“同事.skill”不用寫了，愛馬仕 Hermes 主動“蒸餾”你，還讓開發者集體拋棄 “龍蝦”？！

整理 | 褚杏娟

從 OpenClaw 切換到愛馬仕 Hermes，你跟了嗎？

近日，Hermes Agent 在國內突然爆火。Hermes Agent 從 2 月份開源以來，現已獲得超 3.9 萬 stars，目前還在快速增長。

“準備放棄龍蝦轉愛馬仕了，龍蝦記憶太差了，愛馬仕無論怎么重開，過多久都能記住，太香了！”有網友說道。谷歌高級 AI 產品經理 Shubham Saboo 發推稱贊其好用。

有用戶在 Mac M3 上通過 LM Studio 本地運行 Qwen 3.5-35B，并把 OpenRouter 作為備用后端，Hermes 則 24 小時持續運行。

Hermes 可以把日歷、Gmail 和 Todoist 的信息先匯總到一個分析步驟里，再把任務分派給 Claude Code，持續跟蹤進度，同時回寫到用戶的 Obsidian vault。X 上還有人提到，他們的 Hermes Agent 會自主給商業伙伴的 Hermes Agent 發消息，協同完成某項任務，全程沒有人工介入。

有位開發者用 Hermes Agent 花費 2.5 小時做出了 《百戰天蟲》克隆版。他用的是持久 shell 模式、并行子 agent、通過 /rollback 實現文件系統檢查點，以及借助 CDP 進行實時 Chrome 調試。而且，這個 gent 還自己把物理引擎邏輯整理成了一個可復用的 skill 插件。

還有用戶在發現每次 API 調用里有 73% 都是固定開銷后，做了一個開源儀表盤。其中特別大的開銷來自：工具定義占 46%，system prompt 占 27%。現在大家也在分享一些降本方法，比如按平臺拆分工具集，或者按需懶加載 skill。

Hermes 可以自托管在 5 美元的 VPS 上，將其與 Ollama 結合使用，即可實現本地推理，成本幾乎為零。

“我試過 OpenClaw、Nanobot、Nanoclaw 等等，但 Hermes Agent 是我最喜歡的。它把我真正關心的功能都做進去了，同時又沒有那些臃腫累贅的東西。”有用戶表示。

該用戶進一步解釋道，“在我看來，它更容易審計、也更安全，和我本地跑的模型配合得也很好。我把 Hermes 裝在一臺始終在線的 Mac mini 上，這臺機器可以通過預共享密鑰 SSH 訪問我的 Ubuntu 服務器。對我來說，這臺 Mac mini 就是整個編排體系里的中樞。我平時要么直接在 Mac mini 上用它，要么從 MacBook SSH 連到 Mac mini 去用，要么通過 Telegram 來操作。完全不需要多節點部署。至于一些更輕量的任務，我最近在測試 pi.dev 和 opencode 的效果對比，不過到目前為止，我還是挺喜歡它更省 token 的用法。

官方還給了從 OpenClaw 遷移到 Hermes 辦法。不過也有使用過用戶表示，“我大概不會直接替換掉現有的 Claude Code 工作流，但把 Hermes 并行掛在旁邊，專門負責常在線消息處理和個人助理這一層，確實很有吸引力。”

同是智能體，與 OpenClaw 有何不同？

這款 Agent 的核心目標，不是“在通用場景下更擅長工作”，而是“越來越懂你的工作方式”。

目的不同，產品底層設計也就不同，爆火后，Mr. ?nand 拆解分析了 Hermes 的架構。和圍繞多 Agent 編排（Multi-Agent Orchestration）來設計的 OpenClaw 不同，Hermes 回歸了單 Agent（Single-Agent）架構。

Hermes 的架構核心并不復雜。它是一個運行在持久循環中的單 Agent 系統。沒有編排層，也沒有多 Agent 集群。每個任務都會經過同一套循環：輸入 → 推理 → 工具使用 → 記憶 → 輸出。真正的區別在于，任務結束之后會發生什么。

