Hermes Agent 深度解析：具有闭合学习循环的自主 AI Agent

作者：工程视角调研
日期：2026-06-09
系列：AI 知识库系统调研（01/09）
定位：工程师实践指南，含完整代码示例
项目地址：https://github.com/NousResearch/hermes-agent
Skills Hub：https://agentskills.io
Obsidian 集成：https://github.com/Burgunthy/hermes-second-brain

1. Hermes 是什么

1.1 Nous Research 与 Hermes 的背景

Nous Research 是一家专注于前沿 LLM 研究和开源模型开发的公司，以其 Hermes 系列微调模型（Hermes-3-Llama-3.1 等）闻名于开源社区。这些模型在指令跟随、工具调用和 Agent 能力方面经过专项优化，是开源 Agent 工程的重要底座。

Hermes Agent 框架是 Nous Research 在模型层之上的工程延伸：如果说 Hermes 模型解决了”LLM 能做什么”的问题，那么 Hermes Agent 解决的是”LLM 怎么持续学习和进化”的问题。其设计动机来自于对现有 Agent 框架的一个核心批判：

大多数 Agent 框架是无状态的。每次对话结束，Agent 就”忘”了所有东西。

这在单次任务场景下尚可接受，但对于需要长期工作的知识工作者（写作、研究、软件工程）而言，这是根本性的缺陷。人类专家之所以越来越强，是因为每次工作都会让他们在脑中积累经验和模式。Hermes Agent 的目标就是让 AI Agent 拥有同等能力。

1.2 核心定位：具有闭合学习循环的自主 Agent

Hermes Agent 的官方定位是：“A self-improving AI agent with a closed learning loop”（具有闭合学习循环的自主 AI Agent）。

这里的”闭合学习循环”（Closed Learning Loop）是理解 Hermes 的核心概念。所谓”开放循环”的 Agent，每次执行任务后不留任何痕迹，下次面对同类任务时从零开始。“闭合循环”的 Agent 则在完成任务后：

更新记忆文件，记录本次工作的上下文和结论
如果完成了复杂任务，自动生成可复用的 Skill 文件
分析用户行为，更新用户画像模型
将本次对话摘要索引进全文搜索库

这四个动作形成了一个闭环：每次工作都让 Agent 变得更懂你、更擅长你需要的任务。

1.3 与 Claude Code / AutoGPT / LangChain Agent 的本质区别

这是选型时最常见的困惑，下表从本质维度进行对比：

维度	Claude Code	AutoGPT	LangChain Agent	Hermes Agent
主要场景	代码开发	通用任务执行	通用 Agent 框架	知识管理 + 持续学习
跨 Session 记忆	MEMORY.md（手动维护）	无	需自行接入向量库	自动三层记忆系统
技能系统	Skills（.md 格式）	插件体系	Tool/Chain	自动生成 + 自我改进
用户建模	无	无	无	Honcho 辩证推断
定时任务	无	无	需外部 Cron	内置调度器
LLM 支持	仅 Claude	GPT-4 系	多提供商	300+ 模型
部署方式	命令行工具	自托管	库/框架	命令行 + 后台服务
学习能力	依赖用户维护	无	无	主动积累，自动进化

关键差异在于主动性和持续性：

Claude Code 是优秀的代码助手，需要用户主动维护 MEMORY.md
AutoGPT 是任务执行引擎，没有跨 Session 积累机制
LangChain 是框架，知识持久化需要开发者自己实现
Hermes Agent 是知识工作伴侣，主动维护记忆、自动生成技能、持续建模用户

1.4 名称来源与设计哲学

“Hermes”（赫尔墨斯）是希腊神话中的信使神，负责传递知识、连接不同领域。这个命名暗示了设计哲学的两个层面：

连接性：连接不同的知识源（笔记、网络、代码库、历史对话），而不是孤立地处理单次请求
传递性：知识在时间轴上传递——过去的工作成果能有效传递给未来的自己（和 Agent）

设计哲学的核心可以用一句话概括：“AI Agent 应该像有经验的同事一样工作，而不是像每次都刚入职的实习生。“

2. 核心架构：闭合学习循环

2.1 完整流程图

┌─────────────────────────────────────────────────────────────────┐
│                     Hermes Agent 闭合学习循环                    │
└─────────────────────────────────────────────────────────────────┘

  用户输入/定时触发
        │
        ▼
┌───────────────┐     ┌──────────────────────────────────────────┐
│  感知层        │────▶│  输入源                                   │
│  Perception   │     │  ├── 用户消息（自然语言）                  │
└───────────────┘     │  ├── 文件监控（raw/inbox/ 新增文件）       │
                      │  ├── Cron 触发（定时任务）                 │
                      │  └── MCP 事件（外部工具回调）              │
                      └──────────────────────────────────────────┘
        │
        ▼
┌───────────────┐     ┌──────────────────────────────────────────┐
│  记忆层        │────▶│  三层记忆召回                             │
│  Memory       │     │  ├── MEMORY.md（项目/上下文持久记忆）      │
└───────────────┘     │  ├── USER.md（用户偏好画像）              │
                      │  ├── SOUL.md（Agent 行为原则）            │
                      │  └── FTS5 历史会话检索（SQLite）           │
                      └──────────────────────────────────────────┘
        │
        ▼
┌───────────────┐     ┌──────────────────────────────────────────┐
│  推理层        │────▶│  LLM 决策                                 │
│  Reasoning    │     │  ├── 理解意图                              │
└───────────────┘     │  ├── 分解子任务                           │
                      │  ├── 选择 Skills（Progressive Disclosure）│
                      │  └── 规划工具调用序列                      │
                      └──────────────────────────────────────────┘
        │
        ▼
┌───────────────┐     ┌──────────────────────────────────────────┐
│  行动层        │────▶│  工具执行                                 │
│  Action       │     │  ├── 文件操作（读/写/搜索）                │
└───────────────┘     │  ├── MCP Server 调用                      │
                      │  ├── Shell 命令执行                        │
                      │  ├── Skills 执行（调用 Skill 文件指令）    │
                      │  └── 并行子 Agent 协调                    │
                      └──────────────────────────────────────────┘
        │
        ▼
┌───────────────┐     ┌──────────────────────────────────────────┐
│  学习层        │────▶│  知识沉淀（任务完成后自动触发）             │
│  Learning     │     │  ├── 更新 MEMORY.md                       │
└───────────────┘     │  ├── 更新 USER.md（Honcho 推断）          │
                      │  ├── 自动生成 Skill 文件                   │
                      │  └── 写入 FTS5 会话摘要索引               │
                      └──────────────────────────────────────────┘
        │
        └────────────────────────▶ 下次任务（循环闭合）

