Hermes Agent：自我进化的 AI 代理
研究时间：2026年4月 | 所属领域：AI Agent 框架 | 研究对象类型：开源软件产品
一、一句话定义
Hermes Agent 是由 Nous Research 于 2026 年 2 月发布的开源 AI Agent 框架，其核心理念是「与你共同成长的 Agent」——通过内置的四阶段学习循环（观察-推理-行动-学习），让 Agent 在执行任务后自动提炼经验、生成可复用的技能，并在后续会话中持续优化，从而解决传统 AI Agent 「每次对话从零开始」的根本性缺陷。
二、纵向分析：从诞生到当下
2.1 起源：为什么是他们？
要理解 Hermes Agent 的独特气质，必须先了解它的缔造者 Nous Research。
这是一家极为特殊的 AI 实验室。四位创始人中，CEO Jeffrey Quesnelle 在创建 Nous 之前已在车载网络和自动驾驶领域深耕 11 年，后又在 Eden Network 担任首席工程师，精通密码学和 MEV（最大可提取价值）。CTO Teknium 是一位匿名开源 AI 研究员，从 2023 年起在 Discord 和 Twitter 上发布 Llama 微调模型，逐渐积累了一批追随者。另外两位联合创始人 Karan Malhotra 和 Shivani Mitra 分别来自加密经济学和增长运营背景。
这样的组合决定了 Nous Research 的 DNA：他们是「AI 研究者变成了加密原生者」，而非「加密创业者转向 AI」。这个顺序至关重要——前者意味着技术优先、安全优先、开源优先；后者往往意味着追逐热点、快速变现。
2023 年，Nous Research 正式注册。他们发布的 Hermes 模型系列基于 Llama 微调，累计下载量突破 5000 万。这个过程中，团队逐渐形成了一个核心信念：AI Agent 不应该只是「执行人类指令的工具」，而应该是「能够自我进化的学习系统」。
2026 年初，一个外部事件加速了这个信念的落地。当时最流行的 AI Agent 框架 OpenClaw 在 63 天内爆出了 138 个 CVE 漏洞，其中包括零点击 RCE 漏洞。开发者社区陷入恐慌，急需一个更安全、更可靠的替代方案。
2026 年 2 月 25 日，Jeffrey Quesnelle 在 Twitter 上发了一条推文：「Meet Hermes Agent, the open source agent that grows with you.」
2.2 诞生：第三代 AI 工程范式的宣言
Hermes Agent v0.1.0 的发布，伴随着一个颇具野心的概念：Harness Engineering（驾驭工程）。
大家通常总结 AI 工程的发展划分为三代：
这个框架的深意在于：人类不应该试图控制 AI 的每一个动作，而应该设计好边界条件，让 AI 在边界内自主探索、试错、进化。这是一种从「教 AI 做事」到「让 AI 自学做事」的范式转移。
v0.1.0 版本确立了三个核心架构：
四层记忆系统
Session Memory：当前对话的短期记忆 Periodic Prompts：周期性触发的系统提示 LLM Summary Memory：由 LLM 自动摘要的长期记忆 Skill System：可复用的程序化技能
自学习循环
任务完成后自动审查执行过程 将成功模式提炼为可复用的 Skills 技能随使用自动优化
技术基础
SQLite + FTS5 全文搜索引擎 跨会话连续性 自托管架构，数据本地存储
发布当天，这条推文获得了 557 个点赞。没人预料到，这个看似低调的开源项目将在接下来的 42 天内创造历史。
2.3 42 天冲刺：史上增长最快的 AI Agent 框架
从 2 月 25 日到 4 月 8 日，Hermes Agent 经历了堪称疯狂的「42 天冲刺」：
在这 42 天内：
发布了 8 个主要版本，平均每 5.25 天一个 合并了 500+ Pull Requests 汇聚了 242+ 贡献者 GitHub Stars 从 0 增长到 47,000
这是什么概念？LangChain 达到同样的 Stars 数量用了超过一年。CrewAI 用了八个月。Hermes Agent 只用了 42 天。
图：Hermes Agent 42 天 GitHub Stars 增长时间线
增长的背后，是社区对「学习优先」理念的强烈共鸣。在 Reddit 和 GitHub Issues 中，开发者们反复提及一个痛点：现有 Agent 框架都是「无状态」的——每次对话结束，一切归零。Hermes Agent 的「会学习、能记住」特性，恰好击中了靶心。