Hermes 的核心是學習循環。它不只是存儲對話，而是會對已經完成的任務進行評估，判斷這套處理過程是否值得保留。如果值得，它就會把一次任務里真正有效的方法提煉出來，寫成可復用的 skill，并這套可復用的“skill”寫入磁盤，保存到 ~/.hermes/skills/。下一次再遇到類似任務時，它不會重新把步驟走一遍，而是直接執行已經保存下來的工作流。

相比之下，OpenClaw 這類 Agent，通常會在不同會話（session）之間維護上下文，并通過一個中央樞紐（central hub）進行路由調度，這對“記住發生過什么”并不友好。官方團隊認為，這種能力提升不是靠頻繁改配置、加規則堆出來的，而是在使用中“長出來”的。

為了避免記憶越積越亂，Hermes 把記憶拆成了四層，而不是全部塞進同一個記憶存儲里。

• 第一層是提示記憶（Prompt Memory），也就是 MEMORY.md 和 USER.md。這部分內容會在每次 session 一開始自動加載，屬于常駐上下文。兩份文件一共只允許 3,575 個字符，限制得很緊，目的就是逼系統只留下真正重要、值得長期保留的信息。

• 第二層是會話檢索（Session Search）。所有 session 都會寫進 SQLite，并通過 FTS5 建立索引。agent 只有在判斷過去某段上下文和當前任務有關時，才會主動去搜，而不是把整個舊 session 一股腦重新塞回窗口。檢索結果在進入當前任務前，還會先經過 LLM 摘要，只保留相關部分。

• 第三層是技能程序性記憶（Skills Procedural Memory）。它保存的不是“發生了什么”，而是“這件事該怎么做”。默認情況下，系統提示詞只加載 skill 的名字和摘要，完整內容只有在當前任務確實需要時才會讀進來。這樣，即便系統里已經積累了大量 skill，也不會把 token 成本一起推高。

• 第四層是 Honcho 層用戶建模（Honcho Layer User Modeling）。它會跨 session 被動追蹤用戶偏好、溝通風格和知識背景的變化。

Mr. ?nand 認為，正是這種分層結構真正承擔了大部分關鍵工作。“發生了什么”和“該怎么做”不會混在一起，完整上下文也只會在需要時才加載。這就是它能在不把 token 成本推高的情況下實現擴展的原因。

在記憶管理上，大多數 Agent 要么全盤記錄，最終只留下一堆無法復用的日志；要么完全不記錄，每個會話都需從零開始。Hermes 為規避這兩個問題，將“哪些內容值得留存”的判斷權直接交給 agent 自身，具體通過“定期提醒（periodic nudge）”機制實現。

在會話過程中，系統會定期向 Agent 發送一個內部系統級提示（system-level prompt），讓它回頭看剛剛發生了什么，并判斷哪些內容值得寫進記憶文件。這個過程不依賴用戶輸入，而是系統自動觸發。這種設計讓記憶始終保持“經過整理”的狀態，而非淪為每次交互的“垃圾場”，確保記憶的實用性。

學習循環和記憶系統的價值，只有在 agent 能夠隨時響應調用時才能體現，而這正是網關的核心作用。

在 OpenClaw 中，網關的主要職責僅為交付，skill 創建、記憶寫入、定時自動化輸出等功能均采用獨立機制實現，與網關不在同一個循環中。而在 Hermes 中，網關本身就是同一個循環的一部分：收到一條消息可直接觸發 skill 創建；定時自動化任務的輸出，也會通過同一個網關層反饋給用戶。之所以能實現真正的跨平臺連續性，核心原因就是會話路由被直接集成到整個系統中，而非后續額外拼接。

網關模塊主要負責五件事：消息傳遞、會話路由、交付、配對和定時觸發。一個會話綁定的是用戶 ID，而非具體平臺，這意味著用戶在 Telegram 開啟了一段對話，再切換到終端后繼續操作，也不會丟失任何上下文。