2.2 感知层（Perception）：多源信息摄取

感知层负责将外部信号统一接入 Agent。Hermes 支持四类输入源：

直接交互：用户在终端输入自然语言指令。这是最基础的输入方式，类似于 Claude Code。

文件监控：通过 inotify（Linux）或 FSEvents（macOS）监控指定目录。当 raw/inbox/ 目录有新文件写入时，自动触发摄取流水线。这是 Hermes 与 Obsidian 集成的核心机制——用户在手机上用 Obsidian Mobile 新增笔记，Hermes 在桌面端自动处理。

Cron 触发：内置调度器，支持标准 cron 表达式。每天凌晨 4 点自动运行知识整理、每周自动更新知识图谱等。

MCP 事件：通过 Model Context Protocol，Hermes 可以接收来自外部工具（日历、邮件、代码库）的事件推送。

2.3 记忆层（Memory）：三层持久化记忆

这是 Hermes 最核心的差异化能力，详见第 3 节。

2.4 推理层（Reasoning）：LLM 决策

推理层的关键设计是渐进式技能加载（Progressive Disclosure）。Agent 启动时只加载所有 Skill 的 name 和 description（约 100 tokens/Skill），当任务匹配某个 Skill 时，才加载完整的 SKILL.md 内容。这让 Agent 可以维护数百个技能而不爆炸 context window。

2.5 行动层（Action）：工具执行

Hermes 内置了文件读写、Shell 执行、HTTP 请求等标准工具，并通过 MCP 协议支持任意扩展工具。并行子 Agent 能力允许将复杂任务拆分为多个独立子任务并发执行，然后聚合结果。

2.6 学习层（Learning）：技能自动生成

这是区分 Hermes 与”普通 Agent 框架”的关键层。学习层在任务完成后自动运行以下操作：

判断本次任务是否值得生成 Skill（通过 LLM 评估复杂度和复用价值）
如果值得，生成符合 agentskills.io 规范的 SKILL.md 文件
更新 MEMORY.md 中的相关章节
通过 Honcho 分析本次交互，更新 USER.md 用户画像
将本次对话摘要写入 FTS5 全文检索索引

3. 三层记忆系统详解

3.1 MEMORY.md：跨 Session 项目记忆

MEMORY.md 是 Hermes 与 Claude Code 最相似的机制，但实现方式有重要差异：

Claude Code 的 MEMORY.md：由用户手动维护，Agent 在每次 Session 开始时读取。没有自动更新机制。

Hermes 的 MEMORY.md：由 Agent 自动维护，每次 Session 结束时 Agent 主动判断是否需要更新。触发更新的条件包括：

用户明确要求记住某件事
Agent 发现了新的有用信息（API、文件结构、偏好等）
完成了复杂任务，有值得记录的结论

典型的 MEMORY.md 结构：

# Project Memory
 
## Context
- 项目名称：GeneralAndroid Performance Suite
- 主要技术栈：Python/PyQt6, ADB, Perfetto, Simpleperf
- 工作目录：/home/zbc/pangu/GeneralAndroid/
 
## Key Discoveries
### 2026-06-01: AtlasTextOp Cache Miss 根因
- Scale 动画导致 Strike Descriptor 的 scale factor 变化
- 这会使 LRU 字形缓存失效，触发重新光栅化
- 复现条件：TextView 在 ScaleX 动画过程中首次渲染新字符
 
### 2026-06-05: Simpleperf off-cpu 遗漏问题
- 进程有大量 JNI transition 时，需要加 `--trace-offcpu`
- 否则 off-cpu 时间统计会漏掉约 30-40% 的阻塞时间
 
## Environment Setup
- ADB 路径：/home/zbc/.local/bin/
- Perfetto 本地二进制：/home/zbc/.local/bin/trace_processor_shell
- 测试设备序列号：可通过 `adb devices` 查看
 
## Ongoing Tasks
- [ ] 调研 Hermes Agent 用于知识管理
- [x] 完成 AtlasTextOp 分析报告

MEMORY.md 的写入时机是由 LLM 决定的：Agent 在生成最终回答后，会额外运行一次”是否需要更新记忆”的推理步骤。如果判断需要，则调用文件写入工具更新 MEMORY.md 的对应章节。

3.2 USER.md：用户建模与个性化追踪

USER.md 是 Hermes 最独特的记忆层，基于 Honcho（Plastic Labs 开发的用户建模框架）实现。

Honcho 的核心思想是辩证式用户画像推断（Dialectical User Modeling）：Agent 不仅记录用户说了什么，还通过多轮对话逐步推断用户的工作风格、认知模型和隐性偏好。

# User Profile
 
## Communication Style
- 偏好：技术深度优先，不需要过多解释基础概念
- 示例：直接引用源码而非用"某个地方"描述
- 不喜欢：泛泛而谈的结论，需要具体证据支撑
 
## Working Patterns
- 工作时间：深夜（22:00-02:00）活跃度最高
- 任务切换：经常在多个技术问题间跳转，需要快速恢复上下文
- 验证习惯：倾向于自己跑代码验证而非相信文档描述
 
## Domain Expertise
- 精通：Android 图形渲染栈、ADB 工具链、Python GUI
- 熟悉：Perfetto Trace 分析、Linux 性能工具
- 学习中：AI Agent 框架、知识图谱构建
 
## Preferences
- 文件格式：优先 Markdown，避免 JSON 配置文件
- 代码风格：Python，注重可读性而非性能
- 工具偏好：终端命令行 > GUI 应用
 
## Inferred Beliefs
- 认为文档应该"自我解释"，不依赖外部知识
- 相信"最短路径"原则：用最少的工具解决问题
- 疑虑：对自动化过度扩张保持警惕

USER.md 的更新是渐进式的：Agent 不会在一次交互后完全重写用户画像，而是通过多次对话逐步补充和修正。Honcho 会对新观察和旧画像进行辩证评估，避免偶然行为被过度泛化。

