Hermes Agent 进化史与万字部署实战：从自主智能体框架到自进化 AI 生态

引言：AI 智能体进化的新范式

在人工智能发展的宏大叙事中，我们正经历从“被动问答”向“主动执行”的范式转移。早期的 AI 模型局限于静态的知识库检索与文本生成，而新一代的 AI 智能体（AI Agent）则被赋予了感知、规划、记忆与进化的能力。在这一变革浪潮中，Hermes Agent 作为一个开源的、具备自我进化能力的智能体框架，成为了连接大语言模型（LLM）与现实世界任务执行的关键桥梁 。

Hermes 不仅仅是一个简单的聊天机器人接口，它是一个完整的生态系统，旨在解决传统 AI 应用中的核心痛点：缺乏长期记忆、无法自主调用工具、难以在复杂环境中持续学习以及隐私安全问题 。通过引入分层记忆架构、技能自动演化机制以及安全的工具沙箱，Hermes 重新定义了本地化 AI 智能体的可能性 。这种架构设计与 OpenAI 推出的联网版 ChatGPT及插件功能有着异曲同工之妙，后者通过允许 AI 与其他应用联通，创建了由人工智能驱动的新互联网交互模式，而 Hermes 则将这种能力完全开放并本地化 。

本文将深入剖析 Hermes Agent 的进化历程，解构其核心技术架构，并提供一份详尽的、覆盖 Windows、macOS、Linux 及云端环境的万字级安装部署指南。无论你是希望构建个人自动化工作流的开发者，还是致力于研究自进化 AI 系统的科研人员，本文都将为你提供从理论到实践的全方位指引。

第一章 Hermes Agent 的进化图谱：从概念到自进化实体

要理解 Hermes的强大之处，必须将其置于 AI 智能体技术演进的宏观背景中进行考察。Hermes 的诞生并非孤立事件，而是对现有 Agent 框架局限性的一次系统性回应，其进化路径清晰地映射了 AI 从“工具”向“伙伴”的转变。

1.1 第一代智能体：基于提示词的临时交互

在 AI 智能体发展的初期（约 2022-2023 年），大多数“智能体”仅仅是精心设计的 Prompt（提示词）工程产物。这些系统依赖于用户在每次对话中重复提供上下文，缺乏状态保持能力。

• 特征：无状态（Stateless）、单次任务执行、依赖人工干预。
• 局限：无法处理多步骤复杂任务，一旦对话中断，之前的“学习”即刻丢失。此时的 AI 更像是一个高级的搜索引擎前端，虽然能获取信息，但无法形成持久的认知积累 。

1.2 第二代智能体：工具调用与初步记忆

随着 Function Calling（函数调用）技术的成熟，第二代智能体开始具备调用外部 API 的能力，如搜索网络、执行代码或查询数据库。同时，简单的向量数据库被引入以提供短期记忆。

• 特征：具备工具调用能力、引入向量检索增强生成（RAG）、支持多轮对话。
• 局限：记忆系统往往是扁平的，缺乏结构化；工具调用需要硬编码或复杂的配置；缺乏自我优化机制，错误会重复发生。这一阶段的代表是 OpenAI 推出的插件功能，允许 ChatGPT 与 Expedia、Instacart 等应用联通，但其核心逻辑仍主要依赖云端，用户数据隐私难以完全保障 。

1.3 第三代智能体：Hermes 与自进化架构

Hermes Agent 代表了第三代智能体的前沿水平，其核心突破在于**“自进化”与“分层记忆”** 。它不再仅仅是一个执行指令的脚本，而是一个能够通过与环境交互不断修正自身行为、积累领域知识并扩展技能边界的智能实体。

1.3.1 核心进化维度对比

1.4 Hermes 的技术基因：Nous Research 的开源愿景

Hermes Agent 由 Nous Research 团队主导开发，该团队以开源高质量的大语言模型（如 Nous-Hermes 系列模型）而闻名 。Hermes Agent 项目延续了其开源精神，旨在构建一个透明、可审计且社区驱动的 AI 智能体平台。

