从零到精通：Hermes Agent 完整上手指南（2026版），Github 9万星的底层解析：记忆、技能、GEPA
这篇可能是全网目之所及，Hermes讲得最透的吧。
先假设个时光倒流的场景。
2025年某天，一位开发者花了40分钟教会AI助手一个复杂的调试技巧：先用哪个命令排查哪个节点，哪个参数组合能绕过那个坑。下一个session，他满怀期待地继续工作——然后AI又从零开始了。那40分钟，就像没存在过一样。
这不是哪个产品的bug。这是所有AI助手的结构性缺陷：对话结束，记忆清零。Hermes Agent 想解决的就是这件事。它在两个月内拿到了 GitHub 9万颗星——而这个数字背后，是一套真正能把经验留下来的系统。
1
先有身份，才有记忆
说真的，在聊记忆系统之前，有一个层经常被忽略：身份层。
记忆是AI知道的事，技能是它会做的事。但这两样都没有回答一个最基本的问题：它是谁？它以什么风格出现在你面前？
没有身份层，每次对话都像同一个AI换了件衣服。Hermes 用一个文件解决这个问题：SOUL.md。它放在配置目录的根目录，固定插在系统提示词的第一位。它定义了AI的性格、语气、交流风格，以及一些硬边界。这个文件是你写一次然后长期使用的东西，不会每次session重置。
所以整个学习环路，实际上是透过这个身份框架来运作的。记忆是里面会变化的部分，身份是外面的固定框架。
SOUL身份层记忆技能GEPA身份框架决定记忆与技能如何被整合固定身份可变记忆/技能
图：身份框架与记忆/技能系统的关系。SOUL.md 是固定层，记忆和技能是内部动态组件。
2
三层记忆体系：三个速度，三种用途
Hermes 的记忆不是一块硬盘，是三个不同速度的存储层。每一层解决不同问题，之间有明确的取舍关系。
第一层：两个小文件，永久在上下文里。
核心是两个放在磁盘上的 Markdown 文件。MEMORY.md（最多2200字符）存AI对自己环境、项目规范、工具特性和经验教训的记录。USER.md（最多1375字符）存用户信息：名字、沟通偏好、技能水平、注意事项。
每次新session开始，这两个文件以固定快照的形式注入到系统提示词里。如果AI在对话中途写了新记忆，变化会立即写入磁盘，但这个变化要等到下一个session才会出现在系统提示词里。当记忆用到接近80%容量，AI会主动整合，把相关内容合并成更密集的版本。
第二层：全量对话历史，随时可搜索。
每次对话（CLI和消息平台）都完整存在 SQLite 里，带全文搜索索引。这层解决"上周我问了什么来着"这类问题。代价是它需要AI主动去搜，然后做摘要，不是默认在上下文里。第一层常驻但极小，第三层可搜索但需要主动调用。
第三层：外部记忆提供者，8种插件。
如果需要更深入的持久记忆，Hermes 支持8种外置 provider，可以在你不用的时候主动预取相关内容、对话结束后同步记忆、以及在session结束时提取记忆。这些 provider 和内置记忆并行运作，互不替代，每次只启用一种。
Tier 1 · 系统提示词常驻MEMORY.md + USER.md · 2200 + 1375 字符⚡速度最快Tier 2 · SQLite 全量搜索state.db · WAL模式 · FTS5索引 · 无限容量🔍按需搜索Tier 3 · 外部 Provider8种插件 · 预取 + 同步 + 提取🗄空闲时运行容量: Tier1 << Tier2 < Tier3
图：三层记忆的速度与容量关系。越快容量越小，越慢容量越大。
3
技能自进化：AI自己写操作手册
记忆解决的是"知道什么"。技能解决的是"怎么做"。在 Hermes 里，技能是带有 YAML 元数据的 Markdown 文件，内容就是操作步骤。有点像把一个老工程师的操作习惯文档化——只不过这个文档是AI自己写的。
触发技能创建的条件有几种：完成一个超过5步工具调用复杂任务、遇到错误死磕出解决方案、用户纠正了AI的做法、或者发现了非平凡的工作流。每次满足条件，AI就会用skill_manage工具自动生成一个新的SKILL.md。
一个典型技能长这样：描述触发场景、列出具体步骤、注明坑位提醒、以及验证方式。为了节省 token，技能使用渐进式披露——AI默认只看到名称和描述，当真正需要某个技能时才加载完整内容。
遇到问题5+工具调用试错解决找到正确路径写入技能SKILL.md下次直接命中跳过试错自进化循环：遇到问题 → 解决 → 存档 → 下次直接用
图：技能自进化循环。AI遇到问题并解决后，将成功路径写入技能库，下次直接调用。