3.3 SOUL.md：Agent 自身价值观与行为原则

SOUL.md 是 Hermes 最哲学性的设计，也是最少见于其他 Agent 框架的组件。它存储的是 Agent 自身的”价值观”和行为原则，而非用户偏好或项目上下文。

# Agent Soul
 
## Core Principles
1. **知识第一**：我的首要目标是帮助用户构建和维护高质量的知识库
2. **准确性优先**：宁可说"不确定"，不伪造信息或过度推断
3. **渐进式改进**：每次交互后留下比之前更好的状态
 
## Working Style
- 在处理复杂技术问题时，优先展示推理过程而非直接给出结论
- 对于涉及生产系统的操作，始终要求用户确认后再执行
- 当发现记忆文件需要更新时，主动提醒用户
 
## Learning Philosophy
- 新生成的 Skill 文件需要至少被成功使用一次才标记为"稳定"
- 对于用户明确纠正过的行为，更新 USER.md 并不再重复
 
## Boundaries
- 不主动删除用户文件，除非经过明确确认
- 不在未知权限边界内执行 Shell 命令
- 对 SOUL.md 自身的修改需要用户显式授权

SOUL.md 有一个重要特性：它可以由用户配置，也可以由 Agent 在积累足够经验后提议修改（但需要用户确认）。这形成了一个 Agent 自主性与人类控制之间的协商机制。

3.4 FTS5 全文检索：跨 Session 知识召回

三个记忆文件解决了”结构化记忆”问题，但仍有一类需求无法满足：“我上个月和 Agent 讨论过的某个技术细节，我记不清在哪了”。

Hermes 通过 SQLite FTS5（Full-Text Search 5）解决这个问题。每次 Session 结束后，Agent 生成本次对话的摘要，并写入 SQLite FTS5 索引：

-- Hermes 内部使用的 FTS5 schema（推断）
CREATE VIRTUAL TABLE conversation_history USING fts5(
    session_id,
    timestamp,
    summary,
    key_topics,
    conclusions,
    content='conversations'
);

当用户询问相关历史时，Hermes 会：

用 FTS5 搜索相关会话
检索出 top-K 会话摘要
将摘要传给 LLM，让 LLM 综合回答

# 示例：FTS5 检索 + LLM 摘要的伪代码
def recall_from_history(query: str) -> str:
    # FTS5 全文检索
    results = db.execute("""
        SELECT summary, key_topics, conclusions, timestamp
        FROM conversation_history
        WHERE conversation_history MATCH ?
        ORDER BY rank
        LIMIT 5
    """, (query,))
    
    # 构建上下文
    context = "\n\n".join([
        f"[{r['timestamp']}]\n{r['summary']}\n结论: {r['conclusions']}"
        for r in results
    ])
    
    # LLM 综合回答
    return llm.complete(f"""
    基于以下历史对话摘要，回答问题："{query}"
    
    历史记录：
    {context}
    """)

这个机制的价值在于：即使具体细节没有被写入 MEMORY.md，用户仍然可以通过自然语言查询找到历史讨论的结论。

4. Skills 生态系统

4.1 Skill 的本质：.md 格式的可执行指令

Hermes 的 Skill 系统基于 agentskills.io 标准，这是一个由 Anthropic 发起、已被 30+ Agent 产品采纳的开放格式。

Skill 本质上是一个目录，其中 SKILL.md 是核心文件：

my-skill/
├── SKILL.md          # 必需：元数据 + 指令
├── scripts/          # 可选：可执行脚本
│   ├── main.py
│   └── utils.sh
├── references/       # 可选：参考文档
│   └── api-guide.md
└── assets/           # 可选：模板和资源
    └── template.md

SKILL.md 的格式：

---
name: android-perfetto-capture
description: 在 Android 设备上抓取 Perfetto 系统 trace，包括 CPU 调度、内存分配和图形渲染事件。当用户需要分析性能问题、抓取 trace 或调查 jank 时使用。
license: MIT
compatibility: 需要 adb 已连接设备，Python 3.8+
metadata:
  author: zbc
  version: "2.0"
  tags: android, perfetto, performance
allowed-tools: Bash(adb:*) Bash(python3:*)
---
 