其设计理念深受“具身智能”（Embodied AI）思想的影响，认为智能体必须能够在具体的数字环境中“行动”才能产生真正的智能。因此，Hermes 特别强调了工具执行层与核心代理层的解耦，使得它可以灵活地接入各种后端模型（如 Llama 3, Qwen, GPT-4 等）和各种前端交互界面（如 Web UI, Telegram, Slack 等）。

在 2026 年的最新演进中，Hermes 进一步强化了闭环学习能力。当 Agent 在执行任务失败时，它不仅能记录错误，还能分析失败原因，调整策略，并在未来的类似场景中避免同样的错误，这种“试错 - 反思 - 优化”的循环是其被称为“自进化”的关键 。这与工具调用 Agent 的基础原理高度契合，即通过意图识别、工具选择与参数生成、执行整合的三步工作流，结合规划反思机制，实现能力的持续提升 。

第二章 深度解构：Hermes Agent 的四层架构与技术内核

Hermes Agent 之所以能实现上述进化，归功于其严谨的软件架构设计。理解这一架构是成功部署和二次开发的前提。其架构设计充分吸收了现代搜索引擎的工作原理，将网络爬虫、索引建立与全文检索等技术融入到了智能体的记忆与检索系统中 。

2.1 总体架构图解

Hermes 采用经典的四层架构设计，各层之间通过标准化的接口进行通信，确保了系统的模块化与可扩展性 。

2.2 各层级功能详解

2.2.1 用户界面层 (User Interface Layer)

这是用户与 Hermes 交互的入口。Hermes 提供了多种界面形式以适应不同场景，强调用户体验（UX）的重要性，体现了互联网设计不仅是技术问题，更是跨学科技艺结合体的理念 。

• Web UI：基于 React/Vue 构建的现代化图形界面，支持聊天、任务看板、记忆可视化等功能 。
• CLI (Command Line Interface)：面向开发者和运维人员的命令行工具，适合自动化脚本集成 。
• 即时通讯集成：原生支持 Telegram、Slack、Discord 等平台的 Bot 接入，实现移动端随时交互 。
• 桌面客户端：针对 Windows、macOS 和 Linux 优化的原生应用，集成了 WebView2 等技术，提供无缝的桌面体验 。

2.2.2 网关层 (Gateway Layer)

网关层是 Hermes 的“交通枢纽”，负责路由请求、认证鉴权以及协议转换。

• API 网关：统一处理来自不同 UI 端的请求，将其转换为内部标准格式。
• 模型路由：支持配置多个大模型后端（OpenAI, Ollama, vLLM 等），并根据任务复杂度动态选择模型，平衡成本与性能 。
• 安全认证：实施严格的 API Key 管理和访问控制列表（ACL），防止未授权访问 。
• 协议适配：全面支持 MCP (Model Context Protocol)，使得 Hermes 可以无缝调用符合该标准的第三方工具和服务 。

2.2.3 核心代理层 (Core Agent Layer)

这是 Hermes 的“大脑”，包含了所有的智能决策逻辑。

• 规划引擎：将用户的复杂目标拆解为可执行的子任务序列（Chain of Thought / Tree of Thoughts）。
• 记忆管理器：
  • 短期记忆：维护当前对话的上下文窗口。
  • 长期记忆：基于向量数据库（如 Chroma, Milvus）存储历史知识和用户偏好，其底层索引机制借鉴了 Lucene/ElasticSearch 等全文检索引擎的技术 。
  • 程序性记忆：存储成功的任务执行流程和技能模板。
  • 情景记忆：记录特定时间、地点的事件细节 。
• 反思模块：在任务执行结束后，评估结果质量，生成反思日志并更新记忆系统，实现自我进化 。
• 技能注册表：动态管理已加载的技能插件，支持热插拔。

2.2.4 工具执行层 (Tool Execution Layer)

