Hermes Agent 深度评测：自学习 AI Agent，MoA 混合智能体与越用越好用的记忆系统

一句话结论

如果你想要的不是一个「帮你干完一次任务」的云端 Agent，而是一个你能完全掌控、会积累经验、常驻在你消息软件里的自进化 Agent——Hermes Agent 是 2026 年最成熟的开源选择：Nous Research 出品，2026 年 2 月开源即爆，5 月 GitHub Star 翻倍到 10 万量级。

但先泼冷水：它的门槛比 Manus 高一个数量级。没有开箱即用的漂亮界面，要自己装 Python 环境、配 LLM API、管记忆数据库。它面向「想拥有自己 Agent 基础设施」的极客，不面向「想要一个好用助手」的用户。

Hermes Agent 真正在解决的问题

社区聊 Hermes 为什么火，都说「10 万 Star」「Nous Research 出品」。但拆开看，它解决的是通用 Agent 的三个结构性痛点——而这三个痛点恰好是商业 Agent 刻意回避的。

痛点一：Agent 没有长期记忆

大多数 Agent 的记忆只有当前会话：昨天教它的偏好、纠正过的错误，今天全部归零。Hermes 内置四层记忆系统（工程细节见下文实测部分），把「越用越好用」从营销话术变成了架构事实。这也是它和 OpenHuman 的 Memory Tree 各走一条路的地方：OpenHuman 用记忆树做「个人数字分身」，Hermes 用四层记忆做「会成长的执行体」。

痛点二：单个模型能力有天花板

这是 Hermes 最有意思的一手棋。2026 年 6 月 Nous Research 加了 MoA（Mixture of Agents）：不赌任何单一模型，让多个 Agent 实例并行处理同一个任务，每个可以用不同模型，再由聚合 Agent 合并去重、交叉验证。实测效果：3 个中档模型做 MoA，输出质量接近 1 个顶级模型，成本只有 1/3。

痛点三：Agent 只能在一个地方用

Manus 是 Web-only，OpenClaw 是桌面 + CLI。Hermes 支持 14 个消息渠道——Telegram（最稳）、Discord、Slack、WhatsApp、Signal、Email、CLI、基础版 Web UI，甚至有非官方的微信通道。一个 Agent 实例，多入口常驻：在 Telegram 发消息派活，结果推到 Discord；让它监听 Git 提交自动跑测试。

技术拆解：MoA 到底是什么

先纠正一个高频混淆：MoA ≠ MoE。

MoE 是把一个大模型拆成多个专家网络省推理成本；MoA 是把多个完整 Agent（可以各自用不同模型）的输出交叉验证取精华。前者是模型厂商的武器，后者是应用层的武器——两者可以叠加：MoA 里的某个 Agent 完全可以跑一个 MoE 模型。

工程上 MoA 的价值在于用编排换能力：与其每月花大钱买顶级模型的 API，不如三个中档模型互相校验——顺带获得单一模型没有的冗余容错（一个模型幻觉，另外两个能把它纠出来）。代价是延迟和 token 翻倍，适合「要质量不怕慢」的任务，不适合即问即答。

记忆系统实测：四层怎么协作

Hermes 的记忆基于向量数据库（默认 ChromaDB，可换 Qdrant/Weaviate），四层各司其职：

关键机制有三个：

1. 自动提取：对话中的关键信息会被自动存进语义记忆，不需要手动「记住这个」
2. TTL 过期：记忆有生存时间，避免无限膨胀——这对长期运行的 Agent 是刚需（记忆治理的通病见 Agent 记忆）
3. 可迁移：记忆支持 JSON 导出/导入，换机器不用从零养一个新 Agent

实测体感：前两周记忆积累最明显（它会记住你的项目上下文、纠正过的错误），一个月后「技能记忆」开始生效——同类任务直接调用历史步骤，不再从零规划。这正是 Agent 记忆一文说的「事件流 → 提炼 → 沉淀」闭环在产品层的落地。

Profile 自进化：越用越好 的闭环

Hermes 最独特的设计是 Profile 系统：每个 Profile = 人格 + 技能包。你可以建「代码助手」「研究助手」「项目经理」多个 Profile 并行跑，每个有独立的记忆和技能库。