## 概述
 
本 Skill 提供端到端的 Perfetto trace 抓取流程，从配置到分析一步完成。
 
## 前置条件
 
1. ADB 已连接目标设备：`adb devices` 确认连接
2. 设备需要 root 或 userdebug 版本（用于 kernel events）
 
## 步骤
 
### 1. 启动 Perfetto trace
 
```bash
# 通用配置：CPU + 内存 + 图形
adb shell perfetto \
  -c - --txt \
  -o /data/misc/perfetto-traces/trace.perfetto \
<<EOF
buffers: { size_kb: 63488 fill_policy: RING_BUFFER }
data_sources: { config { name: "linux.ftrace" ftrace_config {
  ftrace_events: "sched/sched_switch"
  ftrace_events: "sched/sched_wakeup"
  ftrace_events: "power/suspend_resume"
  atrace_categories: "gfx"
  atrace_categories: "input"
  atrace_categories: "view"
  atrace_categories: "am"
  atrace_categories: "wm"
  buffer_size_kb: 8192
}}}
data_sources: { config { name: "android.heapprofd" heapprofd_config {
  sampling_interval_bytes: 4096
  continuous_dump_config { dump_phase_ms: 0 dump_interval_ms: 1000 }
}}}
duration_ms: 10000
EOF

2. 拉取 trace 文件

adb pull /data/misc/perfetto-traces/trace.perfetto /tmp/trace.perfetto

3. 本地分析

from perfetto.trace_processor import TraceProcessor, TraceProcessorConfig
 
tp = TraceProcessor(
    trace="/tmp/trace.perfetto",
    config=TraceProcessorConfig(bin_path="/home/zbc/.local/bin/trace_processor_shell")
)
 
# 查询帧耗时
frames = tp.query("""
SELECT ts, dur, name 
FROM slice 
WHERE name LIKE 'DrawFrames%'
ORDER BY dur DESC
LIMIT 10
""")

常见问题

无 root 权限：去掉 heapprofd 配置，仅抓 ftrace
trace 文件过大：缩短 duration_ms 或减少 atrace_categories


### 4.2 与 Claude Code Skills 的完全兼容性

这是选择 Hermes 的重要理由之一：agentskills.io 是跨平台开放标准，同一个 Skill 文件可以在以下平台使用：

- Claude Code（Anthropic 官方）
- Hermes Agent（Nous Research）
- Cursor、GitHub Copilot、VS Code
- Gemini CLI、OpenAI Codex
- 30+ 其他 Agent 产品

这意味着你在 Claude Code 中积累的 Skill 库可以直接迁移到 Hermes，反之亦然。

### 4.3 内置 Skills 分类

Hermes 在 `~/.hermes/skills/` 中预装了多类技能：

~/.hermes/skills/ ├── note-taking/ # 笔记管理 │ ├── quick-capture/ # 快速捕获想法 │ ├── meeting-notes/ # 会议记录 │ └── research-note/ # 研究笔记格式 ├── research/ # 研究辅助 │ ├── web-research/ # 网络调研 │ ├── paper-summary/ # 论文摘要 │ └── source-verification/ # 信息验证 ├── productivity/ # 生产力工具 │ ├── daily-review/ # 每日回顾 │ ├── task-breakdown/ # 任务分解 │ └── knowledge-graph/ # 知识图谱更新 └── coding/ # 编码辅助 ├── code-review/ # 代码审查 ├── debug-trace/ # 调试追踪 └── doc-generation/ # 文档生成


### 4.4 Skill 自动生成机制

Hermes 最令人印象深刻的能力是**自动生成 Skills**。触发条件是：用户完成一个复杂任务，且 Agent 判断该任务有复用价值。

自动生成的流程：

用户完成复杂任务 │ ▼ Agent 评估（LLM 推理）：

任务步骤数 > 阈值？
有可复用的模式？
用户过去有类似请求？ │ ▼ 如果是 Agent 生成 Skill 草稿
提取任务的核心步骤
参数化可变部分（设备序列号、文件路径等）
生成 SKILL.md 元数据 │ ▼ Agent 向用户提议： “我注意到这是一个常见任务，我已为你生成了 Skill 草稿，是否保存？” │ ▼ 用户确认保存到 ~/.hermes/skills/ 或项目级 .claude/skills/ │ ▼ 下次同类任务：自动激活此 Skill


### 4.5 从 Claude Code 迁移 Skills

由于 agentskills.io 格式完全兼容，迁移命令：

```bash
# 将 Claude Code 的 Skills 复制到 Hermes
cp -r ~/.claude/skills/ ~/.hermes/skills/

# 或者建立软链接（推荐，保持同步）
ln -s ~/.claude/skills/ ~/.hermes/skills/shared/

# 验证格式
hermes skills validate

注意事项：Claude Code 的 CLAUDE.md 格式与 Hermes 的 MEMORY.md 格式不同，需要手动整理一次。

5. Cron 定时自动化

5.1 内置调度器的工作原理

Hermes 内置了基于 tokio 或 cron 库的调度器（根据实现语言而定）。调度器在 hermes daemon 后台进程中运行，无需依赖系统 crontab。

调度配置文件 ~/.hermes/config/cron.yaml：

schedules:
  - name: daily-knowledge-digest
    cron: "0 4 * * *"        # 每天凌晨 4 点
    skill: knowledge-digest
    context: "daily"
    enabled: true
 
  - name: weekly-graph-update
    cron: "0 2 * * 0"        # 每周日凌晨 2 点
    skill: knowledge-graph
    context: "weekly"
    enabled: true
 
  - name: nightly-backup
    cron: "0 1 * * *"        # 每天凌晨 1 点
    skill: obsidian-backup
    context: "backup"
    enabled: true
 
  - name: monthly-review
    cron: "0 10 1 * *"       # 每月 1 号上午 10 点
    skill: monthly-knowledge-review
    context: "monthly"
    enabled: false             # 默认关闭，需手动启用

5.2 知识库整理 Skill 示例

~/.hermes/skills/knowledge-digest/SKILL.md：

---
name: knowledge-digest
description: 每日知识库摘要：处理 raw/inbox/ 中的新笔记，提取关键概念，更新 wiki/，生成每日摘要。在定时任务中自动运行，或用户要求"整理今天的笔记"时触发。
---
 
## 执行步骤
 
### 1. 扫描 inbox
 
```python
import os
from pathlib import Path
 
inbox = Path("~/obsidian/raw/inbox/").expanduser()
new_files = [f for f in inbox.iterdir() 
             if f.suffix == ".md" 
             and f.stat().st_mtime > last_run_timestamp]

2. 提取概念实体

对每个新文件：

提取关键概念（人名、技术术语、项目名）
检查是否与 wiki/concepts/ 已有条目冲突或重叠
生成新的 wiki 条目草稿

3. 更新 wiki 目录

新实体写入 wiki/entities/<entity-name>.md
新概念写入 wiki/concepts/<concept>.md
更新 wiki-index.md 索引

4. 生成每日摘要

输出到 daily-summaries/YYYY-MM-DD.md：

今日处理文件数
新增实体/概念列表
重要发现或连接

5. 归档处理完的 inbox 文件

移动到 raw/processed/YYYY-MM/


### 5.3 完整的定时任务模板套件

**每日 4AM：知识摄取**
```yaml
- name: daily-ingest
  cron: "0 4 * * *"
  prompt: |
    检查 raw/inbox/ 目录中的新文件。
    对每个新文件：
    1. 分析内容，提取关键信息
    2. 在 wiki/ 中创建或更新相关条目
    3. 在 MEMORY.md 中记录重要发现
    将处理完的文件移至 raw/processed/

每周日：知识图谱重建

- name: weekly-graph
  cron: "0 2 * * 0"
  prompt: |
    运行 wiki-graph.py 重建知识图谱。
    分析 wiki/ 目录中所有文件的链接关系。
    生成 graphify-out/ 中的 JSON 图谱文件。
    统计本周知识增长：新节点数、新连接数。