这是 Hermes 的“双手”，负责具体任务的落地。

• 沙箱环境：所有代码执行和文件操作均在隔离的沙箱中进行，限制网络访问和文件系统权限，确保宿主机安全 。
• 内置工具集：预置了文件读写、网页浏览、代码执行、图像生成等常用工具 。
• 外部工具集成：通过 MCP 协议或自定义适配器，轻松集成 Google Search、Notion、GitHub 等第三方服务 。
• 多模态处理：支持图像、音频、视频等多模态数据的输入与输出处理 。

2.3 关键技术特性深度解析

2.3.1 四级记忆架构：模拟人类认知

Hermes 的记忆系统是其最核心的创新之一。传统的 RAG 系统往往只关注“检索”，而忽略了记忆的结构性。Hermes 将记忆分为四个层次，其检索效率的提升得益于类似搜索引擎中逆向索引和实时搜索技术的应用 。

1. Working Memory (工作记忆)：类似于人类的短时记忆，保存当前对话的几轮交互，用于即时推理。
2. Episodic Memory (情景记忆)：记录具体的事件片段（时间、地点、人物、动作），支持基于时间的回溯查询。
3. Semantic Memory (语义记忆)：存储事实性知识和概念关系，形成知识图谱，支持逻辑推理。
4. Procedural Memory (程序性记忆)：存储“如何做某事”的技能流程，例如“如何部署 Docker 容器”，这使得 Agent 在遇到类似任务时可以直接调用已有经验，无需重新规划 。

这种分层设计不仅提高了检索效率，还使得 Agent 能够像人类一样进行联想学习和经验迁移。

2.3.2 技能引擎与自进化机制

Hermes 的技能引擎允许 Agent 在运行时动态发现和加载新技能。当面对一个未知任务时，Agent 会尝试组合已有的基础技能。如果成功，它会将这个新的组合固化为一个“复合技能”存入程序性记忆；如果失败，它会记录错误原因并调整策略。

• 自动代码生成：对于需要编程解决的任务，Hermes 可以自动生成 Python 代码，在沙箱中测试运行，若报错则自动修复代码直至成功，最后将验证通过的代码保存为新技能 。
• 反馈循环：用户的显式反馈（点赞/点踩）和隐式反馈（任务是否完成）都会被纳入强化学习的奖励信号，不断优化模型的决策策略 。这一机制与工具调用 Agent 中的规划反思机制一脉相承，通过不断的试错与修正，实现智能体的自我完善 。

2.3.3 安全沙箱与隐私保护

鉴于 AI Agent 拥有执行代码和访问文件的权限，安全性至关重要。Hermes 采用了多重防御机制：

• 容器化隔离：在可能的情况下，利用 Docker 或 gVisor 技术将工具执行环境与主机完全隔离。
• 权限最小化：默认情况下，Agent 只能访问特定的工作目录，无法读取系统敏感文件或发起任意网络请求。
• 本地化部署：鼓励用户在本地运行 Hermes，所有数据和记忆均存储在用户控制的设备上，避免数据上传至云端带来的隐私泄露风险 。

第三章 全方位部署指南：Windows/macOS/Linux 桌面版安装

本章将提供 Hermes Agent 桌面版的详细安装教程。桌面版是大多数个人用户的首选，因为它集成了 GUI、后端服务和依赖管理，提供了“开箱即用”的体验。

3.1 前置条件检查

在开始安装之前，请确保您的系统满足以下基本要求：

• 操作系统：Windows 10/11 (64-bit), macOS 12+, 或主流 Linux 发行版 (Ubuntu 20.04+, Debian 11+) 。
• 硬件配置：
  • CPU：4 核及以上（推荐 8 核）。
  • 内存：8GB 及以上（推荐 16GB，若运行本地大模型则需 32GB+）。
  • 磁盘：至少 20GB 可用空间（用于安装程序、依赖及存储记忆数据）。
• 网络环境：稳定的互联网连接，用于下载安装包及后续连接大模型 API。
• 可选依赖：
  • Python 3.11：虽然安装包通常自带，但预先安装有助于调试 。
  • Node.js v22：用于构建和运行 Web UI 组件 。
  • WebView2 (Windows)：用于渲染桌面应用的界面，Windows 10/11 通常预装，若无需手动安装 。