Hermes 的單次交互也十分直接：每條消息進入系統后，Agent 會先生成任務 ID，再加載緩存的系統提示或重新構建提示；隨后進行預檢壓縮檢查（preflight compression check），確認當前對話歷史未逼近上下文限制；之后調用模型、執行工具、寫入結果，最終由網關推送響應。

若對話過長，系統會在觸發上下文硬限制前，由輔助模型完成總結，壓縮中間輪次但保留溯源鏈，即總結內容與原始對話的引用關系，既避免上下文溢出，又保證操作可追溯。

此外，由于 Hermes 的系統提示大多穩定，多數服務提供商可對其進行提示緩存（prompt caching），這樣可以大幅降低后續調用的延遲和成本。僅在切換模型、修改記憶文件或上下文文件時，緩存才會失效。

Hermes 將定時自動化任務視為一級 Agent 任務，而非“外部套一層定時任務，順帶調用 AI”。用戶安排定時任務后，系統會先解析指令，將任務存入 cron/ 目錄；到點后，由網關的定時觸發啟動任務，再由 Agent 循環帶著完整記憶和 skill 執行，最終將結果推送至指定平臺。

Hermes 的所有核心能力，包括學習循環、記憶分層、網關路由、定時自動化，都依賴一個核心前提：狀態可跨會話留存。這一功能由 hermes_state.py 管理的 SQLite 數據庫實現：每輪交互結束后，對話、工具調用及結果都會寫入數據庫，并通過 FTS5 建立索引，供后續按需檢索；原始對話記錄會額外寫入 JSONL 文件，定時任務定義則單獨存儲。數據庫啟用預寫日志（WAL）模式，確保多會話并發時的穩定性。

Mr. ?nand 表示，Hermes 并非用于臨時處理小任務的輕量配置，更像是一套需要持續運行和維護的基礎設施。如果你的使用場景較狹窄、生命周期較短，那么它的復雜度可能顯得冗余；但如果你的需求是搭建一個日常使用、跨多個平臺、任務具有重復性且會不斷演化的系統，那么 Hermes 會是一個值得選擇的方案。

他強調，OpenClaw 提供的是模塊化和多 Agent 協同能力，而 Hermes 提供的是一個能隨時間積累上下文、沉淀工作流程的單 Agent。

不過，研發團隊成員 Jeffrey Quesnelle 在最近的分享中提到，團隊現在還沒有特別成熟、真正完善的長期規劃研究。這里說的長期規劃，是那種 AI 可以連續工作很多很多天，不是只完成一個短期任務，而是能在更長的時間里穩定推進工作。但他認為，長期規劃能力是一個非常值得研究的方向。

團隊要打造與 OpenAI、DeepSeek 等抗衡的開源 AI 模型

隨著被關注越來越多，Hermes Agent 背后的公司 Nous Research 也進入了人們視野。

創始團隊將 Nous 定位為開源研究機構，最初是 2022 年由一群通過 Discord、GitHub、Twitter 等社交及技術平臺結識的志愿者組建。而 Nous Research 成立于 2023 年，由 CEO Jeffrey Quesnelle、行為負責人 Karan Malhotra、后訓練負責人 “Teknium” 以及 Shivani Mitra （領英顯示其在去年 5 月已離職）共同創立。

Jeffrey 密歇根大學迪爾伯恩分校計算機科學碩士學位，曾在車載網絡與嵌入式工具提供商 Intrepid Control Systems 工作超 18 年，后進入加密行業；Malhotra 曾在亞馬遜生成式 AI 部門工作，在面向自然語言處理應用的機器學習與深度學習模型開發及部署方面擁有豐富經驗；Teknium 則之前在 Stability AI 工作，并參與了很多開源項目，目前專注于大語言模型的后訓練、對齊與通用能力構建。

