Hermes Agent：Nous Research 打造「會跟你一起成長」的自我進化 AI Agent

2026-10-09 Monday

本內容僅供參考，詳細使用規則與工具安全性與否，建議要進行相關安全性測試與評估

大多數 AI Agent 每次對話都從零開始：昨天教過它的事，今天又要再講一次；上週花半小時摸索出的工作流程，下次還是得重新摸索。Hermes Agent（NousResearch/hermes-agent）的標語是「The agent that grows with you」——它試圖讓 Agent 在使用過程中自己累積記憶、自己把複雜任務整理成可重複使用的 Skill，並且越用越好用。這個專案目前約 252k stars、54k forks，長期盤踞各大 AI 開源趨勢榜前段。

1. 專案背景與定位

Hermes Agent 由以開源模型（Hermes 系列）聞名的 Nous Research 開發，MIT 授權。它是一個完整的個人 Agent 執行環境：有終端機 TUI、有訊息平台 gateway、有排程器、有記憶與 Skill 系統，也能同時作為研究用的軌跡（trajectory）產生工具。

從 main 分支超過 5 萬次 commit、Issue 與 PR 數量都標示 5k+ 來看，這是目前開源社群中規模最大、迭代最快的 Agent 專案之一。它也提供 hermes claw migrate，可以把 OpenClaw 的設定、記憶、Skill 與允許清單內的 API 金鑰直接搬過來，明顯瞄準既有 Agent 使用者的轉換。

2. 技術架構與核心設計

閉環學習迴路：README 描述的核心是「記憶 + Skill + session 搜尋」三者形成的 closed learning loop——Agent 在完成複雜任務後會自動生成 Skill，並在後續使用中持續改進。
Agent 自己整理的記憶：Agent 會定期被提醒（periodic nudges）整理記憶，存放在 MEMORY.md、USER.md 等檔案中；另整合 Honcho 做使用者建模。
跨 session 回憶：以 SQLite FTS5 搜尋過往 session，再用 LLM 摘要找回相關脈絡。
相容 agentskills.io 標準：自動產生的 Skill 遵循開放標準，並有 Skills Hub 可分享。
40+ 工具與 MCP：內建工具集系統、支援 MCP、可派出 subagent 平行處理，Python 腳本也能透過 RPC 呼叫工具。
七種終端機後端：Local、Docker、SSH、Singularity、Modal、Daytona、Vercel Sandbox——其中 Daytona 與 Modal 支援 serverless 休眠，讓 Agent 的執行環境可以與本機完全分離。
單一 gateway 多通道：Telegram、Discord、Slack、WhatsApp、Signal、CLI，文件中也提到 Email 與 Home Assistant；內建 cron 排程可把結果推送到這些平台。
模型彈性：Nous Portal（300+ 模型）、OpenRouter、OpenAI 與自訂端點，hermes model 一鍵切換。
研究用途：支援批次產生與壓縮 Agent 軌跡，用來訓練工具呼叫模型——這也透露了 Nous Research 做這個專案的另一層動機。

3. 社群熱度與生態採用

252k stars、54.4k forks、近千位 watcher，安裝方式涵蓋 Linux／macOS／WSL2 一行指令、Windows 原生 PowerShell 安裝，甚至還有 Android Termux 的簽章 APT 套件庫（stable 與 canary 兩個頻道）。在本週的 AI 開源趨勢報告中，它依然是總星數最高的 Agent 類專案之一。

4. 局限性與潛在風險

自我修改的 Skill 難以稽核：Agent 會自己產生與改寫 Skill，等於它在持續改變自己的行為規則。如果某次任務的輸入含有惡意內容（例如網頁中的 prompt injection），錯誤的「經驗」可能被固化成 Skill，在之後的任務中反覆生效。
記憶污染：同樣的風險也存在於 MEMORY.md 與 USER.md——記憶越自動化，越需要定期人工檢視。
多通道 = 多個攻擊入口：任何能在 Telegram、WhatsApp、Slack 傳訊息給 Agent 的人，都可能嘗試操控它。文件中提到的 DM pairing 與指令核准機制務必啟用。
Local 後端的權限：若使用 Local 終端機後端，Agent 擁有與你相同的系統權限；建議預設改用 Docker 或遠端沙盒後端。
遷移時帶走 API 金鑰：hermes claw migrate 會匯入允許清單內的 API 金鑰，遷移前應確認哪些金鑰真的需要。
一行安裝指令的信任問題：curl | bash 與 PowerShell iex 安裝方式方便，但等於完全信任下載當下的腳本；README 也花了篇幅說明 Windows 防毒誤判 uv.exe 的問題，並提供 GitHub attestation 驗證步驟——建議照做而非直接加白名單了事。
規模帶來的品質控管壓力：5k+ open issues 與 PR，代表回報的問題未必能及時處理。

5. 應用價值與適用場景

如果你想要一個長期使用、能記得你的習慣與工作方式的個人助理——例如每天早上整理資訊推到 Telegram、在 Slack 上幫忙查資料、透過遠端沙盒跑長時間任務——Hermes Agent 是目前功能最完整的開源選擇之一。對研究人員來說，它的軌跡產生與壓縮功能也能直接用於訓練工具呼叫模型。

如果你只需要一個 Coding Agent，它可能過於龐大；如果你在企業環境中需要嚴格的權限稽核，則需要額外建立 Skill 與記憶的審核流程。

Monday 的觀點與架構建議

「Agent 自己把經驗寫成 Skill」是 Agent 從工具走向助理的關鍵一步，但也把「長期記憶的完整性」變成新的安全問題。建議把 Skill 與記憶目錄納入版本控管，每次自動變更都留下可回溯的 diff。
執行環境與 Agent 本體分離（七種終端機後端）是很好的架構選擇：預設用 Docker 或遠端沙盒，Local 後端只在明確需要時開啟。
對外通道一律啟用配對與指令核准，並把來自網頁、訊息的內容視為不可信輸入，避免它們進入自動生成 Skill 的流程。
從產業角度看，Nous Research 同時擁有模型、Agent 與軌跡資料的完整鏈條，這種「用 Agent 產生訓練資料、再用資料訓練更好的 Agent 模型」的飛輪，可能是開源陣營追趕封閉模型的重要路線。