每月 1 日：知识质量审查

- name: monthly-review
  cron: "0 10 1 * *"
  prompt: |
    审查 wiki/ 目录中的所有条目：
    1. 标记 3 个月未更新的"陈旧"条目
    2. 找出没有反向链接的"孤岛"条目
    3. 识别内容重复的条目，建议合并
    4. 生成月度报告到 reports/YYYY-MM-quality.md

6. 与 Obsidian 深度集成

6.1 hermes-second-brain 项目

hermes-second-brain 是一个面向 Obsidian 用户的集成模板，提供了完整的目录结构和配置文件，让 Hermes Agent 成为 Obsidian 知识库的自动化管理引擎。

这个项目的核心理念：Obsidian 提供人类可读的知识界面，Hermes 提供自动化的知识维护引擎。两者的分工：

角色	工具	职责
用户	Obsidian（桌面 + 移动）	阅读、手动写作、可视化浏览
自动化引擎	Hermes Agent（定时任务）	摄取、整理、分类、连接
知识图谱	wiki-graph.py + Obsidian Graph View	可视化知识结构

6.2 完整目录结构

~/obsidian-vault/
│
├── .hermes.md              ← Hermes Agent 的上下文配置文件
│
├── raw/                    ← 原始输入（inbox）
│   ├── inbox/              ← 新文件在此，Hermes 定时处理
│   │   ├── 2026-06-09-meeting-notes.md
│   │   └── idea-about-atlas-rendering.md
│   └── processed/          ← 处理完毕，按月归档
│       └── 2026-06/
│           └── ...
│
├── wiki/                   ← 精炼后的知识库（主体）
│   ├── concepts/           ← 技术概念（AtlasTextOp, FTS5, 等）
│   │   ├── AtlasTextOp.md
│   │   └── Perfetto-Trace.md
│   ├── entities/           ← 人物/项目/工具实体
│   │   ├── Nous-Research.md
│   │   └── Hermes-Agent.md
│   ├── how-tos/            ← 操作流程（生成自 Skills 执行记录）
│   │   └── capture-perfetto-trace.md
│   └── index.md            ← 知识库总索引
│
├── daily-notes/            ← 每日笔记（Obsidian 原生功能）
│   └── 2026-06-09.md
│
├── daily-summaries/        ← Hermes 生成的每日摘要
│   └── 2026-06-09-digest.md
│
├── graphify-out/           ← wiki-graph.py 输出的图谱数据
│   ├── graph.json
│   └── stats.json
│
├── reports/                ← 月度/周度质量报告
│   └── 2026-06-quality.md
│
└── scripts/
    └── wiki-graph.py       ← 知识图谱生成脚本

6.3 .hermes.md 上下文配置文件

.hermes.md 是放在项目根目录的 Hermes 配置文件，相当于 Claude Code 的 .claude/CLAUDE.md：

# Hermes Second Brain Configuration
 
## Identity
我是 zbc 的知识管理助手。我的职责是维护和整理 Obsidian 知识库，
帮助将零散的笔记转化为结构化的可检索知识。
 
## Vault Structure
- raw/inbox/：待处理的原始笔记
- wiki/concepts/：精炼后的技术概念文档
- wiki/entities/：人物、项目、工具的实体页面
- wiki/how-tos/：可操作的步骤指南
 
## Processing Rules
 
### 摄取规则
1. inbox 文件按创建时间顺序处理
2. 会议记录 → wiki/entities/ (参与者) + daily-summaries/
3. 技术笔记 → wiki/concepts/ (核心概念)
4. 操作记录 → wiki/how-tos/
 
### 写作风格
- 技术文档：精确、有代码示例、有来源引用
- 概念文档：先定义、再原理、再应用场景
- 避免：泛泛而谈、缺少证据的结论
 
### 链接规则
- 所有 wiki 文件中出现的已知实体/概念都应创建 [[双向链接]]
- 新文档至少有 2 个反向链接才算"已整合"
 
## Automated Tasks
- 每天 04:00：处理 inbox 新文件
- 每周日 02:00：重建知识图谱
- 每月 1 日：质量审查报告

6.4 wiki-graph.py 知识图谱生成

#!/usr/bin/env python3
"""
wiki-graph.py: 从 Obsidian vault 生成知识图谱
输出 graphify-out/graph.json，供 Obsidian Graph View 和 D3.js 使用
"""
 
import json
import re
from pathlib import Path
from datetime import datetime
 
WIKI_DIR = Path("./wiki")
OUTPUT_DIR = Path("./graphify-out")
 
def extract_links(content: str) -> list[str]:
    """提取 Obsidian [[双向链接]]"""
    return re.findall(r'\[\[([^\]|]+)(?:\|[^\]]*)?\]\]', content)
 
def build_graph(wiki_dir: Path) -> dict:
    nodes = []
    edges = []
    node_ids = {}
    
    # 构建节点列表
    for md_file in wiki_dir.rglob("*.md"):
        rel_path = md_file.relative_to(wiki_dir)
        node_id = str(rel_path.with_suffix(""))
        node_ids[md_file.stem] = node_id
        
        stat = md_file.stat()
        nodes.append({
            "id": node_id,
            "name": md_file.stem,
            "path": str(rel_path),
            "category": str(rel_path.parent),
            "modified": datetime.fromtimestamp(stat.st_mtime).isoformat(),
            "size": stat.st_size,
        })
    
    # 构建边（链接关系）
    for md_file in wiki_dir.rglob("*.md"):
        source_id = str(md_file.relative_to(wiki_dir).with_suffix(""))
        content = md_file.read_text(encoding="utf-8")
        links = extract_links(content)
        
        for link in links:
            target_id = node_ids.get(link)
            if target_id and target_id != source_id:
                edges.append({
                    "source": source_id,
                    "target": target_id,
                    "weight": 1,
                })
    
    return {"nodes": nodes, "edges": edges}
 
def compute_stats(graph: dict) -> dict:
    node_count = len(graph["nodes"])
    edge_count = len(graph["edges"])
    
    # 计算入度（反向链接数）
    in_degree = {}
    for edge in graph["edges"]:
        in_degree[edge["target"]] = in_degree.get(edge["target"], 0) + 1
    
    isolated = sum(1 for n in graph["nodes"] if n["id"] not in in_degree)
    
    return {
        "nodes": node_count,
        "edges": edge_count,
        "isolated_nodes": isolated,
        "avg_connections": edge_count / node_count if node_count > 0 else 0,
        "top_connected": sorted(in_degree.items(), key=lambda x: x[1], reverse=True)[:10],
    }
 
if __name__ == "__main__":
    OUTPUT_DIR.mkdir(exist_ok=True)
    
    graph = build_graph(WIKI_DIR)
    stats = compute_stats(graph)
    
