你让 AI 每周整理工作进展。第一周，它学会了你的格式；下周换个会话，却又像第一次见面。Hermes Agent 想解决的正是这种“用不熟”的问题：它不只完成眼前任务，还会保存知识、复用经验，并逐步了解同一个用户。
Nous Research 将这个开源项目定位为“可自我改进的个人 AI Agent”。AI Agent 是能调用文件、终端等工具，并循环执行任务的系统；“个人”则意味着它围绕同一用户长期工作。不过，目前所有能力和成本说法都来自项目官方 GitHub 仓库，尚无独立测试交叉验证。
它如何越用越熟
Hermes 的核心不是某个特定模型，而是一套学习闭环。
完成复杂任务后，它可以把经验整理成“技能”——可重复使用的说明、脚本或工作流程。以后遇到相似任务，Agent 不必完全从头摸索。官方还称，技能会在使用中继续改进。可以把它理解为：不只记住上次做了什么，还把有效做法写成一份会修订的操作手册。
记忆是另一层。长期记忆指把部分对话、偏好和任务结果存到当前聊天之外，需要时再找回来。Hermes 会通过周期性提示，提醒自己保存值得保留的知识；它也能用 FTS5 搜索历史会话，再交给大语言模型（LLM，即负责理解和生成文字的模型）生成摘要，实现跨会话回忆。
此外，项目接入了 Honcho dialectic user modeling。按官方描述，这套用户建模机制会综合多次会话，逐步形成对用户的理解。它与普通“记住一句偏好”不同：目标是让 Agent 对你的习惯和行为偏好建立持续更新的模型。但仓库材料没有解释其具体判断流程，也没有给出准确率或长期效果评测。
不只活在聊天窗口里
长期陪伴还要求 Agent 持续在线。Hermes 的单一 gateway process（统一承接不同消息渠道的后台进程）可连接 Telegram、Discord、Slack、WhatsApp、Signal 和命令行，并保持跨平台会话连续。它还支持语音备忘录转录，以及 cron 定时任务——也就是按时间表自动运行的任务，并把结果投递到受支持的平台。
模型并未被绑死。官方列出的选择包括 Nous Portal、OpenRouter、OpenAI 和自定义 endpoint（模型服务接口）；用户可以通过 hermes model 切换，无需修改代码。
运行环境也做得很宽。项目文档列出 local、Docker、SSH、Singularity、Modal、Daytona 和 Vercel Sandbox 七种终端后端。Daytona 与 Modal 据称支持闲置休眠、按需唤醒和持久保存环境。官方还宣称它能部署在“5 美元 VPS”上；VPS 是云服务商提供的虚拟服务器，可让 Agent 脱离个人电脑持续在线。但这只说明存在低配部署路径，不代表所有模型和功能都能以这一成本可靠运行。
遇到大型任务时，Hermes 还能生成彼此隔离的子 Agent，并行处理不同工作流；Python 脚本也可通过 RPC——让一个程序远程调用另一个程序能力的机制——使用工具。项目还提供批量 trajectory generation 与 trajectory compression，即批量生成、压缩 Agent 的任务执行轨迹，供工具调用模型的后续训练使用。
为什么值得关注
Hermes 真正有意思的地方，是把“记住事情”“总结做法”和“理解用户”放进同一个长期运行框架。许多 Agent 展示的是一次任务能做多复杂；Hermes 更关心第二十次执行时，能否利用前十九次留下的经验。
它还试图降低长期运行的门槛：既能放在云端，也支持原生 Windows，无需 WSL。官方称安装器可处理 Python 3.11、Node.js、ripgrep、ffmpeg 等依赖；若系统没有 Git，会下载约 45MB 的 MinGit，隔离安装到 %LOCALAPPDATA%\hermes\git，且不需要管理员权限。
局限与未知
- 学习闭环、技能自我改进和用户建模均为官方描述，材料没有提供第三方评测、量化指标或失败案例。
- “5 美元 VPS”和“闲置时成本接近于零”没有涵盖推理 API、存储、流量与唤醒等可能另计的成本。
- 官方称 Hermes 是“唯一内置学习闭环的 Agent”，但没有给出竞品范围和判定标准，因此不能把这项排他性说法当作事实。