Hermes Agent 深度评测：自带学习循环的开源 AI Agent，能替代 Claude Code CLI 吗？

🎯 一句话定位：Hermes Agent 是目前唯一内置”学习循环”的开源 AI Agent——它不只会执行任务，还会从经验中自动创建技能、持续自我改进，让 Agent 越用越强。

💡 核心理念：Agent 的价值不在于它能调用多少工具，而在于它能否把每次交互都转化为可复用的能力——技能从使用中产生、知识在会话间延续、模型随用户成长而适配。

📖 3 分钟速览版

graph TD
    A["你的需求是什么？"] -->|"需要跨会话积累能力"| B["想培养一个懂你的 Agent？"]
    A -->|"纯编码任务"| C["主要用哪个模型？"]
    B -->|"是"| D["Hermes Agent ✅"]
    B -->|"否"| C
    C -->|"Anthropic"| E["Claude Code CLI ✅"]
    C -->|"OpenAI"| F["Codex CLI ✅"]
    C -->|"多模型切换"| D

    style D fill:#fff3e0,stroke:#333,color:#000
    style E fill:#e3f2fd,stroke:#333,color:#000
    style F fill:#c8e6c9,stroke:#333,color:#000

背景：为什么关注 Hermes Agent

作为 Claude Code CLI 和 Codex 的日常用户，有几个痛点你大概也碰到过：

• 痛点 1：每个新会话”从零开始”。CLAUDE.md 和 SKILL.md 能提供项目上下文，但 Agent 不会从你的使用中自动积累经验——每次会话都是独立事件。你今天纠正过的错误用法，明天它照样犯。
• 痛点 2：CLI 的限制。Claude Code 和 Codex 都绑在终端里，你离开电脑就只能等。没法在手机上通过 Telegram 看一眼进度，也没法让 Agent 定时巡检项目。
• 痛点 3：Skills 全靠手动维护。写 SKILL.md 是体力活——你要先意识到某个流程值得沉淀，再手工撰写、测试、迭代。Agent 不会帮你做这件事。
• 痛点 4：单模型锁定。用 Claude Code 就只能用 Anthropic 模型，用 Codex 就只能用 OpenAI。想切模型？换个工具。

Hermes Agent 的定位正好打在这些痛点上。它不是另一个编码 Agent，而是 学会从使用中成长的通用 Agent。Nous Research 是 Hermes 模型系列的创造者，在开源 AI 社区有相当影响力（Hermes 系列是 HuggingFace 上下载量最高的指令微调模型之一）。他们把模型训练中对”学习”的理解注入了这个 Agent 产品。

核心能力拆解

2.1 学习循环：从使用到技能的闭环

这是 Hermes 最根本的差异化能力。它的工作方式是：

1. 观察——Agent 在执行任务时，记录哪些操作成功、哪些踩坑
2. 抽象——完成复杂任务（5+ 次工具调用）后，自动将成功路径编码为 Skill
3. 复用——下次遇到类似场景，Agent 自动加载对应 Skill
4. 改进——Skill 在使用中被持续打磨，成功的操作强化、低效的路径被替换

这个流程对应到开发者的实际工作里：部署脚本、日志分析模式、数据库巡检流程——这些重复性任务会随着使用次数的增加而逐步自动化。

与 Claude Code Skills 的本质区别：

agentskills.io 是一个开放标准，意味着 Hermes 创建的技能可以在其他兼容 Agent 之间迁移。社区可以通过 Skills Hub 贡献和共享技能，目前已有 7 个来源（包括 OpenAI、Anthropic 官方技能仓库、Vercel skills.sh 等）。

有一个关键细节值得注意：Skills 系统的”渐进式披露”设计。Agent 只在真正需要时才加载 Skill 的完整内容（三级加载：列表→摘要→全文），最大程度节省 token 消耗。

2.2 记忆系统：跨会话的知识延续

Hermes 的记忆架构是三层设计：

关键差异在于谁来决定存什么。Claude Code 的 MEMORY.md 靠你主动说”记住这个”；Hermes 的 Agent 会自行判断并自动保存——你纠正它一次，它下次会主动避开同样的坑。

记忆的注入机制也值得一提：系统 prompt 在会话开始时冻结快照（为了保持 LLM 的 prefix cache 性能），所以会话内的记忆变更不会立刻生效，但在下次会话启动时自动注入。

此外，Hermes 支持 8 个外部记忆提供者插件（Honcho、Mem0、Holographic 等），这些运行在持久记忆之上，提供知识图谱、语义搜索、跨会话用户建模等增强能力。Honcho 在其中比较特别——它专注于”辩证式用户建模”，不只记住你说过什么，还会推断你的决策模式和思维习惯。