2.4 技术架构的三次跃迁
第一次跃迁：从静态到动态（v0.1.0 → v0.2.0）
v0.2.0 的核心是自进化功能的完整落地。具体实现是一个四阶段学习循环：
任务执行 → 结果评估 → 技能抽象 → 技能优化 ↑ │ └────────────────────────────┘执行阶段，Agent 以 ReAct 模式运行，所有轨迹被捕获为 JSONL 格式。任务结束后，进入自动反思阶段，评估成功或失败。如果成功，执行轨迹会被转换为 Markdown + YAML 格式的技能文档，存入 ~/.hermes/skills/。后续执行类似任务时，Agent 会优先加载相关技能，并根据成功率、执行时间等指标持续优化。
图：Hermes Agent 核心创新——四阶段自学习循环
第二次跃迁：从单点到网络（v0.4.0 → v0.8.0）
v0.4.0 引入了 Provider 回退机制和 16 个消息平台的支持。v0.8.0 更进一步，推出了 Web 仪表板、/fast 模式，以及 iMessage 和微信的原生支持。
这意味着 Hermes Agent 从「命令行工具」进化成了「无处不在的 AI 助手」——你可以通过 Telegram、Discord、Slack、WhatsApp、Signal，甚至是 iMessage 和微信与它交互。所有这些渠道的会话状态都是统一的，Agent 会记住你在 Telegram 上说过的话，当你切换到微信时，对话可以无缝继续。
第三次跃迁：从工具到生态（v0.10.0）
v0.10.0 发布了 Nous Tool Gateway，这是一个托管工具服务，付费订阅者可以自动获得搜索、图像生成、TTS、浏览器自动化等高级能力，无需自行配置 API 密钥。
这个举动标志着 Hermes Agent 开始探索开源商业模式：核心框架保持 MIT 许可证完全开源，高级托管服务收费。这与 GitHub 的模式类似——Git 是开源的，但 GitHub 的托管服务收费。
2.5 EvoMap 争议：开源社区的一次信任危机
在高速增长的背后，一场争议正在发酵。
2026 年 2 月 1 日，一个名为 EvoMap 的中国团队开源了 Evolver 引擎和 GEP（基因进化协议）。2 月 16 日，他们发布了完整的 GEP 架构文档，详细描述了一个 10 步进化循环和三层记忆系统。
2 月 25 日，Hermes Agent v0.1.0 发布。
3 月 9 日，Hermes 创建了一个独立的 self-evolution 仓库。3 月 12 日，v0.2.0 发布完整的自进化功能。
4 月，EvoMap 公开发表文章，指控 Hermes Agent 「结构性抄袭」他们的 Evolver 引擎。他们列出了 12 对核心术语的「系统性替换」：
EvoMap 指出，Hermes 的 10 步执行流程、三层记忆系统、核心概念与 Evolver 存在一一对应关系，且所有相似性都是在 2 月 25 日之后突然出现的。
Nous Research 两次公开否认，声称「从未听说过这个项目」。
这场争议没有法律裁决，却在开源社区引发了激烈讨论。支持者认为，技术理念的相似不等于抄袭，且 Hermes 的实现细节与 Evolver 有显著差异。质疑者则认为，时间线和概念映射的吻合度难以用巧合解释。
普通大众有时候不太关心是谁抄袭，比较关心到底谁好用，只看结果不看过程
无论真相如何，这场争议给 Hermes Agent 的增长蒙上了一层阴影。一些开发者开始观望，等待更多证据的出现。
2.6 融资：从草根开源到独角兽
2025 年 4 月，也就是 Hermes Agent 发布前大约 10 个月，Nous Research 宣布完成 5000 万美元 Series A 融资，由 Paradigm 领投，估值达到 10 亿美元。
这是这家公司的第三轮公开融资：
| 总计 | ~7000万美元 |
Paradigm 是加密领域最顶级的风投之一，曾投资 Coinbase、Uniswap、StarkWare 等头部项目。他们的入局，意味着 Nous Research 的「AI + 去中心化」叙事获得了主流资本的认可。
融资消息公布后，Fortune 杂志的一篇报道揭示了 Jeffrey Quesnelle 的野心：「我们要证明，去中心化的 AI 研发可以与 OpenAI 竞争。」
2.7 阶段划分：从萌芽到裂变
回顾 Hermes Agent 的发展历程，可以清晰地划分为三个阶段：
