Hermes并非简单的工具集合，而是一套包含记忆、技能、协作、执行、回收的闭环系统，更像在“干活”而非“回答问题”。文章深入剖析了Hermes的三层分离架构：大脑层负责推理决策，肌肉层统一编排工具执行，神经层管理记忆与多Agent协同。企业学习Hermes应关注其架构取舍而非具体实现，文章提出企业自建Agent系统的五层架构思路，并给出落地实施路径，强调可审计的持续优化而非自我变异，最终目标是构建敢接业务、能审计、出事可追责的Agent基础设施。
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？
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
