最近开源 Agent 圈里，Hermes Agent 这个名字被频繁提起。
用一句话介绍它的定义——Hermes（也有人戏称“爱马仕 Agent”）本质上不是又一个简单的 AI CLI，而是一套强调长期使用、持续沉淀和自我改进的 Agent runtime。它试图把工具调用、Skill 沉淀、跨会话记忆和安全边界，放进同一套可以长期演进的系统里。
这也是它这段时间值得被反复讨论的原因。很多项目在解决“怎么让 Agent 能跑起来”，Hermes 更关心的是另一层问题：怎么让 Agent 在反复使用之后，变得更稳、更熟练，也更像同一个 Agent。
现如今，模型能力已经越来越强，真正拉开差距的，正在变成模型外面那层系统。顺着这个问题往下看，就自然会看到 Hermes。因为在开源世界里，它算是少数认真把“执行循环、经验沉淀、长期记忆、安全控制”放在一起设计的项目。
Hermes 和 OpenClaw 看上去都在做开源 Agent，但它们解决的其实不是同一层问题。
- OpenClaw 更像入口层和调度层，重点是“消息怎么进来、会话怎么路由、平台怎么接”；
- Hermes 更像 Agent 本体的执行与学习引擎，重点是“工具怎么用、经验怎么沉淀、下次怎么变强”。
今天这篇文章，我们将教您如何安装，以及逐步完整配置Hermes Agent，并让它在你的飞书里跑起来。
一、Hermes Agent 是什么？核心定位与技术背景
Hermes Agent 是由 Nous Research 开发的开源 AI Agent 框架。Nous Research 是一家 AI 实验室，此前已训练并发布了 Hermes、Nomos、Psyche 等开源模型系列。
截至 2026 年 4 月，Nous Research 累计完成 2 轮公开融资，总融资金额约 7000 万美元，投资方均为加密领域头部机构，融资路径带有鲜明的 Web3 特征 —— 以代币计价而非传统股权，核心用于算力储备与团队扩张。
其创始人之一 Teknium 将 Hermes Agent 定义为"介于 coding agent 与 generalist agent 之间的混合体"——既能处理结构化的开发任务，也能处理开放式的通用任务。
大多数 AI Agent 是静态的、无状态的——你配好了什么能力，它就有什么能力；问完即忘，下次从零开始。技能需要人工编写、人工安装、人工更新。每一次会话都是独立的，Agent 无法从过去的经验中受益。
而Hermes 的核心设计假设是：AI Agent 应从交互中学习，随时间变得更有价值。为此，它构建了一个闭环学习系统——用得越多它越强，不需要用户进行微调或手动编写提示词。Agent 不仅执行任务，还能反思、学习、进化自身行为，构建技能、记住有效方法，并持续改进。
Hermes Agent 的三个核心差异点：
二、安装系统要求
在安装前确认以下环境满足要求：
- 操作系统：Linux（主流发行版）、macOS、Windows WSL2、Android Termux
- Python：3.10+
- 内存：建议 4GB+（本地运行 Hermes 模型需 16GB+）
- 网络：需访问 GitHub 及选定的 LLM 提供商 API
三、安装 Hermes Agent：一行命令完成
标准安装（推荐）
# 一行命令完整安装
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
# 安装完成后加载环境变量并启动source ~/.bashrc && hermes
安装脚本自动完成：Python 依赖安装、路径配置、初始化向导触发。
验证安装
hermes --version
# 预期输出：hermes v0.8.0 (v2026.4.8)
手动安装（网络受限环境）
git clone https://github.com/NousResearch/hermes-agent.git
cd hermes-agent
pip install -r requirements.txt
python -m hermes
四、逐步配置 Hermes Agent
安装后首次运行会进入交互式配置向导，也可通过以下子命令单独配置各模块：
Step 1：运行完整配置向导
hermes setup
hermes setup 会依次引导完成 LLM 提供商选择、工具启用和网关配置。
Step 2：选择 LLM 模型
hermes model
Hermes Agent 支持以下 LLM 提供商，无需修改代码即可切换：
提供商 | 说明 |
Nous Portal | 官方 Hermes 系列模型（推荐，原生支持函数调用） |
OpenRouter | 接入 200+ 模型，包括 Claude、GPT、Gemini |
OpenAI | GPT-4o、GPT-4o-mini 等 |
