第一册：前言与概述

本章你将学到

• 为什么在这个时间节点，一本系统性的 Hermes Agent 白皮书如此重要
• Hermes Agent 到底是什么，它和 ChatGPT、AutoGPT 有什么区别
• 2026 年 AI Agent 市场的格局，以及 Hermes 的五大核心优势
• 全书 16 册的内容架构，以及针对不同读者的四条阅读路线
• 开源社区资源的快速导航
• 本书涉及的 20+ 核心术语的速查表

预计阅读时间：45-60 分钟

1. 为什么写这本白皮书

1.1 AI Agent 时代已来，但大多数人还在门外观望

2026 年的春天，如果你打开任何一个科技媒体的首页，"AI Agent" 这个词几乎会占据半壁江山。

有人在展示自己的 Agent 如何自动完成一份行业研究报告——从数据收集、竞品分析到 PPT 生成，全程无需人工干预。有人在炫耀自己的 Agent 同时运营着 20 个自媒体账号，每天自动选题、写作、排版、发布，月收入超过了很多上班族的年薪。还有人在企业里部署了智能客服 Agent，不仅 7×24 小时在线回答问题，还能主动学习新的产品知识，越用越聪明。

但与此同时，我也看到了另一群人的困惑。

他们可能是你，也可能是你的朋友——听说过 ChatGPT 能联网查资料，但不知道为什么有人能让 AI "自动" 做那么多事情；收藏了几十个关于 Agent 的视频和文章，但看完还是觉得云里雾里；下载过 AutoGPT 或 OpenClaw，但运行起来不是报错就是卡在原地，最后无奈放弃。

这像极了二十年前互联网刚普及时的情景。那时候也有人能建网站、写博客，但更多人面对 "HTML 是什么" 这个问题时一脸茫然。区别在于，当年你不懂互联网，最多是错过了一个信息获取的便利渠道；而在 2026 年，不懂 AI Agent，可能意味着你将在效率竞赛中被远远甩在后面。

Tips

不要觉得 "AI Agent 是程序员的事"。2026 年的 Agent 工具已经发展到了"半代码化"甚至"无代码化"的阶段。你不需要会写 Python，也能搭建一个属于自己的智能助手。这本书的目标，就是让你——无论你是否有技术背景——都能真正 "入门" 并 "用好" Hermes Agent。

1.2 市面上的教程碎片化严重，缺乏系统性

让我问你一个问题：如果你想学 Hermes Agent，现在能找到哪些学习资源？

首先，你可以去 GitHub 上看官方 README。写得不错，但毕竟是面向开发者的技术文档，充满了配置参数和命令行指令。对于没有技术背景的人来说，读完第一段可能就放弃了。

然后，你可以去 B站、YouTube 搜视频教程。有些视频确实讲得很精彩，但问题是——它们大多是碎片化的。这个 UP 主讲安装，那个博主讲配置，还有一个视频专门介绍某个技能。你学完了 "如何安装"，但 "为什么要这样配置" 还是不清楚；你看懂了 "这个技能怎么用"，但 "如何创建自己的技能" 依然是个谜。

更麻烦的是，很多教程的时效性很差。AI Agent 这个领域发展太快了，三个月前的 "最佳实践" 可能现在已经过时了。你按照某个教程操作，结果因为版本更新，命令已经变了、接口已经改了，折腾半天还是跑不通。

常见问题

Q：我已经看过很多关于 OpenClaw 的教程了，为什么还要学 Hermes？

A： 好问题！Hermes 和 OpenClaw 确实有很多相似之处（毕竟它们有共同的起源），但 Hermes 在架构设计、记忆系统、技能生态等方面都有重大升级。如果你只懂 OpenClaw，那么你在使用 Hermes 时会错过很多强大的新功能。更重要的是，本书不仅教你 "怎么用"，更教你 "为什么这样设计"，这才是系统性学习的价值。

1.3 从"养虾"到"养马"的转变，需要一本完整指南

让我用一个类比来解释这个变化。

假设你是一个喜欢养宠物的人。最开始，你养的是虾——投点饵料，换换水，虾就能活。对应到 AI 世界，这就是早期的 ChatGPT 时代：你给 AI 一个问题，它给你一个答案。简单直接，但互动是单向的，AI 不会"记住"你们之前的对话，也不会"主动"为你做什么。

后来，你开始养鱼。鱼缸需要更复杂的生态系统——过滤、打氧、温控、光照。对应到 AI 世界，这就是 RAG（检索增强生成）和工具调用时代：AI 可以查资料、调用工具，但它还是按照你的指令一步一步执行，没有自主性。

再后来，你开始养猫养狗。它们有自己的性格、记忆和习惯。它们会在你回家时迎接你，会记住你不喜欢什么，甚至会自己学会一些"技能"——比如开门、按铃要食物。对应到 AI 世界，这就是 Agent 时代：AI 不再只是回答问题，而是能够自主感知环境、做出决策、执行任务，并且从经验中学习和进化。