2.3 多平台覆盖：不止于终端

Hermes 的设计哲学是”一个 Agent，所有平台”。它的核心 AIAgent 类同时服务五个入口：

• CLI：全功能 TUI，支持多行编辑、斜杠命令、流式工具输出
• Gateway：单一进程管理 18 个消息平台适配器（Telegram、Discord、Slack、WhatsApp、Signal、Matrix、Mattermost、Email、SMS、钉钉、飞书、企业微信、BlueBubbles、QQ Bot、Home Assistant 等）
• ACP Adapter：通过 stdio / JSON-RPC 接入支持 Agent Communication Protocol 的 IDE（VS Code、Zed、JetBrains）
• Batch Runner：批量轨迹生成，面向研究和评估
• Python Library：import hermes 直接嵌入 Python 项目

实际场景：在电脑上通过 Docker 后端跑 Hermes，它会做代码分析和定时任务；你在手机上通过 Telegram 收到结果推送，可以直接回复指令。

2.4 终端隔离与安全

Hermes 的终端工具有 6 种后端，安全层级是逐步递进的：

安全机制是四层叠加：

1. 命令审批——支持手动/智能/关闭三种模式，智能模式用辅助 LLM 评估风险后自动放行低风险命令
2. 容器隔离——Docker/Singularity 后端提供完全隔离的执行环境
3. Tirith 扫描——执行终端命令前进行安全扫描（可配置超时和失败开放策略）
4. 密钥脱敏——检测输出中的 API key、token、密码并自动遮盖

这种多层安全设计让 Hermes 可以放心跑在服务器上——不像 Claude Code 和 Codex，基本只能在本地终端用。

2.5 工具集与调度系统

47 个内置工具按 19 个工具集组织，覆盖：

• Web：搜索、内容提取、爬虫
• 终端：6 种后端的命令执行、后台进程管理（含 PTY 模式支持 Codex/Claude Code 等交互式 CLI）
• 浏览器：Playwright 自动化，支持文本和视觉模式
• 媒体：视觉分析、图片生成、TTS
• 编排：TODO 管理、子 Agent 委派、代码执行
• 记忆：Memory 工具、会话搜索

Cron 调度是 Hermes 的一个强项——它不是”在 shell 里加了个 crontab 的 wrapper”，而是 Agent 的一等公民能力。你可以用自然语言描述：”每天早上 9 点检查项目的依赖更新，通过 Telegram 通知我”——Agent 自己会创建、调度、执行这个任务。

子 Agent 委派（delegate_task）也是重要特性——主 Agent 可以 spawn 隔离子 Agent 并行处理不同任务，每个子 Agent 有自己的上下文窗口。最大并发 3 个子 Agent，委派深度可配（1-3 层）。

2.6 模型自由

Hermes 支持 18+ LLM 提供商，包括：

• Anthropic（Claude Opus 4.7 / Sonnet 4.6 等）
• OpenAI / Codex
• OpenRouter（200+ 模型）
• Google Gemini
• DeepSeek
• Kimi Coding
• 阿里百炼
• NIM、Groq、xAI 等

一句 hermes model 就能热切换，不需要改配置或重启。这对于需要根据不同任务选择不同模型的场景非常实用——比如用 Claude 做推理、用 Gemini 做压缩、用 DeepSeek 做低成本批量任务。

优缺点分析

优势

劣势

深度对比：Hermes Agent vs Claude Code CLI vs Codex

架构理念对比

开发体验对比

生态定位

graph LR
    subgraph "编码深度"
        A["Codex CLI"] --- B["Claude Code CLI"]
    end
    subgraph "通用广度"
        C["Hermes Agent"]
    end

    A -->|"编码特化"| D["Git + 文件 + 审查 深度集成"]
    B -->|"上下文特化"| E["CLAUDE.md + Skills + Hooks"]
    C -->|"学习能力"| F["Skills 自生成 + 记忆 + 多平台"]

    style A fill:#c8e6c9,stroke:#333,color:#000
    style B fill:#e3f2fd,stroke:#333,color:#000
    style C fill:#fff3e0,stroke:#333,color:#000

关键差异总结

1. 模型的维度：Claude Code 和 Codex 锁定单一模型系列（深度优化）；Hermes 绑定用户选择（自由度和不确定性并存）
2. 记忆的维度：Claude Code / Codex 是”你告诉它记住”；Hermes 是”它自己判断并记住”——前者可控，后者可能发现你忽视的模式
3. 平台的维度：Claude Code / Codex 是终端工具；Hermes 是消息平台 + 终端 + IDE + Python 库的平台化 Agent
4. 学习的维度：这是 Hermes 的根本差异化——其他 Agent 每次使用是独立事件，Hermes 把每次使用变成成长增量

实际使用场景映射

上手路径与建议

安装

1
2
3
4

# Linux / macOS / WSL2（唯一前置：git）
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
source ~/.bashrc
hermes  # 进入交互式引导，配置模型和 API key

