Hermes Agent：从协议驱动函数调用到自进化数字员工

原创

用户12339161

发布于 2026-10-10 19:22:54

670

Hermes Agent 是 Nous Research 于 2026 年 2 月开源的 MIT 协议 AI 智能体框架，核心代码基于 Python，当前稳定版本为 v0.14.0。与传统对话式 AI 不同，它采用任务驱动架构，具备技能自动沉淀、持久化记忆、原生多工具链与并行子智能体能力。截至 2026 年 10 月，Hermes 累计被克隆超过 2400 万次，Nous Research 也完成了 9000 万美元 B 轮融资，估值达 15 亿美元。

一、Hermes 的协议驱动函数调用

Hermes 系列模型最核心的工程价值，是把“工具调用”从不可靠的提示词技巧变成可解析的协议。Hermes 在函数调用上采用明确标记：系统提示里用 <tools> 定义工具，模型输出 <tool_call>{...}</tool_call>，工具结果回填 <tool_response>{...}</tool_response>。

这带来三个工程好处：JSON 参数可校验、多轮工具调用可拼接、模型与执行器职责分离。

以下是最小 Agent 循环，跑通“模型决策 → 调用工具 → 回传结果 → 生成回答”的完整闭环：

import json, re, requests

API = "http://localhost:8000/v1/chat/completions"  # vLLM/Ollama 兼容地址

TOOLS = {
    "get_weather": lambda city: {"city": city, "temp": 26, "condition": "晴"},
}

SYS = """你在 <tools> 中定义工具。
<tools>
{"name":"get_weather","parameters":{"city":"string"}}
</tools>
需要时输出 <tool_call>{"name":"...","arguments":{...}}</tool_call>"""

def parse(text):
    m = re.search(r"<tool_call>(.*?)</tool_call>", text, re.S)
    return json.loads(m.group(1)) if m else None

def agent(question, max_steps=4):
    msgs = [{"role": "system", "content": SYS},
            {"role": "user", "content": question}]
    for _ in range(max_steps):
        r = requests.post(API, json={
            "model": "hermes", "messages": msgs, "temperature": 0
        }).json()
        out = r["choices"][0]["message"]["content"]
        call = parse(out)
        if not call:
            return out
        result = TOOLS[call["name"]](**call["arguments"])
        msgs += [
            {"role": "assistant", "content": out},
            {"role": "user", "content":
             f"<tool_response>{json.dumps(result, ensure_ascii=False)}</tool_response>"}
        ]
    return "达到最大步数"

print(agent("北京今天天气怎么样？"))

这段代码不到 30 行，却跑通了 Agent 工程最朴素的闭环：让模型决策，让工具执行，让结果回到模型再决策。Hermes 对 <tool_call> 和多轮工具调用做了专门训练优化，输出格式远比通用模型稳定。

二、工具系统：40+ 工具的四层架构

Hermes Agent 内置 40+ 工具，覆盖终端执行、网页搜索、浏览器自动化、图像生成、TTS/STT 等 8 大类别。它的工具系统分四层：tools/*.py 各工具模块导入时自注册 → registry.py 单例注册中心 → model_tools.py 编排调度 → toolsets.py 分组组合。

核心是一个模块级单例 ToolRegistry，每个工具存为 ToolEntry 对象，包含 name、toolset、schema、handler 等字段。这种设计让新增工具只需写一个文件并 import，无需修改任何配置表。

三、自进化学习循环

Hermes 最具差异化的能力是闭环学习循环（Closed Learning Loop） ：任务完成后，它评估执行过程，提取可复用方法，写入磁盘，下次直接调用。官方定位只有一句话：“the agent that grows with you”。

这套机制包含四层内存：短时上下文记忆维护本次任务对话链；长期向量记忆存储业务知识与历史案例；状态机持久化支持断点续跑；Skill 库沉淀标准化技能包。一个实际案例是中原油田储气库管理中心基于 Hermes 开发了“未来Pro智能体”，整合超过 50 万条专家知识经验，用于设备检修提醒和新人培训。

四、多智能体协作

Hermes 通过 delegate_task 工具生成隔离的子智能体并行工作。每个子智能体拥有独立的对话、终端会话和工具集，只有最终摘要会返回父智能体。

# 并行研究三个主题
delegate_task(tasks=[
    {"goal": "研究 WebAssembly 在浏览器外的最新进展",
     "context": "关注运行时、云/边缘用例、WASI 进展"},
    {"goal": "研究 2025 年 RISC-V 服务器芯片采用情况",
     "context": "关注已出货芯片、云厂商采用、软件生态"},
    {"goal": "研究量子计算的实际应用",
     "context": "关注纠错突破、真实用例、关键公司"},
])

三个子智能体并发执行，各自独立搜索并返回摘要，父智能体合成最终简报。此外，Hermes Kanban 提供了持久化任务看板，让多个命名智能体通过共享的 ~/.hermes/kanban.db 协作，每个 Worker 是一个拥有独立身份的完整 OS 进程。

五、生产化要点

第一，参数校验与预算控制。JSON Schema 验证工具入参，失败则重试或让模型修正；设置最大步数、最大 token 和工具超时。

第二，安全边界。通过 enabled_toolsets 或 disabled_toolsets 控制 Agent 可访问的工具集。例如仅启用 Web 工具用于研究机器人，或禁用终端访问用于共享环境：

from run_agent import AIAgent

# 仅启用 Web 工具
agent = AIAgent(model="anthropic/claude-sonnet-4",
                enabled_toolsets=["web"], quiet_mode=True)

# 启用除终端外的所有工具
agent = AIAgent(model="anthropic/claude-sonnet-4",
                disabled_toolsets=["terminal"], quiet_mode=True)

第三，可观测与审计。记录每步 tool_call、耗时、结果，把对话、工具调用和中间变量持久化，支持回放与审计。

第四，作为 Python 库嵌入。Hermes 不只是一个 CLI 工具，你可以导入 AIAgent 嵌入 Web 应用或自动化管线：

agent = AIAgent(model="anthropic/claude-sonnet-4", quiet_mode=True)
result = agent.run_conversation(
    user_message="搜索 Python 3.13 最新特性",
    task_id="my-task-1",
)
print(result["final_response"])

总结：Hermes Agent 的核心价值在于三层：协议层的 <tool_call> 让函数调用可解析、可校验；工具层的单例注册中心让 40+ 工具管理井然有序；学习层的闭环循环让 Agent 越用越强。把协议、工具、记忆三者串起来，AI 才真正从“对话助手”进化为“数字员工”。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

agent