Hermes Agent v0.18版本正式引入了Goal持久目标技能，这是AI智能体领域的一个重要突破。传统AI对话模型在处理复杂多步骤任务时存在明显痛点：每轮执行完毕就自动中断需要人工干预、多轮对话后容易偏离主线、会话关闭后进度全部丢失。Goal功能通过双模型闭环架构彻底解决了这些问题。

这个功能的核心价值在于实现了真正的无人值守迭代执行。设定一个目标后，AI能够自主拆解任务、分步执行，并在每轮结束后自动调用裁判模型判断是否完成，形成完整的自动化循环。更重要的是，所有进度都会持久化存储，即使重启客户端也不会丢失任务状态。

1. 核心能力速览

能力项	详细说明
版本要求	Hermes Agent v0.18及以上，旧版本无此功能
核心架构	工作模型执行 + 裁判模型判定的双模型闭环
持久化存储	支持本地SessionDB存储，重启不丢进度
自动循环	裁判判定未完成时自动续行，无需人工干预
子目标追加	支持/subgoal指令中途追加约束条件
最大循环轮次	可配置max_turns防止无限循环
适用场景	代码重构、文档创作、运维自动化、数据分析

2. Goal底层架构深度解析

Goal持久目标技能采用执行层与裁判层分离的轻量化架构。工作执行层复用全局路由配置的业务模型，拥有完整的文件、终端、浏览器工具调用权限，负责任务拆解和分步执行。裁判判定层是v0.18新增的独立模块，仅负责对比当前执行结果与原始目标，输出二元判定结果。

这种架构的优势在于职责分离：工作模型专注于任务执行，裁判模型专注于完工判断。每轮执行结束后，系统会自动调用裁判模型进行校验，如果判定未完成则自动注入续行指令，形成全自动循环。整个过程无需人工参与，大大提升了长流程任务的执行效率。

持久化存储机制是另一个关键创新。Goal状态会以 goal:<session_id> 为键值存储在本地SessionDB中，包括目标原文、子目标约束、执行轮次、运行状态等完整信息。这意味着即使关闭终端或重启Hermes客户端，只要重新进入同一会话，就能通过 /goal resume 指令恢复任务执行。

3. 环境准备与版本校验

在开始配置Goal功能前，必须确保环境符合要求。首先检查Hermes Agent版本，只有v0.18及以上版本才支持Goal功能：

# 查看当前版本，必须≥0.18
hermes version

# 校验模型服务商密钥配置
hermes provider list

# 清空旧配置缓存
hermes config clean

# 确认Goal技能已加载
hermes skill list | grep goal

环境依赖包括：已配置的模型服务商API密钥（OpenRouter、DeepSeek、Ollama等）、磁盘读写权限（用于持久化存储）、网络通畅性。配置文件路径根据操作系统不同：

• Windows: C:\Users\[用户名]\.hermes\config.yaml
• Mac/Linux/WSL: ~/.hermes/config.yaml

4. 三种配置方式详解

4.1 命令行交互式配置（推荐新手）

对于不熟悉YAML配置的用户，Hermes提供了完整的命令行配置向导：

# 查看Goal技能所有可配置项
hermes goal config list

# 交互式配置最大循环回合数
hermes goal configure max-turns

# 配置裁判模型（推荐低成本模型）
hermes goal configure judge-model

# 开启持久化存储
hermes goal configure persist-enable true

# 重载配置使更改生效
hermes config reload

4.2 手动YAML配置（生产环境推荐）

对于需要精细化控制的用户，直接编辑config.yaml文件是更高效的方式：

# Goal核心配置块
goals:
  enabled: true
  max_turns: 25
  persist_state: true
  auto_continue: true
  strict_judge: true

# 独立裁判模型配置
auxiliary:
  goal_judge:
    provider: openrouter
    model: google/gemini-3-flash-preview
    temperature: 0.1
    max_tokens: 200

# 路由联动配置
model_routing:
  enable: true
  rules:
    - trigger: ["/goal","持久目标","自动执行"]
      target_model: moa:general-moa
    - trigger: ["代码重构","修复bug","单元测试"]
      target_model: moa:code-moa

4.3 会话内指令操作

在日常使用中，主要通过会话内指令控制Goal任务：

# 创建持久目标（核心指令）
/goal 完整描述任务内容和完工标准

# 查看当前目标状态
/goal status

# 暂停目标执行
/goal pause

# 恢复目标执行
/goal resume

# 清空当前目标
/goal clear

# 追加子目标约束
/subgoal 新增的任务约束条件

5. 多场景配置实战

5.1 代码开发场景配置

对于代码重构、bug修复等需要高精度的场景，推荐以下配置：

goals:
  max_turns: 30
  strict_judge: true

auxiliary:
  goal_judge:
    provider: openrouter
    model: google/gemini-3-flash-preview
    temperature: 0.1

model_routing:
  rules:
    - trigger: "^/goal.*(代码|重构|bug|测试)"
      target_model: moa:code-moa

典型使用指令：

/goal 重构src目录下所有Python文件，修复全部ruff报错，执行pytest全部通过且退出码为0才算完成
/subgoal 保持原有函数接口兼容性，不修改入参格式