    (OUTPUT_DIR / "graph.json").write_text(json.dumps(graph, ensure_ascii=False, indent=2))
    (OUTPUT_DIR / "stats.json").write_text(json.dumps(stats, ensure_ascii=False, indent=2))
    
    print(f"图谱生成完成: {stats['nodes']} 节点, {stats['edges']} 边")
    print(f"孤立节点: {stats['isolated_nodes']} ({stats['isolated_nodes']/stats['nodes']*100:.1f}%)")

6.5 自动化流程全图

手机端 Obsidian Mobile
        │ 新建笔记
        ▼
raw/inbox/idea.md           ← 用户手动写入原始想法
        │
        │ inotify 监控 或 每日 4AM cron
        ▼
Hermes Agent（后台进程）
        │
        ├── 读取 .hermes.md 上下文
        ├── 加载 MEMORY.md + USER.md
        ├── 激活 knowledge-digest Skill
        │
        ▼
LLM 分析笔记内容
        │
        ├── 提取实体：[[Hermes-Agent]], [[Obsidian]]
        ├── 识别类型：技术调研笔记
        ├── 关联已有条目：wiki/entities/Hermes-Agent.md
        │
        ▼
更新 wiki/
        ├── wiki/entities/Hermes-Agent.md（追加新内容）
        └── wiki/concepts/Closed-Learning-Loop.md（新建）
        │
        ▼
生成 daily-summaries/2026-06-09-digest.md
        │
        ▼
归档原文件 → raw/processed/2026-06/idea.md
        │
        ▼
每周日 → wiki-graph.py → graphify-out/graph.json
        │
        ▼
Obsidian Graph View 展示知识网络

7. 多 LLM 提供商支持

7.1 支持的提供商全列表

Hermes Agent 通过 OpenAI 兼容接口支持 300+ 模型：

提供商	特点	适合场景
Nous Portal	Hermes 官方推荐，低延迟	技能生成、用户建模
OpenRouter	统一接口，模型最多	实验性任务、对比测试
Anthropic	Claude 系列，推理强	复杂分析、代码生成
OpenAI	GPT-4o，通用	通用知识问答
Google	Gemini 系列，上下文窗口大	长文档处理
Ollama	完全本地，隐私优先	敏感数据处理
小米 MiMo	针对 MIUI 优化	小米相关开发
Kimi	中文优化，长文本	中文知识管理

7.2 本地模型（Ollama）配置

对于隐私敏感的知识库内容，推荐使用 Ollama 本地模型：

# 安装 Ollama
curl -fsSL https://ollama.ai/install.sh | sh
 
# 拉取推荐模型（知识管理场景）
ollama pull qwen2.5:7b        # 中文优秀，7B 可本地运行
ollama pull llama3.2:3b       # 快速，适合摄取任务
ollama pull hermes3:8b        # Nous Research 专门优化的 Agent 模型

~/.hermes/config/providers.yaml：

providers:
  default: ollama
 
  ollama:
    base_url: "http://localhost:11434/v1"
    api_key: "ollama"           # Ollama 不需要真实 key
    default_model: hermes3:8b
 
  anthropic:
    api_key: "${ANTHROPIC_API_KEY}"
    default_model: claude-sonnet-4-5
 
  openrouter:
    api_key: "${OPENROUTER_API_KEY}"
    base_url: "https://openrouter.ai/api/v1"
    default_model: "nous/hermes-3-llama-3.1-405b"
 
# 不同任务使用不同模型
task_routing:
  ingest: ollama/qwen2.5:7b       # 摄取：快速、本地
  synthesis: anthropic/claude-sonnet-4-5  # 提炼：质量优先
  qa: ollama/hermes3:8b           # 问答：平衡
  skill_generation: anthropic/claude-opus-4  # 生成 Skill：最高质量

7.3 切换模型

# 查看当前配置
hermes model show
 
# 切换默认模型
hermes model set ollama/hermes3:8b
 
# 单次任务使用特定模型
hermes ask --model anthropic/claude-opus-4 "分析这份技术文档..."
 
# 为特定 Skill 指定模型
hermes skill run knowledge-digest --model ollama/qwen2.5:7b

7.4 为知识库任务选择合适模型

根据任务类型做出合理选择：

知识摄取（Ingestion）
└── 要求：快速、低成本、中文理解
└── 推荐：Qwen2.5:7b (Ollama) 或 Kimi-moonshot-v1-8k
└── 不需要：超强推理能力

知识提炼（Synthesis）
└── 要求：连接散点、推断含义、结构化输出
└── 推荐：Claude Sonnet 或 GPT-4o
└── 关键能力：长上下文处理

问答检索（QA）
└── 要求：精确回忆、引用来源
└── 推荐：Hermes3:8b (Ollama) 或 Claude Haiku（成本控制）
└── 注意：RAG 质量比模型能力更重要

Skill 生成
└── 要求：生成高质量、可复用的指令文档
└── 推荐：Claude Opus 或 GPT-4o
└── 这是高价值操作，值得用好模型

8. 与 Claude Code 的协同使用

8.1 两者的本质定位差异

从工程师的角度看，Claude Code 和 Hermes Agent 是互补而非替代关系：

维度	Claude Code	Hermes Agent
核心场景	代码编写、重构、调试	知识积累、研究、笔记管理
状态管理	基于文件系统的持久状态	基于记忆文件的持久状态
自动化	依赖用户触发	内置 Cron，可无人值守运行
技能系统	手动维护 Skills	自动生成并改进 Skills
适合谁	开发阶段的编码工作	研究积累和知识管理

8.2 Skills 文件互相复用

这是最直接的协同方式。项目级 Skills 放在 .claude/skills/，用户级 Skills 放在 ~/.claude/skills/，两个目录对 Hermes 也完全有效：

# 目录结构（推荐）
~/.claude/skills/              ← 用户级 Skills（两者共享）
    ├── android-perfetto-capture/
    ├── adb-tools/
    └── code-review/
 
