如果你这段时间一直在看 Agent 项目，大概率绕不开 Hermes。
它真正吓人的，不只是“能跑命令、能改文件、能开浏览器”。
而是另一件事：它不是一个把大模型外面包了一层工具壳的玩具，而是一套已经把“记忆、技能、协作、执行、回收”接成闭环的系统。
这也是为什么很多人第一次用 Hermes，会有一种很强的体感：
它不像在“回答问题”。 它更像在“干活”。
更关键的是，这套东西不是玄学。
我把 Hermes 的关键代码翻了一遍后，发现它的核心并不神秘。真正值得企业抄的，不是它的安装脚本，也不是某个提示词，而是它背后的架构取舍。
截至今天，Hermes Agent 的 GitHub 星标已经超过10 万。4 月 8 日发布的v0.8.0，是它真正出圈的节点之一；而在这之后，v0.9.0、v0.10.0 还在持续快迭代。
所以我不讲“怎么装”。我讨论 3 个问题：
- Hermes 到底强在哪一层
- 企业如果照着学，最该抄什么，不该抄什么
- 如果你想自建一套企业级 Agent 系统，技术路线应该怎么走
一、Hermes 真正厉害的地方，不是工具多，而是“三层分离”
很多文章讲 Hermes，喜欢从功能清单开始。
能连浏览器。 能跑终端。 能读写文件。 能做子 Agent。 能记住用户偏好。
这些都没错。 但如果你只停在这一层，就很容易把 Hermes 看成“一个工具很全的 Claude Shell”。
这会低估它。
我看完代码后，感觉 Hermes 真正值得拆的是一个很清晰的三层模型：
- 大脑层：负责推理、规划、决策、纠偏
- 肌肉层：负责工具执行和技能复用
- 神经层：负责记忆、检索、上下文传递和多 Agent 协同
这三层不是嘴上说说。 在代码里，它们是分开的。
1）大脑层：不是工作流，而是“会看结果再继续想”的执行闭环
很多人以为 Hermes 的核心入口在 CLI。
其实不是。 真正的中枢在run_agent.py里的AIAgent。
它的主循环非常直白：
- 组装 system prompt 和当前消息
- 调模型
- 如果模型发起 tool call，就立刻执行
- 把工具结果再塞回上下文
- 继续下一轮
- 直到模型不再调用工具，直接输出结论
这件事听起来很普通。 但区别在于：Hermes 不是一次性“规划完再执行”，而是每执行一步，就把真实反馈重新喂回大脑。
这和很多传统 LangChain 式“链式调用”不一样。 后者更像预先编排好的流程。 Hermes 更像一个持续感知环境变化的执行体。
你可以把它理解成：
不是“先写作战计划，再按计划走完”。 而是“先走一步，看地形，再决定下一步”。
这也是它做复杂任务时更像真人工程师的原因。
2）肌肉层：Hermes 不是堆工具，而是把工具做成统一可编排的能力层
Hermes 的第二个高明点，是它没有把工具写成一堆散装脚本。
它有一个统一注册中心。
model_tools.py会在启动时集中导入各个tools/*.py模块；每个工具再通过tools/registry.py统一注册自己的 schema、handler、toolset、可用条件。
这个设计看似工程细节，实际上很关键。
因为对 Agent 来说，工具不是脚本，工具是“可被大模型理解、筛选、组合、限制”的能力对象。
Hermes 之所以扩展快，就是因为它做到了几件事：
工具定义统一
toolset 可以按场景裁剪
不可用工具会在 schema 层就被过滤
execute_code、
browser这类工具的说明还能根据当前可用工具动态改写，避免模型幻觉调用不存在的能力
这一步的价值很大。
很多企业自己做 Agent，第一版经常死在这里： 后端写了一堆函数，但模型根本不知道哪些能用、什么时候该用、用了会返回什么。
Hermes 的做法更像是在给模型建“肌肉群”，而不是扔一箱工具让它自己翻。
3）神经层：记忆、检索、委托，不是附件，而是执行系统的一部分
Hermes 的第三层，是它最容易被忽视、但也是最接近“自进化”的地方。
先看记忆。
hermes_state.py里，Hermes 用的是SQLite + WAL + FTS5。 这不是一个花哨方案，但很聪明。
SQLite 够轻，个人和小团队能直接用
WAL 让多读单写并发更稳
FTS5 让历史会话可全文检索
messages_fts还通过 trigger 和消息表联动更新
这意味着什么？
意味着 Hermes 的“记住”，不是把上一轮聊天塞进 prompt 那么简单。 而是把会话历史变成了一个可以召回、可以检索、可以跨会话延续的状态层。
再看长期记忆。
tools/memory_tool.py的做法也很有意思。 它把 MEMORY 和 USER 分开维护，而且采用frozen snapshot机制：