自进化的机制：任务完成后 Agent 自动总结经验，更新 Profile 的技能库；下次遇到类似任务直接调用。对比市面上大多数 Agent 的「每次从零开始」，这是把 AGENTS.md 式的项目记忆自动化了一层——不用你手写规则，它自己长规则。

代价同样要讲清楚：自动总结的经验不一定对，错误经验会被反复调用越滚越扎实（记忆污染问题）。所以重要 Profile 的技能库要定期人工 review，把跑偏的条目删掉。

部署实践与成本账本

最小可用部署

git clone https://github.com/NousResearch/hermes-agent
cd hermes-agent
pip install -r requirements.txt
cp .env.example .env
# 配置 LLM API key + 消息平台 token
python -m hermes.agent

要求：Python 3.11+、至少 8GB RAM、向量数据库默认 ChromaDB（零额外部署）。日常使用最顺的组合是 Telegram + Claude API：发消息派任务，执行中实时推进度，完成后自动更新记忆。复杂任务 2-5 分钟，不是即问即答。

成本账本

省钱路径：BYOK 接国产模型（国产编程模型盘点）能把 API 成本再压一个量级——Qwen3.8-Flash 推理 ¥1/¥3 每百万 token 的价格，跑日常任务几乎无感。但注意 Hermes 文档以英文为主，接国产模型要自己处理兼容配置，BYOK 上手是通用方法。

短板与坑

• 中文体验 2/5：文档、社区、界面全英文。Hermes 4 模型本身中文能力也弱于 Claude/GPT，中文场景务必用 Claude/GPT 做后端
• 迭代快 = 不稳定：每周多个 commit，偶尔 breaking change。升级前备份记忆数据库（JSON 导出），别裸奔
• 资源消耗是乘法：MoA 开 3 个 Agent，token 消耗 ×3；记忆系统长期驻留内存。成本估算别按单 Agent 算
• UI 简陋：Web UI 只是基础版，管理主要靠 CLI 和 JSON 配置

与同类对比

一句话分工：Manus 是「用」，OpenHuman 是「陪」，Hermes 是「拥有」。想要详细的两两对比，看 Hermes vs Manus、Hermes vs OpenClaw、Hermes vs OpenManus。

适合 / 不适合

适合：

• 想要自托管、数据完全自主的长期 Agent
• 对自进化/记忆系统有研究或折腾兴趣
• 需要 Telegram/Discord/Slack 多渠道常驻
• 有一台 VPS、会基本的 Python 部署

不适合：

• 中文为主交互的用户（见短板）
• 想要开箱即用、零运维的个人用户
• 需要生产级 SLA 的团队（项目仍在快速迭代）

FAQ

Q：MoA 什么时候开？ 要质量不怕慢的任务开（深度调研、重要报告的交叉验证），即问即答关掉——token 消耗是 Agent 数的倍数。

Q：记忆数据存在哪，安全吗？ 默认本地 ChromaDB（SQLite + 向量索引），数据不出你的机器；可换 Qdrant/Weaviate 远程库。但要注意：记忆里存的是你和它的全部交互，VPS 本身的安全（SSH 加固、磁盘加密）要自己负责。

Q：能跑在 Windows 上吗？ 官方支持 Linux/macOS/Windows，但生产实践以 Linux VPS 为主。Windows 本地跑建议走 WSL2。

Q：和 OpenManus 怎么选？OpenManus 是 Manus 的开源复刻，定位「通用任务执行器」，轻、上手快；Hermes 重、功能全、可自进化。要「复刻云端 Agent 的体验」选 OpenManus，要「长期养一个自己的 Agent」选 Hermes——详见 开源通用 Agent 上手。

相关阅读

• Hermes Agent 工具卡
• OpenHuman 深度评测 · Manus 深度评测
• 开源通用 Agent 上手 Playbook
• Agent 记忆：记忆系统的工程实践
• MoE：MoA 的模型层「亲戚」
• BYOK：接国产模型压成本

来源

• Hermes Agent GitHub
• Nous Research 官网