从 CLI 到桌面 App，再到技能市场：我们给我的 Rust Hermes Agent 造了一个完整的生态

上两篇我们聊了 Rust 重写 Hermes Agent和学习闭环。这次，我们把它装进了一个桌面 App，并接上了一个技能市场。注意这个技能市场中，是可以承载我们在使用 Hermes Agent 的过程中，这匹马自己主动生成的技能。

故事从一个问题开始

上篇文章发出来之后，有朋友私信我：

"技能系统很酷，但我每次要用，得打开终端、敲命令、还要记参数……能不能有个界面？"

另一个问题同样被问到了：

"我的 Hermes自己创建的技能只有我自己用，有没有办法分享给别人？或者直接用别人沉淀好的技能？"

这几天的工作，其实就是针对这两个问题，就是最新两个迭代要回答的。

答案是：Hermes Desktop + SkillHub 技能市场。

Hermes Desktop：把 Agent 装进桌面应用

桌面端我直接使用了Tauri 2，那么我为什么这么选择呢？

我们没有做一个 Electron 应用。原因很简单——Electron 的本质是用 Chromium + Node.js 跑一个 Web 应用，打包出来随随便便 200MB 起步。

Tauri 的思路完全不同：

• • 前端渲染用系统自带的 WebView（macOS 上是 WebKit，Windows 上是 WebView2）
• • 后端逻辑直接是 Rust
• • 打包产物：不到 10MB

更重要的是：我们的整个 Agent 栈（hermes-agent、hermes-tools、hermes-llm……）本来就是 Rust 写的。Tauri 的后端天然复用全部 13 个 crate，没有任何额外的桥接层。

apps/hermes-desktop/
  src-tauri/        ← Rust 后端（直接 use hermes_agent::AIAgent）
    src/lib.rs      ← Tauri Commands 定义
  src/              ← React + TypeScript 前端
    App.tsx         ← 全部 UI 逻辑

前端：React + TypeScript + Tailwind CSS + Vite。标准现代 Web 技术栈，没有任何奇特选择。

架构：Commands 桥接两端

Tauri 的核心机制是 Commands——前端通过 invoke() 调用 Rust 函数，拿到类型安全的返回值。

我们定义了一套完整的 Command API：

// 聊天核心
#[tauri::command]
async fn chat(state: State<'_, AppState>, message: String) -> Result<ChatResponse, String>

// 会话管理
#[tauri::command]
async fn list_sessions(state: State<'_, AppState>) -> Result<Vec<SessionItem>, String>

#[tauri::command]
async fn load_session(state: State<'_, AppState>, session_id: String) -> Result<Vec<DisplayLine>, String>

// 配置读写
#[tauri::command]
async fn get_settings(state: State<'_, AppState>) -> Result<SettingsView, String>

#[tauri::command]
async fn save_settings(state: State<'_, AppState>, payload: SettingsPayload) -> Result<String, String>

// 技能管理
#[tauri::command]
async fn list_skills(state: State<'_, AppState>) -> Result<Vec<SkillListItem>, String>

#[tauri::command]
async fn install_market_skill(state: State<'_, AppState>, slug: String) -> Result<SkillInstallResult, String>

这个设计有个关键点：AppState 里的 AIAgent 是真实的 Rust Agent 实例，不是什么 HTTP 调用或者进程间通信——前端和 Agent 运行在同一个进程里，调用开销接近于零。

struct Session {
    agent: hermes_agent::AIAgent,   // 真实的 Agent 实例
    history: Vec<Message>,
    model_label: String,
}

我的UI 设计，三个面板，一个 App，前面基本上也讲过了

整个 UI 分三个主视图，通过左侧边栏切换：

① 聊天界面（Chat）

左侧是历史会话列表，右侧是对话区域。几个设计细节值得说：

• • 工具调用日志折叠展示：Agent 执行工具时的日志会被归组成一个可折叠的 <details> 块，默认收起。不想看细节的用户不会被干扰，想 debug 的用户点开就有。

// 工具日志渲染逻辑
if (item.kind === "tools") {
  return (
    <details className="group rounded-md border border-dashed border-primary/30">
      <summary>⚡ 工具执行日志（{item.logs.length} 条）</summary>
      {/* 展开后显示每条工具调用 */}
    </details>
  );
}

