Hermes Agent 创造了历史——仅用53天达成10万GitHub星标，成为有史以来增长最快的AI Agent项目。

完全免费、开源、MIT协议授权。

4月19日

Hermes Agent 在 GitHub 突破 10万星标，仅用时53天！

对比参考：Langflow（拖拽式LLM应用构建器）达到10万星标用了890+天

截至目前，Hermes已拥有 16万+星标、2.6万+ Fork、1000+ 贡献者——更重要的是，开发者们正在积极迁移到它，并在其之上构建完整的Agent生态系统。

目录

这是一份完整的实操手册，从安装到运行自己的自动化Agent：

• • 1/ 为什么选Hermes — 它与其他框架的本质区别
• • 2/ 安装教程 — 命令行安装 / 一键封装器
• • 3/ TG配置 — 把Hermes变成口袋里随身的私人助理
• • 4/ 实战案例 — TG机器人的日常用法
• • 5/ 爆款分析器 — Hermes + Grok 实时分析病毒式内容
• • 6/ 总结 — Hermes的未来和为什么现在就要开始

为什么选Hermes

大多数AI Agent是这样工作的：你给一个任务，它完成，session结束，一切归零。

下次打开：白纸一张。同样的事情你又解释一遍。反反复复，永无止境。

但Hermes完全不同——它会记住所有事情。

学习闭环

每次Hermes完成一个复杂任务，它不会就此停步。它会进入复盘阶段，分析自己做了什么，形成可复用的技能，这样下次处理同类请求时会快得多、好得多。

hermes skills browse                              # 浏览所有官方Skills
hermes skills browse --source official            # 仅浏览官方可选Skills
hermes skills search kubernetes                   # 搜索所有来源
hermes skills search react --source skills-sh     # 搜索skills.sh目录
hermes skills search https://mintlify.com/docs --source well-known
hermes skills inspect openai/skills/k8s           # 安装前预览
hermes skills install openai/skills/k8s           # 安装并安全扫描
hermes skills install official/security/1password
hermes skills install skills-sh/vercel-labs/json-render/json-render-react --force
hermes skills install well-known:https://mintlify.com/docs/.well-known/skills/mintlify
hermes skills install https://sharethis.chat/SKILL.md              # 直链安装
hermes skills install https://example.com/SKILL.md --name my-skill # 覆盖默认名称
hermes skills list --source hub                   # 列出已安装的Skills
hermes skills check                               # 检查上游更新
hermes skills update                              # 更新Skills
hermes skills audit                               # 安全审计
hermes skills uninstall k8s                        # 卸载
hermes skills reset google-workspace              # 重置为"用户修改"状态
hermes skills reset google-workspace --restore    # 同时恢复原始版本
hermes skills publish skills/my-skill --to github --repo owner/repo
hermes skills snapshot export setup.json          # 导出配置
hermes skills tap add myorg/skills-repo           # 添加自定义GitHub源

简单来说：你给任务 → Agent完成 → Agent从经验中生成Skill → Skill随使用不断完善 → Agent搜索历史对话 → 建立关于你的模型 → 循环往复

而它能做到这一切的原因，源于它的三层记忆架构——Hermes不只是记住你最后一条消息，它运行的是完整的：

三层记忆系统

大多数Agent只有一种记忆，或者干脆没有。但Hermes有三层：

Prompt记忆： 每次session开始时，Hermes直接把你的个人笔记从 MEMORY.md 和 USER.md 加载到系统提示词中。你的偏好、环境、项目——在你打字之前，一切都已就绪。

══════════════════════════════════════════════
记忆（你的个人笔记）[67% — 1,474/2,200字符]
══════════════════════════════════════════════
用户的项目是一个Rust Web服务，位于 ~/code/myapi，使用 Axum + SQLx
§
这台机器运行 Ubuntu 22.04，已安装 Docker 和 Podman
§
用户偏好简洁回复，讨厌冗长解释

情景记忆： 基于 SQLite FTS5 构建的完整可搜索档案，记录每次历史对话。Agent可以跨所有历史session搜索，回忆起你曾经讨论过的任何内容——哪怕是几个月前的事。

> 你："上周我们讨论API时说了什么？"

> Hermes: 正在搜索历史会话...
  找到3条匹配：

  [5月14日] 将REST端点迁移到GraphQL
  [5月15日] 修复了Token刷新Bug  
  [5月16日] 部署v2.1到生产环境

  以下是当时的详情：...

程序记忆： 从完成的任务中自动生成的Skills。可复用的步骤式工作流，Agent会在未来持续使用并不断完善。

# ~/.hermes/skills/deploy-to-fly.md
---
name: deploy-to-fly
description: 将Python应用部署到Fly.io
version: 1.0.0
metadata:
  hermes:
    tags: [python, deployment]
    category: devops
---

1. 检查Dockerfile是否存在，不存在则创建
2. 运行 `fly launch` 并加上 --no-deploy 参数
3. 从.env文件设置secrets
4. 运行 `fly deploy`
5. 验证健康检查通过
6. 报告部署URL