3.2 Windows 系统安装流程

3.2.1 下载安装包

访问 Hermes Agent 的官方发布页面或 GitHub Releases 页面，下载最新版本的 Windows 安装程序（通常为 .exe 或 .msi 格式）。

• 注意：请务必从官方渠道下载，以避免恶意软件篡改。

3.2.2 图形化安装步骤

1. 运行安装向导：双击下载的安装文件，启动安装向导。
2. 许可协议：阅读并接受开源许可协议。
3. 选择安装路径：默认路径通常为 C:\Program Files\Hermes Agent，建议保持默认或更改至非系统盘以提升性能。
4. 组件选择：
   • Core Engine：必选，核心代理服务。
   • Web UI：必选，图形化界面。
   • CLI Tools：可选，若需命令行操作则勾选。
   • Python Environment：推荐勾选，自动安装隔离的 Python 环境，避免与系统 Python 冲突 。
5. 快捷方式：选择是否创建桌面快捷方式和开始菜单项。
6. 开始安装：点击"Install"按钮，等待进度条完成。安装过程中会自动检测并安装缺失的系统依赖（如 VC++ Redistributable, WebView2 等）。
7. 完成安装：安装结束后，勾选"Launch Hermes Agent"，点击"Finish"。

3.2.3 首次启动与配置

1. 启动应用：首次启动时，Hermes 会初始化本地数据库和配置文件。
2. 模型配置：
   • 进入设置页面（Settings -> Models）。
   • 添加大模型提供商（如 OpenAI, Azure, Ollama, SiliconFlow 等）。
   • 输入 API Key 和 Endpoint URL。若使用本地 Ollama，通常默认为 http://localhost:11434 。
3. 连接测试：点击"Test Connection"按钮，确保 Hermes 能成功连接到模型服务。
4. 创建第一个 Agent：
   • 导航至"Agents"页面，点击"New Agent"。
   • 输入名称（如"MyAssistant"），选择刚才配置的模型。
   • 启用记忆功能和工具调用权限。
5. 开始对话：进入聊天界面，尝试发送指令，如“帮我写一个 Python 脚本计算斐波那契数列”，观察 Agent 的执行过程。

3.2.4 常见问题排查 (Windows)

• 问题：启动时报错"Missing WebView2"。
  • 解决：手动下载并安装 Microsoft Edge WebView2 Runtime 。
• 问题：无法连接本地 Ollama。
  • 解决：检查 Ollama 服务是否运行 (ollama serve)，并在防火墙中允许 Ollama 和 Hermes 的通信 。
• 问题：安装过程中卡死。
  • 解决：以管理员身份重新运行安装程序，或暂时关闭杀毒软件 。

3.3 macOS 系统安装流程

3.3.1 下载安装包

在 macOS 上，Hermes 通常提供 .dmg 磁盘映像文件或通过 Homebrew 安装。

• 方式一（推荐）：下载 .dmg 文件。
• 方式二（极客）：使用 Homebrew Cask（若已收录）。

3.3.2 图形化安装 (.dmg)

1. 挂载镜像：双击下载的 .dmg 文件。
2. 拖拽安装：将 Hermes Agent 图标拖拽至"Applications"文件夹。
3. 首次运行权限：
   • 由于 Hermes 涉及系统自动化和文件访问，首次运行时 macOS 可能会拦截。
   • 前往 系统设置 -> 隐私与安全性，找到 Hermes Agent，授予“文件和文件夹”、“自动化”等相关权限 。
   • 若提示“无法打开，因为来自 unidentified developer"，需在“隐私与安全性”中点击“仍要打开”。

3.3.3 命令行安装 (Homebrew)

对于熟悉终端的用户，可以使用 Homebrew 快速安装：

# 更新 Homebrew
brew update

# 安装 Hermes Agent (假设 tap 已存在)
brew install --cask hermes-agent

# 启动应用
open -a "Hermes Agent"

注：具体 brew command 需参考官方文档，此处为通用示例。

3.3.4 配置与验证

macOS 版的配置逻辑与 Windows 类似，但在文件路径上有所不同：

• 配置目录：~/Library/Application Support/Hermes Agent
• 日志文件：~/Library/Logs/Hermes Agent
• 模型配置：同样在 GUI 设置中完成，支持调用本地安装的 Ollama 或 LM Studio 。