Kimi | 国内可用，支持长上下文 |
MiniMax | 国内多模态模型 |
Step 3：配置工具
hermes tools
启用/禁用内置工具模块，包括：文件操作、Shell 执行、网络请求、浏览器控制等。
Step 4：配置消息网关（可选）
hermes gateway setup
支持将 Hermes Agent 接入以下平台，实现跨平台统一调用：
- Telegram
- Discord
- Slack
- WhatsApp
- Signal
- CLI（本地命令行）
Step 5：单项配置修改
# 修改单个配置项
hermes config set <key> <value>
# 查看当前配置
hermes config list
五、六种执行后端配置
Hermes Agent 支持在不同计算环境中执行任务，通过 hermes setup 或配置文件指定：
后端 | 适用场景 | 配置方式 |
local | 本地开发调试 | 默认，无需额外配置 |
docker | 隔离执行环境 | 需安装 Docker，hermes config set backend docker |
ssh | 远程服务器执行 | 配置 SSH 密钥和目标主机 |
daytona | 无服务器持久化（$5/月 VPS 可运行） | 注册 Daytona 账号后授权 |
singularity | HPC 高性能计算集群 | 需 Singularity 环境 |
modal | 云端函数执行 | 需 Modal 账号和 token |
六、自动化任务：内置 Cron 调度器
Hermes Agent 内置调度器，支持用自然语言定义定时任务：
# 示例：每天早 8 点总结昨日邮件
hermes schedule "每天早上 8 点，汇总我的邮件并发送到 Telegram"# 查看已配置的任务
hermes schedule list
# 删除任务
hermes schedule remove <task-id>
七、Hermes Function Calling：函数调用子框架
安装
git clone https://github.com/NousResearch/hermes-function-calling.git
cd hermes-function-calling
pip install -r requirements.txt
基本使用：定义工具函数
# functions.py 中添加自定义工具def get_weather(location: str, unit: str = "celsius") -> dict:
"""获取指定城市的天气信息"""# 实现逻辑return {"location": location, "temperature": 22, "unit": unit}
调用示例（ChatML 格式）
# 模型默认：NousResearch/Hermes-2-Pro-Llama-3-8B# 支持 4-bit 量化（bitsandbytes）from hermes_function_calling import HermesAgent
agent = HermesAgent(
model_path="NousResearch/Hermes-2-Pro-Llama-3-8B",
chat_template="chatml",
max_depth=5 # 最大递归调用深度
)
response = agent.run("北京今天天气怎么样？")
八、从 OpenClaw 迁移到 Hermes Agent
Hermes Agent 原生支持从 OpenClaw 自动迁移，执行以下命令：
hermes migrate --from openclaw
迁移内容包括：
- SOUL.md（Agent 身份配置）
- 记忆（Memory）
- 已安装的技能（Skills）
- API Key 配置
九、5 分钟让你的飞书 Hermes Agent 跑起来
- 在飞书开放平台创建应用
进入飞书开放平台：
然后完成这几步：
- 创建一个应用
- 开启 Bot 能力
- 在应用后台拿到：
- App ID
- App Secret
2. 准备 Hermes 的最小配置
编辑：
vim ~/.hermes/.env
写入以下内容：
FEISHU_APP_ID=cli_xxx # 写入你的飞书APPID
FEISHU_APP_SECRET=your_secret # 写入你的飞书APPSECRET
FEISHU_DOMAIN=feishu
FEISHU_CONNECTION_MODE=websocket
FEISHU_GROUP_POLICY=allowlist
FEISHU_ALLOWED_USERS=ou_your_open_id # 允许使用的飞书用户ID
这是最推荐的内部默认配置，含义如下：