/project/.claude/skills/       ← 项目级 Skills（两者共享）
    ├── build-apk/
    └── run-tests/
 
# Hermes 配置（指向 Claude Code 的 Skills 目录）
# ~/.hermes/config/config.yaml
skills_paths:
  - ~/.claude/skills/           # 用户级共享
  - ~/.hermes/skills/           # Hermes 专属
  - "./.claude/skills/"         # 项目级共享（相对路径）

8.3 推荐的工作流划分

开发工作流（Claude Code 主导）
├── 写代码：Claude Code + Bash 工具
├── 重构：Claude Code + git
├── 代码审查：/code-review skill
└── 调试：Claude Code + Perfetto skill

知识管理工作流（Hermes 主导）
├── 技术调研：Hermes（自动整理到 wiki/）
├── 会议记录：Obsidian → raw/inbox/ → Hermes 自动处理
├── 错误根因记录：Hermes 更新 MEMORY.md
└── 经验沉淀：Hermes 自动生成 Skill

协同场景
├── Claude Code 解决了一个复杂 bug
│   → 在 Claude Code 中 /save-context
│   → Hermes 定时任务摄取上下文
│   → 写入 wiki/how-tos/diagnose-X.md
│
└── Hermes 积累的知识图谱
    → 在 Claude Code 中通过 MEMORY.md 引用
    → Agent 在解决问题时自动参考历史结论

8.4 共享 MEMORY.md 的可行性

理论上 Claude Code 和 Hermes 可以共享同一个 MEMORY.md，但需要注意：

可行方案：

# Claude Code 的 MEMORY.md
~/.claude/projects/GeneralAndroid/memory/MEMORY.md
 
# Hermes 配置指向同一文件
# ~/.hermes/config/config.yaml
memory_path: ~/.claude/projects/GeneralAndroid/memory/MEMORY.md

潜在冲突：如果两者同时运行并写入 MEMORY.md，可能产生竞态条件。建议通过文件锁或分节方式处理：

# MEMORY.md
 
## [Claude Code] 代码开发上下文
<!-- Claude Code 写入此节 -->
...
 
## [Hermes] 知识库管理上下文
<!-- Hermes 写入此节 -->
...
 
## [共享] 项目核心事实
<!-- 两者只读，手动维护 -->
...

9. 安装与快速上手

9.1 完整安装步骤

Linux / macOS（推荐）：

# 方法一：官方安装脚本
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
 
# 安装完成后配置
hermes setup

安装脚本会自动完成：

下载对应平台的 Hermes 二进制文件
创建 ~/.hermes/ 目录结构
安装预置 Skills
配置 Shell 集成（.bashrc / .zshrc）

Android Termux：

# 在 Termux 中安装
pkg update && pkg install -y curl wget
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
 
# Termux 特殊配置
# Termux 没有 inotify，使用轮询模式
# ~/.hermes/config/config.yaml
watch_mode: polling
watch_interval_seconds: 60
 
# 开机自启（Termux:Boot）
mkdir -p ~/.termux/boot/
cat > ~/.termux/boot/start-hermes.sh << 'EOF'
#!/data/data/com.termux/files/usr/bin/bash
hermes daemon start
EOF
chmod +x ~/.termux/boot/start-hermes.sh

9.2 hermes setup 配置向导

首次运行 hermes setup 会进入交互式配置向导：

Hermes Agent Setup
==================

? 选择主要 LLM 提供商:
  > Nous Portal（官方推荐）
    Anthropic Claude
    OpenAI
    Ollama（本地）
    自定义

? 输入 API Key: sk-xxx...

? 选择默认模型:
  > hermes3-llama-3.1-405b
    hermes3-llama-3.1-70b（平衡）
    hermes3-llama-3.1-8b（快速/低成本）

? 知识库根目录: ~/obsidian

? 启用定时任务?
  > 是（推荐）
    否

? 选择启用的定时任务:
  [x] 每日 4AM 知识摄取
  [x] 每周日知识图谱更新
  [ ] 每月质量审查（可后续启用）

Setup 完成！运行 'hermes daemon start' 启动后台服务

9.3 第一个知识管理任务演练

# 1. 启动后台守护进程
hermes daemon start
 
# 2. 检查状态
hermes status
# ✓ Daemon running (pid: 12345)
# ✓ LLM: Nous Portal / hermes3-405b
# ✓ Watch: ~/obsidian/raw/inbox/ (inotify)
# ✓ Cron: 3 tasks scheduled
 
# 3. 在 inbox 中放入一篇笔记
cat > ~/obsidian/raw/inbox/hermes-research.md << 'EOF'
# Hermes Agent 调研笔记
 
## 核心发现
- Hermes 有三层记忆系统：MEMORY / USER / SOUL
- Skills 格式与 Claude Code 兼容（agentskills.io 标准）
- 内置 Cron 调度器，可无人值守运行
- 通过 Honcho 实现用户建模
 
## 待深入研究
- FTS5 检索的具体实现
- 并行子 Agent 的调度机制
EOF
 
# 4. 手动触发处理（不等 cron）
hermes run knowledge-digest
 
# 5. 查看结果
ls ~/obsidian/wiki/entities/
# Hermes-Agent.md  ← 自动创建
 
ls ~/obsidian/wiki/concepts/
# Closed-Learning-Loop.md  ← 自动创建
# FTS5-Full-Text-Search.md  ← 自动创建
 
# 6. 查看历史会话
hermes history search "Hermes 记忆系统"
# [2026-06-09 04:02] 处理 hermes-research.md
#   结论: 发现三层记忆系统架构，创建了 3 个 wiki 条目
 
# 7. 生成知识图谱
hermes run knowledge-graph
# graphify-out/graph.json 已更新
# 节点: 47, 边: 89

9.4 常用命令速查表

# === 基本操作 ===
hermes ask "你的问题"          # 交互式问答（加载所有记忆上下文）
hermes daemon start/stop/status # 守护进程管理
hermes status                   # 查看系统状态
 
# === 记忆管理 ===
hermes memory show              # 查看当前 MEMORY.md
hermes memory edit              # 手动编辑 MEMORY.md
hermes user show                # 查看用户画像 USER.md
hermes soul show                # 查看 Agent 行为原则 SOUL.md
 