现在，你决定养一匹马。

马和猫狗又不一样。马可以载着你走很远的路，可以帮你完成真正的"工作"——运输、农耕、甚至比赛。但养马也更需要系统性知识：如何选择品种、如何训练、如何建立信任关系、如何让它理解你的指令、如何让它越骑越顺手。

Hermes Agent，就是这样一匹马。

它不是玩具，不是宠物，而是一个真正能帮你干活的伙伴。但要把这匹马"养好"、"训好"、"用好"，你需要一本完整的指南——从认识马、选马、养马，到骑马、赛马、甚至培育自己的马。这就是我写这本白皮书的初衷。

注意

"养马"这个比喻贯穿了整本书。你会发现，很多复杂的概念我都会用养马来类比。Hermes 这个名字本身就来自希腊神话中的信使之神——他骑着飞马穿梭天地，传递信息。所以，"养马"不仅是类比，也是一种隐喻：你正在培养一个快速、聪明、忠诚的 AI 伙伴。

1.4 本书的定位：不是技术论文，是你的 AI 伙伴养成手册

在动笔之前，我给自己定了一个硬性要求：这本书不能让任何一个读者感到"被排斥"。

很多技术文档都有一个隐含的假设：读者已经具备了某些基础知识。比如，它们会默认你知道什么是 API、什么是 JSON、什么是环境变量。但对于真正的初学者来说，这些"基础知识"本身就是一道门槛。

所以，这本书的定位非常明确：

• 它不是学术论文。你不需要有计算机科学学位才能读懂。
• 它不是 API 文档。我不会罗列每一个函数的参数和返回值。
• 它不是一本快餐式的操作手册。我不满足于只告诉你"点这里、填那里"。
• 它是一本养成手册。我会带你从"完全不懂"走到"真正会用"，再到"能够根据自己的需求定制"。

书中的每一个概念，我都会用生活化的类比来解释。每一个操作步骤，我都会假设你是第一次接触。每一个可能出现的问题，我都会提前告诉你怎么解决。

Tips

如果你在某个章节遇到了不理解的术语，不要慌。翻到本章最后的"术语表"，或者在全书最后的索引中查找。我承诺：书中出现的每一个专业术语，至少会在第一次出现时给出通俗解释。

1.5 这本书的独特之处

市面上的技术书籍很多，这本书有什么不同？

第一，它是中文的。 我知道这听起来有点奇怪——但事实是，AI Agent 领域最好的资料大多是英文的。官方文档是英文的，GitHub 上的讨论是英文的，Discord 里的交流也是英文的。对于英文不好的朋友来说，这无疑是一道巨大的门槛。本书全程使用中文写作，所有的命令、配置和界面截图（如果有的话）都会配合中文解释。

第二，它是实战导向的。 我不会只讲理论。每一章都有动手环节，每一个概念都有对应的操作步骤。读完第一章，你就能说出 Hermes 是什么；读完第五章，你就能在自己的电脑上跑起来一个 Hermes Agent；读完第十二章，你就能让它自动完成真正的工作任务。

第三，它覆盖了从入门到精通的完整路径。 全书 16 册，从"什么是 AI Agent"这种基础问题，到"如何设计一个企业级多 Agent 系统"这种高阶话题，全部覆盖。你不需要再去其他地方找资料——这本书就是一本"全栈"指南。

第四，它关注"为什么"，而不仅是"怎么做"。 知其然，更要知其所以然。我不会只告诉你"配置文件里这个参数要填 true"，我会解释"为什么填 true 会更好"。理解了设计背后的逻辑，你才能真正灵活运用，而不是机械地照搬。

第五，它持续更新。 AI Agent 领域变化太快了，一本写死在纸上的书很快就会过时。本书采用数字出版形式，会随着 Hermes 的版本迭代持续更新。你手中的永远是最新的内容。

2. Hermes Agent 是什么——一句话说清楚

2.1 用最通俗的语言解释 Hermes Agent

好，现在让我们来解决一个根本问题：Hermes Agent 到底是什么？

如果你让我用一句话回答，我会说：

Hermes Agent 是一个生活在你的电脑里的、会学习、会进化的 AI 助手。它能理解你的需求，自己想办法完成任务，并且越用越懂你。

让我再展开一点。

想象你有一个私人助理。这个助理非常聪明，会写文章、会查资料、会写代码、会发邮件。但不仅如此，他还有以下几个特点：

1. 他有超强的记忆力。你三年前随口提过的一个偏好，他现在还记得。你们上个月的某次对话，他能准确回忆起来。
2. 他会自己学新技能。你从来没教过他怎么操作 Excel 宏，但他看你做了几次之后，自己就学会了。下次你需要的时候，他直接就能上手。
3. 他会主动思考。你让他"关注一下竞争对手的动向"，他不会傻等你的下一步指令，而是自己去搜索、分析、总结，然后把一份报告放到你桌上。
4. 他会不断进化。刚来的时候他还比较"青涩"，但跟着你工作了几个月之后，他对你的行业、你的工作习惯、你的说话方式都越来越熟悉，做事越来越得心应手。