安装器会自动处理 Python 3.11 (via uv)、Node.js 22、ripgrep、ffmpeg 等依赖。

从 Claude Code 用户视角的迁移建议

不要用”替代”思维，用”互补”思维：

• Claude Code 继续做日常编码主力——它的 Git/文件/审查集成是最成熟的
• Hermes 负责三个 Claude Code 做不到的事：
  1. 长期运行的定时任务（项目健康巡检、依赖更新检查、日志异常扫描）
  2. 消息平台接入（通过 Telegram 接收任务结果、手机端下发指令）
  3. 知识积累（通过学习循环把重复性运维/部署流程逐步自动化）

两者可以通过 MCP 互通——Hermes 可以连接 Claude Code 的 MCP server，反之亦然。

风险提示

• 学习循环的 API quota 消耗可能超预期，建议先在 OpenRouter 免费额度或便宜的 API 后端上实验
• 自动创建的 Skill 需要定期审查——AI 可能学到并固化错误的”模式”
• Windows 用户必须接受 WSL2 的额外层
• 不要在生产环境直接开放所有工具权限——利用审批和容器隔离

FAQ

Q1: Hermes Agent 能替代 Claude Code CLI 吗？

不能，也不应该。两者的定位不同：Claude Code 是嵌入式编码工具，Hermes 是平台化通用 Agent。它们在同一个工作流里是互补关系——Claude Code 做编码主力，Hermes 做长期知识积累和跨平台接入。

Q2: 学习循环真的有用吗？会不会学到错误的习惯？

这是个合理的担忧。学习循环的价值体现在重复性任务上——当你多次执行类似的部署、巡检、排查流程时，Agent 会逐步优化这些路径。但质量确实取决于生成的 Skill 是否经过验证，建议定期用 hermes skills list 审查自动创建的技能。

Q3: Hermes 的 Skills 和 Claude Code 的 Skills 有什么区别？

格式兼容（都是 Markdown + YAML frontmatter），但 Hermes Skills 多了 agentskills.io 标准支持，可以跨 Agent 迁移。更关键的区别：Hermes 的 Agent 可以自动创建和优化 Skills，Claude Code 的技能全靠人工维护。

Q4: Hermes Agent 在国内网络环境能用吗？

Hermes 本身是本地安装的，API 调用取决于你选的模型提供商。如果用 DeepSeek、阿里百炼、Kimi Coding 这些国内提供商，网络不是问题。OpenRouter 在中国大陆的可用性不稳定。Telegram 接入需要代理。

Q5: 安装需要什么前置条件？

唯一硬性要求是 Git。安装器会自动处理 Python 3.11、Node.js 22、ripgrep、ffmpeg。需要至少一个 LLM 提供商的 API key。Docker、Modal、Daytona 等后端是可选的。

Q6: API 配额消耗大概多少？

这取决于你使用的模型和任务复杂度。内存和技能系统的额外开销约 1,300 tokens / 会话（记忆注入）。如果用 Gemini Flash 做压缩和搜索摘要，这笔开销很小。学习循环的消耗取决于技能创建频率。

Q7: 如何确保自动创建的 Skill 质量？

定期运行 hermes skills list 审查 Skills 列表，用 hermes skills inspect <name> 查看具体内容，不满意的直接 hermes skills uninstall <name>。也可以在 config.yaml 中限制 Skills 的自动创建频率。

Q8: 和 Claude Code 可以同时使用吗？

可以。两者互不冲突——Hermes 通过 Docker/SSH 后端运行，Claude Code 在本地终端。通过 MCP 还能互通。Hermes 也支持 PTY 模式，可以在其终端工具里运行 Claude Code 和 Codex。

总结

Hermes Agent 的核心差异化不是工具数量或平台覆盖的广度，而是学习循环——这是目前 Claude Code 和 Codex 都不具备的能力。它把每次使用视为一次学习机会，技能从使用中产生、知识在会话间延续。

但这也意味着它和 Claude Code / Codex 不在同一个品类。它不是编程工具的替代品，而是一个互补角色：

• Claude Code 是你日常编码的最佳搭档——它深度嵌入终端、Git 和你的项目
• Codex 为 OpenAI 生态的编码任务提供针对性优化
• Hermes 填补了前两者做不到的事——长期知识积累、跨平台接入、自主调度

如果你是一个 AI 工具的早期采用者，想在编码主力之外探索”Agent 如何学会我的项目和个人偏好”这个命题，Hermes 值得花一个下午来尝试。MIT 协议意味着你可以零成本持有，等它的学习能力持续产生复利。

行动建议：

• 今天：在 WSL2 或 Linux 环境 curl | bash 安装，用 OpenRouter 免费额度跑 30 分钟体验
• 本周：让 Hermes 对接一个项目仓库，观察它在 3-5 次对话后是否产生有用的 Skill
• 持续观察：学习循环的质量、agentskills.io 社区的技能共享生态发展

更新记录