3.4 Linux 系统安装流程

Linux 用户通常更倾向于使用 CLI 或 Docker 进行部署，但桌面版也提供了 AppImage 或 Deb/Rpm 包。

3.4.1 Debian/Ubuntu 系安装 (.deb)

1. 下载安装包：

   wget https://github.com/Hermes-AI/Hermes/releases/download/vX.X.X/hermes-agent_X.X.X_amd64.deb
   

2. 安装依赖：

   sudo apt-get update
   sudo apt-get install -y libnss3 libatk-bridge2.0-0 libdrm2 libxkbcommon0 libgbm1
   

3. 安装软件包：

   sudo dpkg -i hermes-agent_X.X.X_amd64.deb
   # 若有依赖缺失，执行以下命令修复
   sudo apt-get install -f
   

4. 启动：
   在应用菜单中寻找 Hermes Agent，或在终端输入 hermes-agent 启动 。

3.4.2 AppImage 通用安装

AppImage 格式无需安装，直接运行：

# 下载 AppImage
wget https://github.com/Hermes-AI/Hermes/releases/download/vX.X.X/Hermes-Agent-X.X.X-x86_64.AppImage

# 赋予执行权限
chmod +x Hermes-Agent-X.X.X-x86_64.AppImage

# 运行
./Hermes-Agent-X.X.X-x86_64.AppImage

注意：若遇到 FUSE 相关错误，需安装 libfuse2 。

3.4.3 环境变量配置 (Linux)

为了确保 Hermes 能正确找到 Python 和 Node 环境，建议在 ~/.bashrc 或 ~/.zshrc 中添加：

export HERMES_HOME=$HOME/.hermes
export PATH=$HERMES_HOME/bin:$PATH

然后执行 source ~/.bashrc 生效 。

第四章 进阶部署：CLI 命令行与云端服务器方案

对于开发者、运维人员或需要长期稳定运行的场景，CLI 模式和云端部署是更佳选择。

4.1 CLI 命令行安装与配置

CLI 模式去除了图形界面的开销，更适合集成到 CI/CD 流水线或作为后台服务运行。

4.1.1 环境准备

确保系统已安装：

• Python 3.11+
• pip (Python 包管理器)
• Git

4.1.2 源码安装步骤

# 1. 克隆仓库
git clone https://github.com/Hermes-AI/Hermes.git
cd Hermes

# 2. 创建虚拟环境 (推荐)
python -m venv venv
source venv/bin/activate  # Linux/macOS
# venv\Scripts\activate   # Windows

# 3. 安装核心依赖
pip install -r requirements.txt

# 4. 安装 CLI 工具
pip install -e .[cli]

# 5. 验证安装
hermes --version

4.1.3 配置文件管理

CLI 模式下，配置主要通过 YAML 文件管理。在主目录下创建 config.yaml：

# config.yaml 示例
llm:
  provider: openai
  api_key: "sk-..."
  model: "gpt-4o"
  base_url: "https://api.openai.com/v1"

memory:
  type: chroma
  path: "./data/memory"

tools:
  sandbox_enabled: true
  allowed_dirs:
    - "./workspace"

4.1.4 启动服务

# 启动核心代理服务
hermes serve --config config.yaml

# 启动 Web UI (独立进程)
hermes ui --port 8648

4.2 云端部署方案 (阿里云/腾讯云/AWS)

在云端部署 Hermes 可以实现 24 小时在线，并通过公网访问。以下是基于阿里云的三种主流方案 。

4.2.1 方案一：轻量应用服务器 (Simple Application Server)

适合个人用户，成本低，操作简单。

1. 购买实例：选择 Ubuntu 22.04，2 核 4G 以上配置。
2. 安全组配置：开放端口 8648 (Web UI) 和 22 (SSH)。
3. 一键部署脚本：