萌芽期（2023-2025）：模型积累与团队成型
Nous Research 成立，发布 Hermes 模型系列 积累 5000 万+ 下载量，建立开源社区基础 核心创始团队磨合，形成「学习优先」的产品哲学
爆发期（2026.02-2026.04）：42 天神话
v0.1.0 至 v0.10.0 的快速迭代 GitHub Stars 从 0 到 97,600 的历史性增长 242+ 贡献者的社区爆发 EvoMap 争议与信任危机
成熟期（2026.04-至今）：商业化与生态建设
Nous Tool Gateway 开启商业化探索 从单点工具向平台生态转型 面临从「增长」到「留存」的新挑战
三、横向分析：竞争图谱
3.1 竞品全景：AI Agent 框架的五大门派
Hermes Agent 所处的赛道，是 AI Agent 框架的「战国时代」。按照技术路线和产品形态，可以将主要竞品划分为五大类：
1. 通用编排派：LangChain / LangGraph
最大的生态系统（1800+ 集成、600+ 连接器、100+ LLM 提供商） 强调完全控制力和灵活性 企业采用最广泛，但开发者口碑两极分化
2. 角色协作派：CrewAI
基于角色的多智能体设计（Manager、Researcher、Writer 等） 强调快速原型和业务流程自动化 原生支持 MCP 和 A2A 协议
3. 数据优先派：LlamaIndex
专注于 RAG（检索增强生成）和数据连接 顶级的文档解析和知识图谱能力 不是纯 Agent 框架，但在数据密集型场景无可替代
4. 自主探索派：AutoGPT / MetaGPT
AutoGPT：递归任务分解，自主探索行为，实验性导向 MetaGPT：SOP 驱动的软件开发自动化，模拟软件公司角色
5. 极简原生派：OpenAI Agents SDK
OpenAI 官方出品，极简抽象 基于「交接（Handoff）」的多 Agent 模型 零基础设施托管工具，快速上手
Hermes Agent 的差异化定位，是「学习优先派」——唯一将「自我改进」作为核心架构而非附加功能的框架。
图：AI Agent 框架市场竞争格局——五大门派
3.2 核心差异对比：六维雷达图
为了更直观地理解各框架的差异，我们可以从六个维度进行对比：
| 上手难度 | |||||
| 灵活性 | |||||
| 生态系统 | |||||
| 多 Agent 支持 | |||||
| 持久记忆 | |||||
| 自学习能力 | 核心优势 |
这个表格揭示了一个关键洞察：Hermes Agent 在「持久记忆」和「自学习能力」两个维度上形成了独特的护城河，但在「多 Agent 支持」和「生态系统」上明显弱于竞品。
图：Hermes Agent 与主要竞品的六维竞争力对比
3.3 用户口碑：Reddit 与 GitHub Issues 的真实声音
LangChain：从「行业标准」到「过度工程化」
2023 年，LangChain 是几乎所有 AI 应用开发者的首选。但到了 2025-2026 年，口碑发生了逆转。
Reddit 上的热门评论：
「LangChain 解决了你自己可以轻松完成的简单问题，但在设计和架构上没有太多思考来帮助你解决难题。」
HackerNews 上的吐槽：
「调试 LangChain 就像在一堆抽象层中挖隧道，你永远不知道问题出在哪一层。」
2025 年，LangChain 爆出了三个高危安全漏洞（路径遍历、反序列化泄露、SQLite 注入），而其每周 6000 万+ 的下载量意味着这些漏洞影响整个 AI 栈。Analytics India Magazine 甚至发表了标题为「LangChain 是垃圾软件」的文章。
CrewAI：黑盒问题与稳定性危机
CrewAI 是 2024-2025 年增长最快的 Agent 框架之一，但快速增长带来了稳定性问题。
GitHub Issues 中未解决的严重 bug：
用户在 Discord 上的抱怨：
「黑盒问题——无法看到发送给 LLM 的提示、完整推理轨迹或 Agent 为何做出特定决策。」
Reddit 用户的惨痛经历：
「添加一个『带特定指令的网页浏览』工具花了三天，仍然随机失败。最终完全放弃了该框架。」
MetaGPT：理想丰满，现实骨感
MetaGPT 的愿景很宏大——用 AI 模拟整个软件公司，自动生成 PRD、API 规范、设计文档。但现实很残酷。
RepoGenesis 基准测试显示：
仅 23.67% Pass@1 成功率 50.2% 跨文件一致性问题 26.0% 架构一致性问题
用户的实际体验：