这个Skill是Hermes第一次部署应用后自动生成的。下次你说"把这个部署到Fly"，它已经知道每一步怎么做了。

Hermes vs OpenClaw

两者都是开源、都连接消息平台、都支持多模型。但它们的理念完全相反：

OpenClaw思考的是"多Agent组织协同"，Hermes思考的是"一个随时间不断进化的Agent"。

实际意味着什么：

OpenClaw在需要多Agent跨平台协作时更强：Slack Agent、邮件Agent、研究Agent……

Hermes在需要一个"每天都在变聪明"的Agent时更强：学习你的代码库、记住你的偏好、从经验中构建Skills、自主从错误中恢复。

安装教程

有两种安装方式：命令行安装，或者一键封装器。

命令行安装：

在 macOS/Linux 打开终端，或在 Windows 打开 PowerShell，输入：

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

选择模型：

hermes model

Ollama (本地运行，免费)" data-show-line-number="false" style="font-size: 90%;border-radius: 4px;display: -webkit-box;padding: 0.5em 1em 1em;overflow-x: auto;text-indent: 0;color: inherit;background: none;white-space: nowrap;margin: 0;font-family: 'Fira Code', Menlo, Operator Mono, Consolas, Monaco, monospace;">? 选择提供商：
  ❯ Anthropic (Claude)
    OpenAI (GPT)
    xAI (Grok) — OAuth登录，无需API Key
    Google (Gemini)
    OpenRouter (200+模型)
    Ollama (本地运行，免费)

使用免费本地模型（无需API Key，完全离线）：

ollama pull gemma4:27b
hermes model --provider ollama --model gemma4:27b

启动Agent：

hermes tui

搞定！这就是安装Hermes并通过终端或TG Bot使用的全部步骤。

已经在用OpenClaw？迁移只需一条命令：

hermes claw migrate

它会自动移植你的整套配置。

但说实话，用了一段时间后，我开始觉得命令行太麻烦了。我想在凌晨2点不需要调试配置文件，就能一键启动的东西。

于是我开始找封装器。

一键封装器安装：

在折腾了数小时、解决依赖问题和Python版本冲突之后，我开始寻找更简单的方案。

我只是想要Hermes，不需要那些配置痛苦。

试了几个封装器后，我找到了 @atomicbot_ai

下载应用、打开、选模型、开始运行。就是这么简单。

我最终选择它的原因：

1/ 可以运行完全免费的本地模型（Qwen、Gemma、Llama），完全离线——不需要API Key。

2/ 随时一键切换到云端模型（Claude、GPT、Grok、Gemini），需要更强算力时无缝衔接。

3/ 可以控制整个屏幕——原生Apple Vision OCR提供像素级精确的按钮坐标。

4/ 一个设置面板连接16+个消息平台：TG、Discord、Slack、WhatsApp、iMessage、Signal、Gmail、Teams……

而且所有功能都运行在同一个Hermes核心之上。

无论你选择哪种方式——纯Hermes还是封装器——底层都是同一个Agent引擎。

TG配置

这是Hermes从"终端工具"变成"口袋里的私人助理"的关键一步。

从手机就能控制一切。

找用户名没用，那是我的私人Bot，你用不了。

我自己创建了一个叫 kai hermes 的TG Bot，现在所有事情都从手机控制。

怎么创建你自己的Bot

第一步：通过 @BotFather 创建Bot

/newbot
name: [给你的Bot起个名字]

复制BotFather给你的API Token

第二步：连接到Hermes

hermes gateway add telegram

提示时粘贴你的Bot Token

第三步：安装为后台服务，保持24/7运行

hermes gateway install

第四步：验证是否正常工作——打开TG，找到你的Bot，随便发条消息

你："在吗？"
Hermes："在的。需要什么？"

但很多人忽略了关键一点：Bot好不好用，取决于你怎么训练它：

你："我偏好简短回复，不用表情符号，
     引用要附上来源"
→ 保存到USER.md，永远不忘

你："这不是我的写作风格，这样写才对"
→ 记忆更新，不会再犯

你："把这个工作流存成一个Skill"
→ 下次自动执行

随时查看它记住了什么：

/memory

就像新入职一个员工：第一周是培训，到第二周它对你的工作流程了解得比大多数同事还清楚。

实战案例：我的TG机器人能做什么

kai 不只是聊天机器人——它是我的日常操作系统。以下是我的真实用法：

1/ 晨间简报

使用 screen-demo-briefing skill。

创建一个每天早上8点的定时AI简报。

简报应包含：
- 5条重要的AI动态
- 为什么它们重要
- 哪些可以忽略
- 1个内容角度
- 1个下一步行动

以简洁的Telegram友好格式展示。

kai会搜索网络、抓取X上的热门讨论，每天早上推送一条5条要点的摘要给我。

2/ 研究调研

对比排名前5的AI Agent框架。

包含：
- 各自最擅长的场景
- 主要优势
- 弱点
- 定价模式（如有）
- GitHub/生态信号

保持紧凑的Telegram报告格式，不要搞成大表格。

3/ 定时提醒

创建一个循环提醒。

每周五下午5点，提醒我回顾过去3个月的X分析数据。

包含一个简短检查清单：
- 表现最好的帖子
- 表现最差的帖子
- 最佳钩子
- 可复制的模式
- 下周的实验方向

以简洁的Telegram友好格式展示确认信息。

以上只是最简单的例子，目的是让大家理解：这个Bot几乎什么都能做。

总结

Hermes不只是一个AI工具——它是一个与你共同成长的系统。每完成一个任务，它就变聪明一点；每个session，它都快一点；每周，它对你的了解都更深一点。

无论你选择命令行安装还是封装器——今晚就给它第一个任务。到下周，你会疑惑以前没有它的时候是怎么过的。

所有人都在用Agent只是时间问题。