- 会话开始时，把记忆快照注入 system prompt
- 会话中途可以继续写入磁盘
- 但不会反复改 system prompt，避免打爆 prompt cache
这是一个典型的工程化取舍。 不是最“聪明”，但很“能跑”。
最后是多 Agent 委托。
tools/delegate_tool.py明确写了： 每个子 Agent 都拿到一份独立上下文、独立 task_id、独立终端会话；而且默认禁止递归委托、禁止直接写共享 memory、禁止让子 Agent 自己再开用户澄清。
这背后其实是一条很成熟的原则：
协作必须有边界。
一个主 Agent 可以统筹。 但子 Agent 必须隔离。 否则复杂任务一多，整个系统就会因为上下文串味、权限串味、预算串味而失控。
二、Hermes 为什么会给人一种“越用越顺手”的感觉？
因为它至少做对了 3 件很多 Agent 项目都没做对的事。
第一，它把“技能”变成了可积累的程序性经验
Hermes 不是只有工具。 它还有 Skill。
tools/skills_tool.py里，Skill 本质上是SKILL.md+ 可选 references/templates/scripts 的目录结构，默认存放在~/.hermes/skills/。
更关键的是，agent/skill_commands.py在加载 Skill 时，不是粗暴改 system prompt，而是把 Skill 作为一段结构化说明注入消息里，尽量保住 prompt caching。
这意味着 Skill 不只是说明书。 它是被压缩过的一次成功经验。
一次复杂任务跑通后，你可以把：
- 触发条件
- 执行顺序
- 关键命令
- 踩坑提醒
- 验收标准
全部固化成可复用经验。
这就是为什么我说 Hermes 像“会成长”。 它不是自己神秘进化了。 而是把一次次任务沉淀成了结构化经验，然后下次更快命中。
第二，它把“记忆”分成了几种不同形态
很多团队一说记忆，就只想到向量库。
但 Hermes 给了一个更实用的启发：
短期记忆
：当前对话里的消息流
长期记忆
：可检索的历史会话和用户偏好
技能记忆
：一旦验证有效，就固化成 Skill
这三种东西不是一回事。
很多企业 Agent 项目迟迟做不稳，问题就出在把三者混成一锅粥：
- 把所有历史都塞 RAG
- 把一次性任务记录当长期偏好
- 把临时成功路径误当团队标准流程
Hermes 的价值不在于它记得更多。 而在于它更清楚什么该记成上下文，什么该记成偏好，什么该记成技能。
第三，它把“协作”建立在资源隔离上，而不是消息互聊上
很多多 Agent 框架喜欢把“Agent 对话”做得很热闹。
但对企业来说，真正有价值的不是热闹。 是可控。
Hermes 的委托机制很克制：
- 子 Agent 没有父上下文历史
- 子 Agent 不能随便再委托
- 子 Agent 工具集可裁剪
- 子 Agent 结果只回传摘要，不把中间噪音全灌回父上下文
这其实非常适合企业系统。
因为企业要的从来不是“十个 Agent 同时聊天”。 而是：
不同岗位的智能执行体，能不能在权限可控、上下文可控、成本可控的前提下并行干活。
三、但企业不能直接把 Hermes 原样搬进去
说实话，Hermes 很强。
但企业如果直接照抄，八成会遇到 4 个问题。
1. 记忆规模不够
Hermes 当前这套 SQLite + 本地文件记忆，非常适合个人和小团队。
但企业一旦上量，问题就来了：
- 跨部门知识量大
- 文档源杂
- 会话量高
- 权限边界复杂
这时候单机 SQLite 只能做一个很好的原型，不是终局。
2. Skill 适合个人积累，不等于适合组织治理
个人用 Skill 很爽。 但企业要的是：
- 谁能发布技能
- 谁能升级技能
- 技能是否可审计
- 不同部门能否隔离访问
- 一个技能出错后如何快速回滚
也就是说，企业需要的不是“技能目录”，而是“技能注册中心”。
3. 安全和审计还不够重
Hermes 已经有不少安全意识，比如危险命令审批、工具限制、子 Agent 工具封禁。
但企业还要更多：
- RBAC 权限
- 操作审计
- 敏感数据脱敏
- 多租户隔离
- API 网关限流
- 合规留痕
个人 Agent 和企业 Agent 的分水岭，往往就在这。
4. 高可用不是它当前的主目标
Hermes 今天的定位，本质上还是“高能力的通用 Agent Runtime”。
企业系统要的则是：
- 多副本
- 故障转移
- 模型路由
- 成本治理
- 服务化接入
所以企业要学的，不是 Hermes 的部署形态。 是它的架构思想。
四、如果让企业自建一套“企业版 Hermes”，我会怎么搭？
我的建议很明确：别照着 Hermes 一比一复刻，照着它的分层思路重组。