Curator：技能的垃圾回收。
如果AI可以无限创建技能，技能库会迅速膨胀成一堆重复、过时、相互冲突的操作手册。Curator 就是来解决这个问题的后台维护系统。
它不是定时运行的守护进程。它只在检测到"7天未运行 + AI空闲2小时"时才触发。触发后会有两个阶段：首先，自动规则处理明显过时的：30天未使用的技能标记为过时，90天未使用的归档。然后，AI接管做更细致的判断——最多8轮迭代，逐个判断每个AI创建的技能是保留、打补丁、合并还是归档。
两个重要限制：Curator 永远不会动内置技能和从 Hub 安装的技能，只处理AI自己写的。另外它永远不会直接删除，最多归档到 archive 目录，可以随时恢复。
4
GEPA：离线优化，不碰模型权重
这里有一个真实的张力：AI自己创建的技能，存在"自我美化"的问题。它几乎总是认为自己做得不错，即使实际上没有。社区反馈也确认了这一点——有时候自创技能还会覆盖掉手动的、更好的定制版本。
GEPA（Genetic-Pareto Prompt Evolution）就是来解决这个的。它不是 Hermes 运行时的内置模块，而是独立运行的优化流水线，相关论文是 ICLR 2026 Oral，MIT 协议开源。
GEPA 的核心思路是：别问AI"你做得好不好"，直接去读执行痕迹，理解失败的原因，然后通过进化搜索提出有针对性的改进。它的流水线是这样的：从 Hermes 仓库读取当前技能，生成评测数据集（可以用 Claude Opus 生成合成测试用例、从 SQLite 提取真实会话历史、或者人工整理黄金集），然后运行优化器读取执行痕迹、找出失败点、生成候选改进版本，再用 LLM 评分（带评分细则，不是简单的通过/失败二元判断），最后过约束门：测试必须100%全过、技能文件不超过15KB、缓存兼容性保持、语义不漂移。
不需要GPU，全部通过API调用完成，每次优化运行大约花费2到10美元。最终胜出的版本以 PR 形式提交到 Hermes 仓库，永远不是直接 commit。
GEPA 可以跳过，但如果遇到瓶颈，它是一种在全面微调之前的有效替代方案。
5
快速上手：一行命令启动
说真的，理论讲完了，现在说怎么跑起来。
**安装：**Linux、macOS 或 WSL2，Python 3.11 以上，8GB 内存够跑 API 模式。一行命令搞定：
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
装完之后运行向导配置 provider、API key、模型和工具：
hermes setup
然后就可以直接聊了：hermes。
**连 Telegram：**从 @BotFather 获取 bot token，再从 @userinfobot 获取自己的 Telegram ID，配置好之后就可以在手机上和AI对话了。
**多 agent 玩法：**Hermes 的 profiles 功能支持创建多个完全隔离的实例，每个有自己的配置、记忆、技能和 Telegram bot。可以创建一个程序员（把代码执行委托给 Claude Code）、一个研究员（负责每日 AI 资讯推送）、一个设计师（生成特定风格的插图）。
**定时任务：**用自然语言描述想要什么，Hermes 自动转换成 cron 表达式。例如"每个工作日早上8点推送AI资讯摘要"，研究员 agent 会自动创建定时任务并通过 Telegram 交付结果。
✦
小结
Hermes Agent 的核心不是一个聊天机器人，而是一个有学习环路的个人AI系统。SOUL.md设定身份，运行时循环捕获经验，Curator 保持技能库健康，GEPA 确保库里东西真的管用。
这个系统做到了其他开源 agent 都没做到的事：把三个本来分开的部分——实时技能学习、持久多层记忆、和可选的离线优化流水线——真正整合到了一个框架里。它不是靠一个杀手级功能，而是靠这个组合。
回到开头那个场景。如果那位开发者用的是 Hermes，下一次session，AI会直接说"我注意到上次我们调试那个问题用了这个方法……"。那40分钟没有消失。它被留下来了。
你用 AI 助手时，最头疼的记忆问题是什么？
· Hermes 的三层记忆体系，最吸引你的是哪一层？
· 如果可以给 AI 设计一个"永远不忘"的能力，你最想留住什么？
· 你认为 AI 自创技能靠谱吗？有什么潜在风险？
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～