Hermes Agent：唯一内置学习循环的自进化 AI Agent

> 分类：GitHub 热门 | 发布时间：2026-05-18

## Hermes Agent：唯一内置学习循环的自进化 AI Agent

![Star趋势图](/media/202605/2026-05-18_134802_8105900.8984481615699116.png)

### 项目概览

**Hermes Agent**（NousResearch/hermes-agent）是 Nous Research 出品的开源、自学习通用型 AI 智能体。截至 2026 年 5 月中旬，GitHub Stars 已突破 **143,000**，月新增超过 92,000，是 2026 年上半年增长最快的 AI Agent 项目之一。

- **仓库地址**：[github.com/NousResearch/hermes-agent](https://github.com/NousResearch/hermes-agent)
- **许可证**：MIT
- **最新版本**：v0.13.0 "Tenacity"（2026.5.7）
- **主要语言**：Python / TypeScript

它不是 IDE 插件，也不是大模型的简单封装——而是一套完整的 Agent Harness：独立运行、跨平台接入、持久化记忆、自学习技能。能跑在每月 5 美元的 VPS 上，也能跑在 GPU 集群上，闲时几乎零成本。

### 为什么火？

Hermes Agent 的爆发并非偶然，而是精准击中了 2026 年 AI Agent 领域的三大痛点：

1. **"AI 越用越笨"**：传统 Agent 每次会话从零开始，毫无记忆。Hermes 内置 FTS5 全文搜索 + LLM 摘要的持久化记忆系统，跨会话保留你的项目、偏好和对话上下文。

2. **"只会聊天不会干活"**：Hermes 不满足于生成文本，它内置 40+ 工具（网页搜索、文件操作、图像生成、终端命令），通过 MCP 协议可无限扩展，能真正接管研发流程。

3. **"数据不在自己手里"**：纯私有化部署，数据全在本地，不绑定任何云服务商。支持 Docker、SSH、Modal 等 6 种终端后端。

v0.13.0 版本更是引入了多 Agent 看板（Kanban）、`/goal` 目标锚定（Ralph Loop）、幻觉门控（Hallucination Gate）、僵尸检测等企业级特性，标志着从"好用的 AI 工具"到"靠谱的 AI 员工"的跃迁。

### 核心架构解析

![项目结构](/media/202605/2026-05-18_134803_3576130.3609452287030941.png)

Hermes Agent 采用模块化分层架构，核心由五大子系统组成：

| 子系统 | 职责 | 关键技术 |
|--------|------|----------|
| **Agent Core** | 主循环、调度、编排 | 异步事件驱动 |
| **Memory** | 持久化跨会话记忆 | FTS5 + LLM 摘要 |
| **Skills** | 技能创建与自完善 | 经验驱动学习循环 |
| **Gateways** | 多平台消息接入 | Telegram/Discord/Slack/飞书等 20+ 平台 |
| **Sandbox** | 安全隔离执行 | Docker/SSH/Modal/Serverless |

核心学习循环（Learning Loop）是 Hermes 区别于所有其他 Agent 的根本所在：

![核心学习循环](/media/202605/2026-05-18_134803_7775710.1457638342266495.png)

1. **User Input** → 进入 Agent Core 编排
2. **Memory Search** → FTS5 检索历史记忆，LLM 生成上下文摘要
3. **Tool Execution** → 调用内置工具或 MCP 扩展
4. **Skill Creation** → 从执行结果中提取可复用技能
5. **Self-Improvement** → 技能在使用中不断优化
6. **Knowledge Persist** → 重要事实写入持久化记忆

### 关键代码片段

#### 持久化记忆检索

```python
# core/memory.py — FTS5 + LLM 摘要的双层记忆架构
class MemoryEngine:
    def search(self, query: str, limit: int = 5) -> list[Memory]:
        # 第一层：FTS5 全文检索
        fts_results = self.fts5.search(query, limit=limit * 3)
        # 第二层：LLM 摘要压缩 & 相关性排序
        summarized = self.llm.summarize_and_rank(query, fts_results, limit)
        return summarized

def persist(self, facts: list[str], source: str):
        for fact in facts:
            self.fts5.insert(content=fact, metadata={"source": source})
```