• • Markdown 渲染：助手的回复通过 react-markdown + remark-gfm 渲染，代码块有语法高亮样式，表格、列表都正常展示。
• • 深色 / 浅色模式：一键切换，状态持久化到 localStorage。

② 设置界面（Settings）

模型名称、Base URL、API Key、流式输出开关、记忆系统开关、会话持久化……所有配置都在这里，保存后直接写入 config.yaml，无需重启。

③ 技能中心（Skills）

这个面板是这次迭代的重头戏，下面单独展开。

SkillHub 技能市场：让技能流动起来

我们所面对的问题是技能孤岛

之前的技能系统是完全本地的：Agent 自己创建技能，存在 ~/.hermes/skills/ 目录，只有你自己能用。

这带来了两个问题：

1. 1. 冷启动困难：新用户装完之后技能库是空的，要等 Agent 自己慢慢积累
2. 2. 重复造轮子：同样的 "如何调试 Docker 网络问题" 技能，无数人都在自己创建

SkillHub 要解决的就是这个问题：让技能成为可流通的资产。

实现：SkillHubClient

我们在 hermes-skills crate 里加入了 SkillHubClient，封装了和技能市场 API 的全部交互：

pub struct SkillHubClient {
    base_url: String,
    client: reqwest::Client,
}

impl SkillHubClient {
    // 拉取分类列表
    pub async fn categories(&self) -> Result<Vec<String>, String>
    
    // 获取推荐技能
    pub async fn recommended(&self, limit: u32) -> Result<Vec<RemoteSkillSummary>, String>
    
    // 分页浏览（支持按分类筛选）
    pub async fn list_skills(&self, category: Option<&str>, page: u32, page_size: u32)
        -> Result<RemotePage<RemoteSkillSummary>, String>
    
    // 全文搜索
    pub async fn search_skills(&self, query: &str, category: Option<&str>, ...)
        -> Result<RemotePage<RemoteSkillSummary>, String>
    
    // 获取技能详情（含完整 SKILL.md 内容）
    pub async fn skill_detail(&self, id_or_slug: &str) -> Result<RemoteSkillDetail, String>
}

让后离线优先，Seeded Fallback 机制

网络不稳定怎么办？SkillHub 服务器挂了怎么办？

我们设计了一套 优雅降级 机制，通过 CatalogDataSource 枚举追踪数据来源：

pub enum CatalogDataSource {
    Remote,   // 来自 SkillHub 服务器
    Seeded,   // 来自内置精选（离线可用）
    Mixed,    // 服务器数据不足，混合了内置精选补充
}

每个请求都有 _with_fallback 版本：

pub async fn recommended_with_fallback(
    &self,
    limit: u32,
) -> (Vec<RemoteSkillSummary>, CatalogDataSource) {
    match self.recommended(limit).await {
        Ok(remote) if !remote.is_empty() => {
            // 远程数据够用，直接返回
            // 如果远程数量少于 seeded，混合补充
            if remote.len() < seeded.len() {
                (merge(remote, seeded), CatalogDataSource::Mixed)
            } else {
                (remote, CatalogDataSource::Remote)
            }
        }
        // 网络失败？用内置精选，用户完全无感
        _ => (seeded_recommended(limit), CatalogDataSource::Seeded),
    }
}

离线状态下，技能市场仍然可以浏览和使用内置精选。等网络恢复，自动切回远程数据。

技能市场 UI

技能中心界面分两个 Tab，界面前面已经给过了：

「已安装」Tab：展示本地技能列表，可以查看详情、删除、直接编辑 SKILL.md 内容。

「市场」Tab：

• • 顶部：分类过滤 + 搜索框
• • 推荐区：横向滚动的精选技能卡片
• • 列表区：分页浏览全部技能，每个卡片展示名称、描述、分类标签、Star 数、安装量
• • 点击技能卡片：弹出详情面板，展示完整 SKILL.md 内容，一键安装

// 安装技能只需要一行
const result = await invoke<SkillInstallResult>("install_market_skill", { slug });

安装本质上是把技能的 SKILL.md 内容写入本地 ~/.hermes/skills/<name>/SKILL.md，Agent 下次启动时自动发现并加载。

这次迭代的，其实我对整个核心做了质量提升

除了新功能，这次迭代也做了大量质量提升工作。

用户画像过滤

user_profile 工具现在支持按置信度过滤：低置信度（observed，0.7）的事实在空间不足时会被自动淘汰，只有用户亲口确认（stated/corrected，1.0）的高置信度事实才会稳定保留。