- FEISHU_DOMAIN=feishu：使用飞书中国版
- FEISHU_CONNECTION_MODE=websocket：推荐模式，不需要公网 webhook
- FEISHU_GROUP_POLICY=allowlist：群里默认不是谁都能用
- FEISHU_ALLOWED_USERS=...：只允许指定用户调用机器人
如果只是你自己先跑通，FEISHU_ALLOWED_USERS 先填你自己的 open_id 就够了。
3. 推荐保留的 config.yaml 配置
编辑：
vim ~/.hermes/config.yaml
确认至少有这几项：
group_sessions_per_user: true
platforms:
feishu:
extra:
ws_reconnect_interval: 120
ws_ping_interval: 30
推荐原因：
- group_sessions_per_user: true：同一个群里，不同用户各自维护自己的上下文，避免串会话
- ws_reconnect_interval / ws_ping_interval：保留默认稳定配置即可
4. 启动 Hermes 网关
执行：
# 在shell中执行的命令，如果让agent来执行需要在前面加个!，比如：!hermes gateway
hermes gateway
如果是首次配置，也可以先执行：
hermes gateway setup
然后在交互式流程里选择 Feishu / Lark。
5. 验证是否成功
按下面顺序验证：
私聊验证
直接在飞书里私聊机器人，发一条消息。
预期结果：
- 机器人能正常回复
群聊验证
把机器人拉进群，在群里 @ 机器人 再发消息。
预期结果：
- 机器人能正常回复
状态文件验证
查看：
cat ~/.hermes/gateway_state.json
如果接入成功，一般会看到类似：
{
"gateway_state": "running",
"platforms": {
"feishu": {
"state": "connected"
}
}
}
常见问题 FAQs
Q：Hermes Agent 安装后找不到 hermes 命令怎么办？
安装脚本会将可执行文件路径写入 ~/.bashrc。执行 source ~/.bashrc 重新加载环境变量，或关闭终端重新打开。如果仍然找不到，检查 ~/.local/bin 是否在 PATH 中：echo $PATH | grep local。
Q：Hermes Agent 必须使用 Hermes 系列模型吗？
不必须。Hermes Agent 支持通过 OpenRouter 接入 200+ 模型，包括 Claude、GPT-4o、Gemini 等。只有 hermes-function-calling 子框架在使用函数调用时对 Hermes 模型有优化，其他功能与模型无关。
Q：如何让 Hermes Agent 在 Telegram 上响应消息？
执行 hermes gateway setup，选择 Telegram，输入通过 @BotFather 创建的 Bot Token 即可。配置完成后 hermes start，Agent 将在后台监听 Telegram 消息。
Q：hermes-function-calling 和 Hermes Agent 的关系是什么？
两者是独立项目。hermes-function-calling（1,300 ★）是专为 Hermes 模型优化的函数调用 SDK，适合开发者在代码中集成工具调用能力；Hermes Agent（52,800 ★）是面向最终用户的完整 Agent 应用，内部集成了函数调用能力，无需单独使用 SDK。
总结
Hermes Agent 的走红，再一次说明，AI Agent 的形态还会持续演进。今天是 Hermes，昨天是 OpenClaw，未来还会不断出现新的产品、新的框架和新的交互方式。
对于飞书而言，变化的是 Agent 的外在形态，不变的是一个更长期的方向：让 AI 真正进入工作场景，稳定、安全、持续地创造真实价值。用户期待的，不只是一个“能对话”的智能体，而是一个真正能理解上下文、连接工具、承接任务并推动事情完成的工作 Agent。它不应该停留在概念演示里，也不应该只在少数极客的实验环境中运转，而是要走进每个人每天都在使用的工作流里，成为真正可用、可信、可协同的一部分。
这也是飞书始终看重 AI Agent 的原因。因为工作不是孤立发生的，它天然依赖消息、文档、日历、任务、知识、流程与组织协作；而这些，正是飞书长期建设和持续打磨的场景基础。
飞书期待和更多开发者、团队与组织一起，把 Agent 从“看起来很强”推进到“真正用得上”。也期待未来越来越多用户，在飞书上拥有自己的第一个工作 Agent，让 AI 更早进入工作现场，更深参与真实协作，更快产生看得见的价值。
延伸资源