#### 技能自学习

```python
# core/skills.py — 从经验中创建和改进技能
class SkillManager:
    def learn(self, task_result: TaskResult):
        pattern = self.extract_pattern(task_result)
        if pattern.novelty > self.threshold:
            skill = Skill.from_pattern(pattern)
            self.registry.register(skill)
            self.memory.persist(
                facts=[f"Learned skill: {skill.name}"],
                source="skill_creation"
            )

def improve(self, skill: Skill, feedback: Feedback):
        updated = self.llm.refine_skill(skill, feedback)
        self.registry.update(skill.id, updated)
```

#### 多平台网关统一分发

```python
# gateways/base.py — 统一消息接口
class BaseGateway(ABC):
    @abstractmethod
    async def on_message(self, msg: Message) -> Response:
        # 所有网关实现统一接口
        ...

# gateways/telegram.py
class TelegramGateway(BaseGateway):
    async def on_message(self, msg: Message) -> Response:
        user_input = msg.text
        result = await self.agent.run(user_input)
        return Response(text=result.content)
```

### 设计模式

Hermes Agent 的架构设计体现了多个经典设计模式的精妙运用：

| 模式 | 应用场景 | 效果 |
|------|----------|------|
| **Observer** | 网关消息监听 | 解耦消息源与 Agent Core |
| **Strategy** | LLM 提供商切换 | 运行时无缝切换 OpenAI/Claude/国产模型 |
| **Chain of Responsibility** | 工具调用链 | 灵活编排多步工具执行 |
| **Template Method** | 技能创建流程 | 标准化学习步骤，子类自定义提取逻辑 |
| **Decorator** | MCP 能力扩展 | 动态增强 Agent 能力，不修改核心代码 |
| **State Machine** | 任务生命周期管理 | 清晰的状态流转（Pending→Running→Done/Failed） |

### 关键调用链

![调用链](/media/202605/2026-05-18_134804_4455060.23360479073387486.png)

一次完整的用户交互，经历 8 个关键阶段：

1. `Gateway.on_message()` — 多平台消息入口，解析路由
2. `AgentCore.run()` — 主编排器，协调各子系统
3. `Memory.search()` — FTS5 检索历史上下文
4. `LLM.chat()` — 调用大模型推理，决定下一步动作
5. `ToolExecutor.dispatch()` — 执行工具调用
6. `SkillManager.learn()` — 从执行结果中提取技能
7. `Memory.persist()` — 持久化新知识
8. `Gateway.send_response()` — 返回结果到对应平台

### 如何参与贡献

Hermes Agent 采用 MIT 许可证，社区活跃（295 位贡献者，864 个提交），参与门槛友好：

1. **Fork & Clone**：`git clone https://github.com/NousResearch/hermes-agent.git`
2. **环境搭建**：`pip install -e ".[dev]"` 安装开发依赖
3. **选择方向**：
   - 🛠️ 新增 Gateway 适配器（如企微、钉钉）
   - 🔧 扩展内置 Tool（如数据库操作、API 调用）
   - 🧠 优化 Memory 引擎（如向量检索、分层记忆）
   - 📚 完善文档和示例
4. **提交 PR**：遵循 Conventional Commits 规范，附上测试用例
5. **社区交流**：加入 Nous Research Discord，`#hermes-dev` 频道

> 💡 **新手友好 issue**：标注 `good first issue` 的问题通常适合首次贡献，维护者会提供详细指导。

---

*本文基于 Hermes Agent v0.13.0 及公开资料撰写，项目仍在快速迭代中，请关注 [GitHub 仓库](https://github.com/NousResearch/hermes-agent) 获取最新动态。*