正则驱动的安全扫描：威胁模式匹配 + 信任级别策略矩阵 → 轻量但有效的 LLM 安全防御
  5. 影子 Git 检查点：GIT_DIR/GIT_WORK_TREE 分离的透明版本控制 → 适用于任何需要文件回滚的工具
  6. 渐进式技能披露：Tier 1(元数据) → Tier 2(指令) → Tier 3(关联文件)，节省 token → 适用于大型知识库

关键设计决策

  1. 模型无关（OpenRouter 路由）：不绑定供应商，支持 200+ 模型，但增加了多模型兼容性的维护成本
  2. 自注册工具 + 28,902 行工具层：优雅解耦但工具数量膨胀
  3. run_agent.py 巨石文件（7,316 行）：最大技术债，AIAgent 类承担过多职责
  4. 12 种消息平台网关统一管理：单一 gateway 进程，覆盖全平台但维护负担重

竞品格局与定位

竞品对比矩阵

维度Hermes AgentOpenClawClaude CodeCline
Stars~10K (25天)300K+Anthropic 官方~30K
模型锁定模型无关OpenAI 为主Claude 专属多模型
技能自改进✅ 核心差异化❌❌❌
跨会话记忆✅ 三层架构⚠️ 项目级❌❌
消息平台12+ 种网关CLI/IDECLIVS Code
终端后端6 种本地为主本地本地
RL 训练集成✅ Atropos 原生❌❌❌
自托管✅ 完全⚠️ 部分❌ 云端✅
安全纵深✅ 多层防御✅✅ Anthropic 托管⚠️ 基础

差异化护城河

  • 技能系统 + RL 训练闭环：Agent 使用数据反哺模型训练的飞轮是 Nous Research 作为模型公司的独特优势
  • 全平台消息网关：12 种平台覆盖从 Telegram 到 Home Assistant，竞品难以快速复制
  • OpenClaw 迁移工具：hermes claw migrate 直接从竞品导流

竞争风险

  • 与 OpenClaw 生态差距巨大（10K vs 300K+ stars），社区贡献、第三方集成有数量级差距
  • 如果技能系统不能兑现”自我改进”承诺，核心差异化不成立
  • 版本仅 0.3，稳定性和向后兼容尚无保证

生态定位

占据”自托管、模型无关、自我改进的个人 AI Agent”独特定位——介于 Claude Code 式编码 CLI 和 OpenClaw 式消息平台 Agent 之间，且背靠模型训练能力形成研究闭环。

套利机会分析

  • 信息差: 项目公开仅 25 天，中文社区认知度极低。技能系统和 RL 训练闭环的技术深度被 star 爆发的话题性掩盖
  • 技术借鉴: (1) 自注册工具表模式；(2) 冻结快照+实时状态双轨记忆；(3) YAML Frontmatter 技能格式；(4) 正则驱动安全扫描；(5) PTC 批量工具调用
  • 生态位: 填补了”模型无关 + 自我改进 + 全平台”的 AI Agent 空白
  • 趋势判断: 爆发式增长中（日均 390 stars），完全符合 AI Agent + 开源 LLM 趋势。RL 训练闭环是长期竞争力。但 hype 成分需要时间验证

风险与不足

  1. run_agent.py 巨石文件（7,316 行）+ cli.py（7,335 行）：最大技术债，核心循环是巨大的嵌套 while 循环
  2. Bus Factor 极低：teknium1 贡献 71%，项目命运高度依赖单人
  3. 版本极早期（v0.3.0）：公开仅 25 天，稳定性未验证，star 可能含发布期 hype
  4. 2026-03 单月 1,915 commits 的异常性：如此高频可能含自动化提交，需关注质量
  5. 多模型兼容性痛点：Issue #1083 和 #747 反映不同模型对 Agent 环境的理解差异大
  6. 测试覆盖相对不足：312 个测试文件/92K 行 vs 222K+ 总代码，比例偏低
  7. 与 OpenClaw 的生态差距：10K vs 300K+ stars，追赶需持续高投入

行动建议

  • 如果你要用它: 最适合需要”自托管 + 模型无关 + 跨平台部署”的 AI Agent 场景（如 Telegram 智能助手、定时任务自动化、多消息平台统一 Agent）。如果只需编码助手选 Claude Code/OpenClaw，如果需要企业级稳定性再等几个版本
  • 如果你要学它: 重点关注 (1) tools/registry.py — 自注册工具表模式；(2) tools/skills_tool.py + skill_manager_tool.py — 技能系统核心；(3) agent/context_compressor.py — 上下文压缩算法；(4) tools/memory_tool.py — 冻结快照+实时状态双轨；(5) tools/tirith_security.py + skills_guard.py — 安全纵深防御
  • 如果你要 fork 它: (1) 拆分 run_agent.py 和 cli.py（最紧急）；(2) 增强集成测试覆盖；(3) 添加架构图文档；(4) 优化多模型兼容性测试矩阵

知识入口

资源链接
DeepWikideepwiki.com/NousResearch/hermes-agent
Zread.aizread.ai/repo/NousResearch/hermes-agent
关联论文无（但 Hermes 系列模型有相关论文）
在线 Demo无（自托管项目）
官方文档hermes-agent.nousresearch.com/docs
Skills Hubagentskills.io — 技能市场

相关报告

一个人 5 个月写 49 万行 Rust，造了个会自我进化的 Claude Code 竞品

⭐ 20.8k
Rust AI AgentAI 编程

MaxKB

⭐ 20.6k
Python AI AgentLLM 框架开发者工具

manim

⭐ 85.4k
Python AI Agent音视频 已发布

BettaFish

⭐ 39.6k
Python AI Agent 已发布

MiroFish

⭐ 38.2k
Python AI Agent 已发布

万星小镇的 1KB 玄学：a16z × Convex 的 AI Town 凭什么让 8 个 NPC 自己聊出性格

⭐ 10.0k
TypeScript AI AgentLLM 框架LLM 推理 已发布