生成一个 CRUD 应用需要 10+ 分钟，每次约 $3 Token 成本 依赖地狱（pydantic 与 llama-index 循环依赖） 生成的代码有 bug，非技术用户难以修复
OpenAI Agents SDK：简单，但有边界
作为官方出品，OpenAI Agents SDK 的优势是「极简」——4 行代码就能跑起一个 Agent。但这也带来了局限：
灵活性有限，深度定制困难 OpenAI 生态锁定，难以切换模型 错误处理需要 DIY
Hermes Agent：好评与槽点并存
正面反馈集中在：
「5 分钟安装」——持续受到赞扬 「比其他竞争对手更省 token」 「开箱即用，配置更好」 重复研究任务后 40% 速度提升
但批评也很尖锐：
「自评估不可靠——总是认为自己做得很好」 「自动学习会覆盖手动编辑的技能」 「与 OpenClaw 相比，集成较少（14 vs 22+）」 「本地模型性能问题（1-2 tokens/s vs 原生 45 tokens/s）」
3.4 生态位分析：Hermes Agent 的位置
在当前的市场格局中，Hermes Agent 占据了一个独特的生态位：
它填补了什么空白？
「有状态 AI 助手」的空白——现有框架都是「无状态」的，每次对话从零开始 「个人学习伙伴」的空白——不是面向团队协作，而是面向个人长期使用 「成本敏感场景」的空白——通过 Token 效率优化，典型 API 成本 $10-40/月
它在跟谁正面竞争？
与 OpenClaw 在「个人开发助手」场景直接竞争 与 Claude Code 在「长期项目协助」场景部分重叠 与 AutoGPT 在「自主探索型 Agent」场景有替代关系
它的边界在哪里？
不适合需要复杂多 Agent 协作的场景（CrewAI、LangGraph 更擅长） 不适合需要大量预置工具集成的场景（OpenClaw、LangChain 更丰富） 不适合企业级合规要求严格的场景（尚未获得 SOC2/HIPAA 认证）
3.5 竞争格局趋势：从「一统天下」到「分而治之」
2024-2025 年的 AI Agent 框架市场，呈现出明显的「分而治之」趋势：
专业化分工形成
LangChain：通用编排，但开发者开始流失 LlamaIndex：RAG 专业，无可替代 CrewAI：多 Agent 业务工作流，快速占领市场 Hermes Agent：学习优先单 Agent，差异化生存
MCP 协议成为共识
Model Context Protocol（模型上下文协议）由 Anthropic 提出，现已被所有主流框架接受 CrewAI 在 MCP + A2A 协议支持上领先 Hermes Agent 也在 v0.2.0+ 支持 MCP 客户端模式，v0.6.0+ 支持服务器模式
开发者体验成为关键差异化因素
复杂度成为主要痛点，「简洁、类型安全、易调试」成为新框架的卖点 PydanticAI、Vercel AI SDK 等新兴框架凭借更好的开发者体验获得关注
混合架构趋势
生产系统 increasingly 组合多个框架 例如：LangGraph 编排 + CrewAI 多 Agent 节点 + OpenAI SDK 路由 + Hermes Agent 学习模块
四、横纵交汇洞察
4.1 历史如何塑造了当下的竞争位置
Hermes Agent 今天在横向竞争中的独特位置，很大程度上是由其纵向发展历程中的几个关键决策决定的。
第一个关键决策：「有界记忆」架构
这个决策可以追溯到 Jeffrey Quesnelle 在车载网络领域的背景。在汽车电子系统中，资源是有限的，必须在约束条件下优化性能。这种思维方式被带到了 Hermes Agent 的设计中——不追求无限上下文窗口，而是设计「有界记忆」系统，迫使 Agent 学习什么重要、什么可以遗忘。
这个决策在今天的竞争格局中形成了独特优势：
Token 效率显著高于竞品 Agent 表现出更强的「注意力管理」能力 成本优势明显（典型 100+/月）
但也带来了局限：
复杂多步骤任务的上下文丢失风险 需要更频繁的「记忆整理」周期
第二个关键决策：「单 Agent 优先」
Hermes Agent 迄今为止的版本，核心架构都是围绕单 Agent 设计的。这与 CrewAI、LangGraph 的多 Agent 路线形成鲜明对比。
这个决策的根源在于 Nous Research 的「个人助手」产品哲学——他们想要构建的是一个「了解你的 AI 伙伴」，而不是一个「团队协调工具」。
这个决策在今天的竞争格局中的影响：