公司目前有 30 人左右，目標是打造可與 OpenAI、DeepSeek 等企業抗衡的開源 AI 模型。

團隊初期基于 Meta 的 Llama、Mistral 等主流大語言模型進行迭代實驗，開發自研版本，并以 Hermes 為名發布了一系列模型，在 HuggingFace 上的下載量已超過 5000 萬次。

“只要我們取得技術突破，就會把實現方法一并公開，讓大家知道我們到底是怎么做到的。”Jeffrey 說道。Hermes 是開源的，包括權重、訓練數據集、訓練方法等。此外，團隊取得的研究成果會發表到學術期刊上。

該公司已發表多篇研究論文，包括 Jeffrey 在 2024 年與 OpenAI 創始團隊成員 Diedrick P. Kingma 合作發表的“DeMo: Decoupled Momentum Optimization”論文，以及 2023 年發表的 YaRN 語言模型方法。該方法已被 109 篇學術人工智能論文引用，并被 Meta 和 DeepSeek 的模型所采用。

Jeffrey 很認可 Linux 的路徑：源代碼完全公開，內核驅動全部透明。雖然公開之后可能會出現一些嚴重的零日漏洞，但這反而成了打造真正安全操作系統的最佳方式。“源代碼全部可見，在公開環境中不斷迭代優化，這才是黑客精神的核心。信息天生就應該自由流動，任何試圖把它徹底封鎖起來的行為，本質上都是逆潮流而動。”

事實上，從 Hermes 2 開始到 Hermes 4，團隊底層用的就是 Llama。但當時團隊很擔心 Llama 5 閉源，“扎克伯格隨時都可以收回這個權限。”所以，團隊現在已經推進所有訓練都 100% 由自己掌控，并搭建訓練基礎設施。

“依靠別人的善意，永遠只能走到某個程度。就像是建在一堆紙牌上的房子，隨時都可能塌掉。正因為如此，我們意識到，我們必須把整個訓練流程全面開源。從預訓練，到中期訓練，再到強化學習，整個鏈條不能依賴某一家大型企業心情好時給你一個基礎模型。”Jeffrey 說道。

主動引入區塊鏈

當前 AI 模型訓練對算力的需求已達到驚人規模，無論是模型訓練本身，還是其相關配套環節，都需要消耗巨量資源，這成為很多 AI 研發團隊面臨的核心問題，Nous 也不例外。

Jeffrey 在密歇根大學讀碩士期間，曾研究過加密貨幣項目 Zcash。在創辦 Nous 后，這段經歷重新變得重要起來。他想找到一條能夠直接跳出原有約束的新路徑，“如果你做和 OpenAI 這類公司一樣的事情，最后就得跑去找財富基金融資，規模大到離譜，得想辦法繞開這件事。”

為此，Nous 開始將目光轉向去中心化技術。在他看來，加密基礎設施提供了兩個最關鍵的能力：一是資本形成能力；二是實現真正去中心化的可能性。

按照傳統路徑，一次常規的大模型訓練通常發生在單一數據中心內，整個過程由單一實體控制。從算力調度到訓練執行，再到資源管理，幾乎都依賴中心化體系完成。

而 Nous 想推動的，則是另一種訓練范式：讓模型訓練跨越多個數據中心，在全球范圍內調用不同地點的 GPU 資源共同參與。這些 GPU 不必固定綁定在單一集群之中，而是可以動態加入訓練，也可以在需要時退出訓練。同時，可以用代幣激勵人們貢獻閑置算力。

“我們借助加密行業的激勵機制，推動人們充分利用閑置算力。這并非無償捐贈，更像是一種價值交換。”Malhotra 表示。該方案兼容工業級與消費級 GPU，不過初期僅對可接入數據中心資源的參與者開放。

“我們是一家 AI 公司，但我們用加密技術，不是因為它時髦，而是因為它正好能解決我們面臨的技術問題。”Jeffrey 表示，他們需要一種去中心化、去中介化的基礎技術。