   # 登录服务器后执行
   curl -fsSL https://raw.githubusercontent.com/Hermes-AI/Hermes/main/scripts/install_cloud.sh | bash
   

4. 配置域名与 HTTPS：建议使用 Nginx 反向代理并配置 SSL 证书，保障通信安全 。

4.2.2 方案二：计算巢 (Compute Nest)

适合企业级用户，提供弹性伸缩和高可用性。

1. 服务发现：在阿里云计算巢控制台搜索"Hermes Agent"。
2. 参数配置：设置 VPC、交换机、存储类型及自动伸缩策略。
3. 一键交付：系统自动完成资源编排、软件安装和网络配置。
4. 优势：支持高并发访问，内置监控告警，适合团队协作场景 。

4.2.3 方案三：无影云电脑 (Cloud Desktop)

适合需要图形化界面且对数据安全要求极高的场景。

1. 开通云电脑：选择高性能型云电脑，预装 Windows 或 Linux。
2. 内部安装：在云电脑内按照“桌面版安装流程”安装 Hermes。
3. 访问方式：通过无影客户端远程连接云电脑进行操作。
4. 优势：数据完全不落地，所有计算和存储均在云端受控环境，完美契合合规要求 。

4.3 Docker 容器化部署 (通用云端方案)

Docker 是最灵活的部署方式，适用于任何支持容器的云平台。

4.3.1 编写 Dockerfile

FROM python:3.11-slim

WORKDIR /app

# 安装系统依赖
RUN apt-get update && apt-get install -y git curl nodejs npm

# 复制源码
COPY . .

# 安装 Python 依赖
RUN pip install --no-cache-dir -r requirements.txt

# 暴露端口
EXPOSE 8080 8648

# 启动命令
CMD ["hermes", "serve", "--host", "0.0.0.0"]

4.3.2 构建与运行

# 构建镜像
docker build -t hermes-agent:latest .

# 运行容器
docker run -d \
  --name hermes \
  -p 8648:8648 \
  -v hermes_data:/app/data \
  -e OPENAI_API_KEY=sk-... \
  hermes-agent:latest

说明：使用 -v 挂载数据卷以持久化记忆数据，防止容器重启后数据丢失 。

4.3.3 Docker Compose 编排

对于包含数据库（如 Chroma, Redis）的复杂部署，推荐使用 Docker Compose：

version: '3.8'
services:
  hermes-core:
    image: hermes-agent:latest
    ports:
      - "8648:8648"
    environment:
      - DB_HOST=chroma-db
      OPENAI_API_KEY=${OPENAI_API_KEY}
    volumes:
      - ./config:/app/config
      - ./data:/app/data
    depends_on:
      - chroma-db

  chroma-db:
    image: chromadb/chroma:latest
    volumes:
      - chroma_data:/chroma/chroma

volumes:
  chroma_data:

第五章 核心配置与功能实战：打造你的专属智能体

安装完成后，如何配置 Hermes 以发挥其最大效能？本节将通过具体案例展示 Hermes 的强大功能。

5.1 模型接入与优化

Hermes 支持多种模型后端，合理选择模型是提升体验的关键。

5.1.1 接入本地模型 (Ollama)

对于注重隐私的用户，本地模型是首选。

1. 安装 Ollama：curl -fsSL https://ollama.com/install.sh | sh
2. 拉取模型：ollama pull llama3 或 ollama pull qwen2.5
3. Hermes 配置：
   • Provider: Ollama
   • Base URL: http://localhost:11434
   • Model Name: llama3
   • Context Window: 根据显存大小调整（如 4096, 8192）。

5.1.2 接入云端 API (OpenAI/Anthropic/国产模型)

• OpenAI：稳定性高，逻辑强，适合复杂任务规划。
• Claude 3.5：长上下文表现优异，适合文档分析和代码生成。
• Qwen/GLM (阿里/智谱)：中文理解能力强，性价比高，适合国内用户 。
• 配置技巧：在 Hermes 中设置"fallback"机制，当主模型超时或报错时，自动切换到备用模型，提高系统鲁棒性。