这意味着 Agent 对你的画像会越来越准——不确定的猜测自然消退，确定的认知持续强化。

更好的 Agent 回调

AgentCallbacks 现在支持更细粒度的事件：工具调用开始、工具调用结束、流式 token 回调，方便桌面端做实时 UI 更新（比如工具执行时显示 loading 状态）。

然后，我们整体架构现在是什么样子

经过这几轮迭代，整个系统的形态已经非常清晰：

MCP │ hermes-skills│
└──────────────────────────────┬──────────────────────────┘
 │
┌──────────────────────────────▼──────────────────────────┐
│数据与知识层 │
│SQLite (会话历史 + FTS5)│SKILL.md (本地技能库) │
│MEMORY.md / USER.md│SkillHub (远程技能市场)│
└─────────────────────────────────────────────────────────┘" 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;">┌─────────────────────────────────────────────────────────┐
│                    用户接入层                             │
│  hermes CLI  │  Hermes Desktop  │  Gateway (Telegram…)  │
└──────────────────────────────┬──────────────────────────┘
                               │
┌──────────────────────────────▼──────────────────────────┐
│                    Agent 核心层                           │
│            hermes-agent (AIAgent 主循环)                 │
│    hermes-llm │ hermes-tools │ hermes-mcp │ hermes-skills│
└──────────────────────────────┬──────────────────────────┘
                               │
┌──────────────────────────────▼──────────────────────────┐
│                    数据与知识层                           │
│  SQLite (会话历史 + FTS5)  │  SKILL.md (本地技能库)     │
│  MEMORY.md / USER.md      │  SkillHub (远程技能市场)    │
└─────────────────────────────────────────────────────────┘

三层架构，职责清晰：

• • 最上层负责接入——你可以用 CLI、桌面 App、或者 Telegram Bot
• • 中间层是 Agent 大脑——工具调用、MCP、技能检索，一套核心逻辑服务所有接入层
• • 最下层是知识沉淀——会话历史、记忆、技能，都是持久化的资产

无论你从哪个入口进来，你的记忆、你的技能、你的画像都是共享的。在桌面 App 里让 Agent 学会了一个 Docker 排错技巧，下次打开终端用 CLI 时，这个技能照样可用。

使用咱们这个 Hermes Agent Rust一次完整体验是什么样的

让我描述一个完整的使用场景：

第一次打开 Hermes Desktop，你在设置页填入 API Key，选好模型，保存。

进入聊天，你说："帮我分析一下这个 Python 项目的性能瓶颈"。Agent 开始工作：调用 terminal 执行 python -m cProfile，调用 read_file 读源码，调用 web_search 查相关文档……工具日志自动折叠，你只看到最终的分析报告。

完成后，Agent 主动提议把这套分析流程保存为技能。你同意，技能创建完毕。

打开技能中心，在市场 Tab 搜索 "code review"，发现有个评分很高的代码审查技能，一键安装。下次让 Agent 做代码审查，它会先调出这个技能里的检查清单。

三个月后，你换了台电脑。cargo build --release 编译一个二进制，把 ~/.hermes/ 目录拷贝过去，所有的记忆、技能、画像全部迁移完毕。无需重新配置任何服务。

写在最后

这几个迭代做完，我意识到我们在做的事情其实已经超出了"写一个 AI Agent"的范畴。

我们在构建的是 AI Agent 的基础设施：

• • CLI：给开发者用的原子工具
• • Desktop App：给更广泛用户用的交互界面
• • SkillHub：让知识在用户之间流动的生态

这套基础设施有一个核心信念：AI Agent 产生的知识，应该成为可复用的资产，绝对不仅仅是随会话消失的文字。

技能是资产。记忆是资产。画像是资产。这些资产在你的设备上，不依赖任何云服务，可以迁移，可以分享，可以越用越多。

下一步？我们在考虑 SkillHub 的社区共建机制——让用户把自己沉淀的好技能提交到市场，让这个知识网络真正活起来。

三篇文章聊完了这个项目从 0 到 1 的历程。如果你对 Rust + AI Agent 这个方向感兴趣，欢迎来 hermes-rs 看看. 注意，这个项目目前仅仅对我的小群（公众号菜单-联系我-加群）内开源。