# === Skills 管理 ===
hermes skills list              # 列出所有可用 Skills
hermes skills search "android"  # 搜索 Skills
hermes skill run <skill-name>   # 手动运行指定 Skill
hermes skills validate          # 验证 Skill 格式
hermes skills import <dir>      # 导入外部 Skills
 
# === 知识库操作 ===
hermes run knowledge-digest     # 立即处理 inbox
hermes run knowledge-graph      # 重建知识图谱
hermes history search "关键词"   # FTS5 历史搜索
hermes history stats            # 查看会话统计
 
# === 模型管理 ===
hermes model show               # 显示当前模型配置
hermes model set <provider/model> # 切换模型
hermes model test               # 测试模型连通性
 
# === Cron 任务 ===
hermes cron list                # 列出所有定时任务
hermes cron enable/disable <name> # 启用/禁用任务
hermes cron run <name>          # 立即执行定时任务
hermes cron logs <name>         # 查看任务执行日志

10. 评估与局限性

10.1 核心优势

真实的跨 Session 记忆：与 Claude Code 的 MEMORY.md 不同，Hermes 的记忆由 Agent 主动维护，不依赖用户手动记录。这是工程上最大的差异点：用户无需改变工作习惯，知识会自然积累。

技能自进化：Skills 不仅可以被创建，还可以被 Agent 在使用过程中逐步改进。一个记录了边界条件和常见错误的 Skill，比初始生成时更有价值。

与 Obsidian 的原生集成：不是把 Obsidian 当文件存储，而是理解 [[双向链接]]、Frontmatter、日期笔记等 Obsidian 特有概念。wiki-graph.py 生成的图谱可以直接在 Obsidian Graph View 中可视化。

agentskills.io 生态的杠杆：30+ Agent 产品共享同一 Skill 格式，意味着 Hermes 用户可以利用整个生态中其他用户创建的 Skills，也可以将自己的 Skills 贡献给社区。

多模型灵活路由：不同任务使用不同模型（快速摄取用小模型、高质量合成用大模型），在效果和成本之间做出最优权衡。

10.2 实际局限

需要自托管和一定学习曲线：Hermes 不是开箱即用的 SaaS 产品，需要配置 API Key、调整目录结构、理解三层记忆系统。对于希望”零配置使用”的用户，前期投入较高。

中文支持尚在完善中：Hermes 的默认模型是英文优化的 LLM，处理大量中文笔记时，建议配置 Kimi 或 Qwen 作为摄取模型。部分 Skill 内置指令是英文的，可能影响中文场景下的任务质量。

依赖 LLM 推理质量：记忆写入时机、Skill 生成决策、用户画像推断——这些都依赖 LLM 的判断。使用廉价小模型时，这些判断的质量会明显下降。使用 hermes3:8b Ollama 模型时，自动生成的 MEMORY.md 更新质量显著低于 Claude Sonnet。

并发安全尚需验证：当 Cron 任务和用户交互同时运行时，多个进程同时写 MEMORY.md 存在潜在的竞态条件。生产环境建议设置写锁或错开调度时间。

SOUL.md 的哲学争议：让 Agent 拥有”价值观文件”是创新也是风险。SOUL.md 写得不好可能导致 Agent 在某些场景下过于保守（拒绝正常操作）或过于激进（绕过确认步骤）。

10.3 适合谁使用

高度适合：

长期做技术调研、需要积累知识库的工程师
Obsidian 重度用户，希望引入 AI 自动化整理
同时使用 Claude Code 且想要统一 Skills 生态的开发者
需要无人值守知识处理流水线的个人或小团队

一般适合：

以”完成单次任务”为主的用户（Hermes 的优势在长期积累，短期收益有限）
偏好 GUI 工具的用户（Hermes 是纯命令行工具）

不太适合：

对数据隐私要求极高且不能配置本地 Ollama 的场景
没有稳定互联网连接的环境（Ollama 本地模式除外）
期望”即插即用”不做任何配置的用户

附录：关键配置文件速查

~/.hermes/config/config.yaml 完整示例

# Hermes Agent 主配置文件
 
# LLM 提供商
llm:
  default_provider: ollama
  providers:
    ollama:
      base_url: "http://localhost:11434/v1"
      api_key: "ollama"
      default_model: "hermes3:8b"
    anthropic:
      api_key: "${ANTHROPIC_API_KEY}"
      default_model: "claude-sonnet-4-5"
 
# 任务路由（不同任务用不同模型）
task_models:
  ingest: "ollama/qwen2.5:7b"
  synthesis: "anthropic/claude-sonnet-4-5"
  qa: "ollama/hermes3:8b"
  skill_generation: "anthropic/claude-sonnet-4-5"
 
# 知识库路径
knowledge_base:
  root: "~/obsidian"
  inbox: "raw/inbox"
  wiki: "wiki"
  processed: "raw/processed"
 
# Skills 搜索路径
skills_paths:
  - "~/.claude/skills/"         # 与 Claude Code 共享
  - "~/.hermes/skills/"         # Hermes 专属
  - "./.claude/skills/"         # 项目级
 
# 记忆文件路径
memory:
  memory_file: "MEMORY.md"
  user_file: "USER.md"
  soul_file: "SOUL.md"
  # 可选：与 Claude Code 共享 MEMORY.md
  # memory_file: "~/.claude/projects/GeneralAndroid/memory/MEMORY.md"
 
# FTS5 索引
history:
  db_path: "~/.hermes/history.db"
  max_sessions: 10000
  summary_model: "ollama/qwen2.5:7b"
 
# 监控模式
watch:
  mode: inotify          # inotify（Linux）/ fsevents（macOS）/ polling（Termux）
  interval_seconds: 60   # polling 模式下的轮询间隔
 
# 日志
logging:
  level: info
  file: "~/.hermes/logs/hermes.log"
  rotate_days: 30

本文档版本：2026-06-09
涵盖范围：Hermes Agent 架构原理、三层记忆系统、Skills 生态、Obsidian 集成、多 LLM 配置、与 Claude Code 协同
相关文档：00-AI知识库系统总览 | 02-Obsidian作为AI知识库核心存储

Quartz 4

Explorer

Hermes Agent 深度解析