5.2 记忆系统调优

记忆是 Hermes 的灵魂。通过调整记忆参数，可以改变 Agent 的“性格”和“智商”。

5.2.1 记忆阈值设置

• Recall Threshold (召回阈值)：控制记忆检索的相关性。设置过高会导致遗漏相关信息，过低则引入噪声。建议初始值设为 0.7，根据实际效果微调 。
• Max Context Items (最大上下文条目)：限制每次对话注入的历史记忆数量，防止超出模型上下文窗口。

5.2.2 长期记忆清理策略

随着使用时间增长，记忆库会膨胀。Hermes 提供了自动清理机制：

• 时间衰减：久未访问的记忆权重逐渐降低。
• 摘要压缩：将详细的对话记录压缩为简短的摘要存储，节省空间并保留核心信息 。

5.3 技能扩展实战：让 Hermes 学会新本领

Hermes 的强大在于其可扩展性。我们可以通过编写简单的 Python 脚本或配置 MCP 服务器来扩展其能力。

5.3.1 案例：添加天气查询技能

假设我们要让 Hermes 能够查询实时天气。

步骤 1：定义工具函数
在 skills/weather.py 中创建文件：

import requests
from hermes.tools import register_tool

@register_tool(name="get_weather", description="获取指定城市的实时天气")
def get_weather(city: str):
    """
    调用天气 API 获取数据
    :param city: 城市名称
    :return: 天气信息字符串
    """
    api_key = "YOUR_WEATHER_API_KEY"
    url = f"http://api.weatherapi.com/v1/current.json?key={api_key}&q={city}"
    try:
        response = requests.get(url)
        data = response.json()
        return f"{city} 当前天气：{data['current']['condition']['text']}, 温度：{data['current']['temp_c']}°C"
    except Exception as e:
        return f"查询失败：{str(e)}"

步骤 2：注册技能
在 Hermes 的配置文件中启用该技能，或通过 UI 界面上传该 Python 文件。Hermes 会自动解析 @register_tool 装饰器并将其加入可用工具列表。

步骤 3：测试技能
在对话框中输入：“北京今天天气怎么样？”

• Agent 思考过程：识别意图 -> 检索工具 -> 发现 get_weather -> 提取参数 city=北京 -> 执行代码 -> 返回结果。
• 结果：Hermes 将输出实时的天气信息，并将此次成功的执行流程存入程序性记忆 。

5.3.2 案例：集成 Notion 进行知识管理

利用 MCP 协议，可以轻松连接 Notion。

1. 安装 MCP Server：npm install -g @modelcontextprotocol/server-notion
2. 配置 Hermes：在 config.yaml 中添加 MCP 服务器配置，传入 Notion Integration Token。
3. 效果：Hermes 可以直接读取你的 Notion 页面内容，或将会议纪要自动写入 Notion 数据库，实现个人知识库的自动化更新 。

5.4 自动化工作流构建

Hermes 不仅仅是问答机器人，更是自动化工作流的引擎。

5.4.1 场景：每日新闻简报

需求：每天早上 8 点，自动抓取科技新闻，总结摘要，并发送到 Telegram 群组。

实现步骤：

1. 创建定时任务：在 Hermes 中配置 Cron 表达式 0 8 * * *。
2. 定义工作流：
   • Step 1 (Search)：调用搜索工具，查询"latest tech news"。
   • Step 2 (Read)：访问前 5 个链接，提取正文内容。
   • Step 3 (Summarize)：调用 LLM 对内容进行摘要，要求风格简洁、重点突出。
   • Step 4 (Send)：调用 Telegram Bot API 发送消息。
3. 异常处理：若某一步失败（如网站无法访问），重试 3 次或跳过该源，确保任务不中断 。

通过这种可视化或代码定义的工作流，Hermes 可以将繁琐的日常任务完全自动化。

参考来源

• 联网之后的ChatGPT，已经远不止“iPhone时刻”那么简单
• 后端技术杂谈2：搜索引擎工作原理
• android路由器，面试题解析已整理成文档，成功入职腾讯_android wlan面试题
• 设计网事读书笔记
• 工具调用 Agent 基础：让 AI 会用搜索引擎、代码解释器