“你可以想象一個場景：過一段時間，也許每個數據中心都需要牌照，每個節點都會被管控。所以我們現在就得把這件事做好，讓系統本身具備容錯能力。它更核心的價值，其實就是容錯性和去中心化，而不只是資本的組織方式。”他解釋道，“如果那張 GPU 在加拿大、墨西哥，或者其他任何國家，我們就需要一種無需許可的支付方式。說真的，無國界、去中介的跨境支付，目前來說加密貨幣就是最好的解決方案。所以我們只是把加密技術的基礎組件用在它真正適合的地方，用來解決一個技術問題：怎么做出一種真正為所有人服務的開源 AI。”

據悉，在分布式訓練模式中，區塊鏈層不可或缺，能夠有效防范惡意參與者。若無此機制，用戶可能上傳無效或錯誤數據，污染整個訓練流程。這依托于區塊鏈的拜占庭容錯特性，即便部分節點出現故障，系統仍可正常運行。不過，Nous 的方案能否在保證與中心化數據中心同等訓練效率的同時，徹底杜絕數據污染，目前仍有待驗證。

Malhotra 去年表示，Nous 尚未確定未來參與者的獎勵形式，是發行項目專屬代幣，還是采用 Solana 原生加密貨幣。

值得注意的是，過去兩年，Nous 大多保持低調運營，直到去年憑借一筆 5000 萬美元的 A 輪融資正式走進大眾視野。該輪融資幾乎全部由加密領域頂級風投 Paradigm 出資。此前該項目的投資者稱，這使該項目尚未推出的代幣估值達到 10 億美元。

Paradigm 由 Coinbase 聯合創始人 Fred Ehrsam 與紅杉資本合伙人 Matt Huang 聯合創立，是全球規模最大的原生加密風投之一。2022 年底其投資企業 FTX 暴雷、加密行業陷入寒冬后，Paradigm 曾宣布將部分重心轉向 AI 相關投資。這一調整一度引發質疑，Matt Huang 2023 年澄清，Paradigm 仍會持續布局加密領域，同時探索 AI 與加密的融合賽道。

在此之前，Nous 已完成多輪種子輪融資，累計募資約 2000 萬美元，投資方包括 Distributed Global、North Island Ventures 及 Delphi Ventures 等機構。

Malhotra 坦言，整個 AI 行業對加密領域長期持懷疑態度，很大原因是該領域“投機炒作與虛假項目過多”。但他表示，創始團隊本身具備加密原生背景，只是在分布式訓練研究取得實質性突破前，團隊一直對加入區塊鏈層持謹慎態度。

“我們不想被外界對加密行業的固有負面印象拖累，畢竟我們本質上是一家嚴謹的學術型研究實驗室。但歸根結底，區塊鏈是唯一能實現如此大規模、民主化模型訓練的路徑。”Malhotra 解釋道。

https://github.com/nousresearch/hermes-agent
https://mranand.substack.com/p/inside-hermes-agent-how-a-self-improving
https://fortune.com/crypto/2025/04/25/paradigm-nous-research-crypto-ai-venture-capital-deepseek-openai-blockchain/?utm_source=chatgpt.com
https://www.youtube.com/watch?v=8pUKjOTR9ns
https://www.youtube.com/watch?v=aYrXndUy6hA

聲明：本文為 InfoQ 整理，不代表平臺觀點，未經許可禁止轉載。

會議推薦

QCon 全球軟件開發大會·2026 北京站將于 4 月 16 日 -18 日正式舉辦。本屆大會以“Agentic AI 時代的軟件工程重塑”為主題，聚焦 100+ 重磅議題，匯聚來自阿里、騰訊、字節跳動、小米、百度等一線科技企業與創新團隊的技術專家，圍繞 AI 工程化、系統架構與研發模式演進展開深入探討。更多詳情可掃碼或聯系票務經理 18514549229 進行咨詢。