优势：在「长期个人助手」场景形成了体验优势 劣势：在企业级「多角色协作」场景难以与 CrewAI 竞争 机会：可能成为「个人 Agent」与「团队 Agent」之间的连接器
第三个关键决策：Web3 DNA
Nous Research 的加密背景，赋予了 Hermes Agent 一些独特的基因：
安全优先：权限隔离、沙箱执行、OSV 恶意软件检查 去中心化思维：支持本地模型、自托管、零遥测 开源文化：从 Discord 志愿者小组发展而来，社区驱动
这些基因在今天的竞争格局中的价值：
在 OpenClaw 安全危机后，「安全」成为差异化卖点 隐私敏感用户的首选（零遥测、本地存储） 开源社区的强认同感（242+ 贡献者）
4.2 竞品的纵向对比：它们为何走向不同的路
如果将主要竞品也放到时间线上，会发现它们的路径选择差异极大。
LangChain：从「瑞士军刀」到「过度工程化」
LangChain 诞生于 2022 年底，当时的核心诉求是「统一所有 LLM 的调用方式」。这个定位在早期极具价值——开发者不用再为每个模型写不同的适配代码。
但随着时间推移，LangChain 逐渐膨胀。1800+ 集成意味着 1800+ 个潜在的故障点。每一次版本更新都可能破坏现有代码。开发者开始意识到：「我只需要一把螺丝刀，但你给了我一个装满工具的仓库。」
今天的 LangChain 正在经历「减肥」——推出 LangGraph 作为更轻量的替代，强调「显式状态管理」而非「隐式魔法」。
CrewAI：从「快速原型」到「生产级危机」
CrewAI 诞生于 2023 年，核心创新是「角色（Role）抽象」——让开发者可以用产品经理、研究员、写手等角色来定义 Agent，而不是写复杂的提示词。
这个创新击中了痛点，带来了快速增长。但快速增长也带来了技术债务。今天的 CrewAI 面临着严重的稳定性问题——GitHub Issues 中大量未解决的内存泄漏、死锁、上下文溢出 bug。
CrewAI 的挑战在于：如何在保持「易用性」的同时，解决「可观测性」和「稳定性」问题。
OpenAI Agents SDK：从「封闭生态」到「开放接口」
OpenAI 在 2024 年推出了 Assistants API，但在 2025 年开源了 Agents SDK。这个转变本身就值得关注——连 OpenAI 都意识到，封闭的 Agent 生态难以赢得开发者。
但 OpenAI Agents SDK 仍然带有明显的「OpenAI 优先」烙印：最优体验需要 GPT-4o，切换其他模型会失去部分功能。这与 Hermes Agent 的「模型无关」哲学形成对比。
4.3 优势的历史根源：每个核心优势能追溯到哪个节点
4.4 劣势的历史根源：当初的「好决策」有没有变成今天的包袱
4.5 未来推演：三个剧本
基于纵向趋势和横向竞争格局，以下是 Hermes Agent 的三个可能剧本：
剧本一：最可能的——「专注者生存」
Hermes Agent 继续强化「学习优先」差异化定位，不试图与 CrewAI/LangChain 在「通用性」上竞争，而是成为「长期个人助手」场景的首选。
与多 Agent 框架形成互补而非竞争（例如：CrewAI 负责协调，Hermes Agent 负责执行具体任务并学习） 发展「agentskills.io」开放标准，让技能可以跨框架共享 通过 Nous Tool Gateway 实现可持续的商业化
概率：60%
剧本二：最危险的——「增长陷阱」
Hermes Agent 试图复制「42 天冲刺」的增长神话，过快扩张功能边界，导致：
技术债务累积，稳定性问题爆发 社区贡献者流失，维护负担过重（目前已有 ~1800 个开放 Issue） 与 EvoMap 争议的负面影响持续发酵 在「通用性」上竞争不过 LangChain/CrewAI，在「专业性」上又失去了焦点
概率：25%
剧本三：最乐观的——「范式定义者」
「Harness Engineering」被行业广泛接受，成为继 Prompt Engineering、Context Engineering 之后的第三代标准范式。Hermes Agent 凭借先发优势，成为这个范式的代名词。
其他框架开始模仿「学习循环」架构 「技能（Skill）」成为 Agent 能力的标准单位 Nous Research 完成 B 轮甚至 C 轮融资，成为 OpenAI 的去中心化替代品
概率：15%
图：基于纵向趋势与横向格局的未来推演
五、信息来源
声明：图中配图来自豆包、千问等模型生成。
最后，没上手的同学可以操练起来，别人说的再怎么好或者坏，都不如你亲自感受实在。
能看到这里的朋友，就高抬贵手 加关注、点赞 一下啦~~多谢~