可以按下面这套五层来搭。
1）接入层：先把入口统一
入口不复杂。 关键是统一。
可以接：
- 企业微信 / 飞书 / 钉钉
- Web Portal
- OpenAPI
- 内部工单系统
- IDE / VS Code 插件
入口多不是问题。 入口协议不统一才是问题。
2）Agent 编排层：拿大脑，别拿工作流截图冒充大脑
这一层是核心。
如果你的任务是复杂多步、强闭环，我更建议用：
LangGraph
：适合做可控图编排，方便把“规划—执行—反思”做成显式状态机
AutoGen
：适合多 Agent 协作明显的场景
AgentScope
：适合更重的分布式和可观测场景
CrewAI
：适合角色比较固定、流程相对稳定的团队协作
总的来说，就是：
- 要精细控制，就上 LangGraph
- 要多 Agent 通信，就看 AutoGen
- 要偏企业分布式，就看 AgentScope
- 要轻量角色协作，就用 CrewAI
3）记忆层：别一上来就“All in 向量库”
企业记忆至少要分三层：
- 用户偏好和执行元数据：关系型数据库
- 会话与操作日志：日志存储 / 检索库
- 语义知识与经验召回：向量数据库
向量库选型可以很务实：
Milvus
：大规模场景
Qdrant
：中型团队很好用
Pgvector
：已经重度用 PostgreSQL 的团队最省心
记住一点：向量库是记忆的一部分，不是记忆本身。
4）技能层：用 Git 管技能，用索引服务管发现
这一层非常关键。
我建议企业直接把 Skill 做成：
- Git 仓库存版本
- 元数据中心存权限、标签、适用部门
- 向量 / 关键词双索引做技能发现
- 发布流程里带审校和回滚
这样做的好处是，Skill 从“个人经验包”升级成“组织可治理资产”。
5）知识库和治理层：别让 Agent 裸奔
知识库推荐按企业现状选：
- 想快速落地，可以接 Dify / FastGPT / RAGFlow
- 想深做文档解析和复杂文件理解，RAGFlow 会更强
- 想完全自控，就把解析、切片、重排、检索拆开自己搭
而治理层至少别省掉这几件事：
认证
：Keycloak / Casdoor
网关
：Kong / APISIX
审计日志
：ELK / Loki
监控告警
：Prometheus + Grafana
企业不是缺一个会回答问题的机器人。 企业缺的是一套敢接业务、能审计、出了事能追责的 Agent 基础设施。
五、真正能落地的推进路径，别一口气做“全功能智能平台”
如果让我给一家企业排实施顺序，我会分 4 段。
第一阶段：先做闭环 MVP
目标只有一个： 证明 Agent 能把一个真实业务任务跑通。
优先做：
- 一个主 Agent
- 3 到 5 个高频工具
- 一个最小记忆层
- 一个企业入口
- 一个能回放的执行日志
这时候不要急着谈“自治组织”。 先让它在单点任务上稳定交付。
第二阶段：补记忆和知识
当闭环跑稳后，再加：
- 向量检索
- 企业文档接入
- 技能沉淀
- 工具权限控制
这一步解决的是“能不能复用”。
第三阶段：补治理和协作
这时候才值得上：
- 多 Agent 协作
- 技能发布流
- 审计与监控
- 多租户隔离
- 模型路由和降级
这一步解决的是“能不能进组织”。
第四阶段：再谈自进化
所谓自进化，不是让 Agent 自己胡乱长。
真正靠谱的自进化，是下面这条闭环：
- 记录执行轨迹
- 识别高成功路径
- 提炼成 Skill 或模板
- 做 A/B 验证
- 审核通过后再发布
也就是说，企业里的“自进化”，本质上是可审计的持续优化，不是不受控的自我变异。
结尾：Hermes 最值得企业学的，不是产品形态，而是架构克制
Hermes 火，不只是因为它会调用工具。
真正厉害的地方在于：
它把 Agent 这件事，从“一个会聊天的大模型”，往前推成了一套有分层、有边界、有记忆、有技能、有协作的执行系统。
它证明了一件很重要的事：
Agent 不需要一开始就全知全能。它只要把大脑、肌肉、神经三层接好，就会开始出现系统级能力。
这也是企业今天最该抄的地方。
不是抄某个提示词。 不是抄某个模型名字。 不是抄某个 Demo 页面。
而是抄这套思路：
- 决策层要能闭环
- 执行层要可编排
- 记忆层要可检索
- 技能层要可沉淀
- 协作层要有边界
- 治理层要先于规模化上线
用别人的 Agent，很快。 造自己家的 Agent，很难。
但真正的护城河，从来都不在“会不会用”，而在“你有没有把这套系统长到自己业务骨头里”。
问题不是你的企业要不要做 Agent。问题是：你准备把它做成一个聊天入口，还是做成下一代执行基础设施？
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～