5.2 内容创作场景配置

对于文案撰写、内容创作等需要创意的场景：

goals:
  max_turns: 15
  strict_judge: false

model_routing:
  rules:
    - trigger: "^/goal.*(文案|推文|方案|润色)"
      target_model: moa:write-moa

典型使用指令：

/goal 撰写3篇产品推广短文，每篇300字以内，风格活泼幽默，全部完成润色后结束

5.3 运维自动化场景配置

对于服务器部署、配置管理等运维任务：

goals:
  max_turns: 20
  persist_state: true

fallback_chain:
  - moa:general-moa
  - ollama:hermes3:70b

6. 高阶性能优化技巧

6.1 成本优化策略

Goal每轮循环都会调用裁判模型，高频次调用可能产生可观成本。优化方案：

• 裁判模型选型 ：选择Gemini Flash、Qwen-7B、GPT-4o-mini等低成本模型
• Token限制 ：设置max_tokens=200，裁判仅需简短判断
• 温度设置 ：temperature=0.1，确保判断客观性

6.2 执行效率优化

# 开启并行推理加速
moa:
  presets:
    general-moa:
      parallel_refs: true
      failover: true

并行推理可以将每轮执行耗时缩短40%-50%，对于长迭代任务效果显著。

6.3 精度优化方案

避免Goal提前判定完工的技巧：

• 开启strict_judge: true严格校验模式
• 目标描述必须明确完工标准（如"所有测试通过"、"无报错"）
• 避免模糊描述（如"优化代码"应改为"修复5个已知bug"）

7. 生产环境部署规范

7.1 标准化配置模板

# 生产级Goal配置
goals:
  enabled: true
  max_turns: 30
  persist_state: true
  auto_continue: true
  strict_judge: true

auxiliary:
  goal_judge:
    provider: openrouter
    model: google/gemini-3-flash-preview
    temperature: 0.1
    max_tokens: 200

# 多层故障降级
fallback_chain:
  - moa:general-moa
  - openrouter:deepseek/deepseek-v4-pro
  - ollama:hermes3:70b

7.2 安全禁忌规范

• 禁止为裁判模型开启工具权限 ：goal_judge仅用于文本判断
• 最大循环轮次限制 ：max_turns不超过50，防止无限循环
• 会话目标互斥 ：同一会话仅支持一个活跃目标
• 路由规则优先级 ：Goal相关规则应置于通用规则上方

8. 故障排查与监控

8.1 基础排查命令

# 配置语法校验
hermes config validate

# 查看当前Goal配置
hermes goal config show

# 监控Goal执行日志
tail -f ~/.hermes/logs/goal.log

# 查看路由匹配情况
hermes model-routing show

8.2 常见问题解决方案

问题1：/goal指令无响应

• 检查Hermes版本是否≥0.18
• 确认config.yaml中goals.enabled: true
• 执行hermes config reload重载配置

问题2：裁判模型调用失败

• 检查goal_judge配置的provider和model是否可用
• 查看网络连接和API密钥有效性
• 验证模型服务商额度是否充足

问题3：持久化存储失效

• 检查.hermes目录读写权限
• 确认persist_state: true已开启
• 查看磁盘空间是否充足

问题4：循环提前终止

• 开启strict_judge: true严格模式
• 检查目标描述是否明确完工标准
• 调整裁判模型为判定更准确的模型

9. 实际应用案例演示

9.1 代码重构完整流程

假设需要重构一个Python项目，可以这样使用Goal：

/goal 重构project/src目录下所有Python文件，符合PEP8规范，修复所有flake8报错，运行pytest测试套件通过率100%，生成重构报告文档

# 执行过程中发现需要保持API兼容性
/subgoal 确保所有修改不影响现有API接口调用

系统会自动拆解任务：先静态检查、再修复代码、然后运行测试、最后生成文档。每完成一步都会调用裁判模型判断是否达到子目标标准。

9.2 文档批量创作案例

/goal 创作5篇技术博客，每篇800-1000字，涵盖AI、编程、运维三个主题，每篇包含代码示例和实践建议，全部完成后进行语法检查

Goal会自动规划内容结构，分篇撰写，最后统一进行质量检查，全程无需人工干预。

10. 最佳实践总结

Goal持久目标技能是Hermes Agent v0.18的核心升级，正确使用可以大幅提升自动化任务的效率。关键实践要点包括：

配置层面 ：根据任务类型选择合适的max_turns值，代码任务30轮，文案任务15轮，通用任务25轮。裁判模型务必选择低成本选项，严格控制Token消耗。

使用层面 ：目标描述必须具体明确，包含可量化的完工标准。善用/subgoal指令在运行中追加约束，避免任务中断。重要任务务必开启持久化存储。

监控层面 ：建立完整的日志监控体系，定期检查Goal执行状态。生产环境要配置多级故障降级，确保任务连续性。

安全层面 ：严格遵守使用禁忌，特别是裁判模型不能赋予工具权限，防止判定逻辑混乱。循环轮次设置要合理，避免无限循环消耗资源。

通过合理配置和使用，Goal功能能够将复杂多步骤任务的执行效率提升数倍，真正实现设定目标后的一键自动化执行。对于经常处理代码重构、文档批量创作、运维自动化等场景的用户来说，这是不可或缺的生产力工具。