Hermes Agent，就是这样一个"数字版"的私人助理。

但比私人助理更强大的是，它：

• 不需要工资，只需要你的电脑或服务器能跑起来
• 不需要睡觉，可以 7×24 小时工作
• 不会跳槽，你的数据和记忆永远属于你
• 可以复制，你可以训练好一个 Agent，然后复制给团队里的其他人用

Tips

很多新手容易把 Agent 想象成一个"更聪明的 ChatGPT"。这个理解不够准确。ChatGPT 是一个"对话系统"——你问一句，它答一句。而 Agent 是一个"行动系统"——你给它一个目标，它自己规划步骤、调用工具、执行任务，最后把结果交给你。ChatGPT 是"你推一下它动一下"，Agent 是"你给方向它自己跑"。

2.2 它和 ChatGPT、Claude 等产品的区别

为了让你更清楚地理解 Hermes 的定位，我们来做个横向对比。

这个表格的信息量很大，让我挑几个关键点来解释。

关于运行位置：ChatGPT 和 Claude 是"云服务"。你每说一句话，数据都要发到 OpenAI 或 Anthropic 的服务器上处理。这意味着你的对话内容理论上可以被服务商看到（虽然他们承诺不用于训练，但你很难完全验证）。Hermes 是"本地服务"，所有的数据都在你自己的机器上处理。对于处理敏感信息（比如公司内部的商业数据、个人隐私信息）来说，这是一个巨大的优势。

关于交互方式：ChatGPT 是"你问我答"。你说"帮我写个邮件"，它给你写一封邮件。你说"再改得正式一点"，它再改。你需要一步一步引导它。Hermes 是"你给目标，它自己想办法"。你说"帮我给张总发一封感谢邮件，感谢他在上周会议中的建议，顺便提一下我们下周的方案"，Hermes 会自动完成：写邮件、检查语气、调用邮件发送工具——整个过程你不需要干预。

关于学习进化：这是最核心的区别。ChatGPT 不会因为你经常用它就变得更懂你。它"懂"什么，完全取决于 OpenAI 训练了什么、更新了什么。而 Hermes 有一个自学习闭环：你每次跟它交互，它都会分析这次交互，提取有价值的经验，存到记忆里。下次遇到类似情况，它会基于这些经验做出更好的决策。这就是"越用越聪明"的真正含义。

注意

这并不意味着 Hermes 比 ChatGPT "更好"。它们是为不同场景设计的工具。如果你只是偶尔问几个问题、聊聊天，ChatGPT 可能更方便（不需要安装、随时随地可用）。但如果你是每天都要跟 AI 协作完成大量任务的重度用户，或者你需要处理敏感数据，Hermes 的本地化和自主性就是无可替代的优势。

2.3 它和 AutoGPT、MetaGPT 等框架的区别

Hermes 属于"AI Agent 框架"这个大家族。在这个家族里，还有很多知名的成员：AutoGPT、BabyAGI、MetaGPT、CrewAI、AutoGen、LangGraph 等等。Hermes 和它们有什么不同？

AutoGPT：这是 Agent 领域的"开山鼻祖"之一。它的核心思想是给 AI 一个目标，然后让 AI 自己分解任务、执行、反思、再执行，循环往复直到完成。AutoGPT 开创了很多 Agent 设计的先河，但它的问题也很明显：容易陷入"思考循环"（反复思考但不动手）、任务分解质量不稳定、缺乏有效的记忆管理机制。

MetaGPT：这个框架的灵感来自软件公司的组织架构。它模拟了一个完整的软件开发团队——产品经理写 PRD、架构师设计系统、工程师写代码、测试员测 Bug。多个 AI 角色协作完成一个复杂任务。这个想法很酷，但它主要面向软件开发场景，对于非开发任务（比如投研、内容创作、客服）的适配性有限。

CrewAI：这是一个更轻量级的多 Agent 框架。你可以快速组建一个"团队"，给每个成员分配角色和任务。它的优点是简单上手快，缺点是功能相对基础，缺乏深度定制和自学习能力。

LangGraph：这是 LangChain 团队推出的 Agent 编排框架。它用"图"的方式来设计 Agent 的工作流程，非常适合构建复杂、确定性的业务流程。它的学习曲线比较陡峭，更适合有 LangChain 经验的开发者。

OpenClaw：这是 Hermes 的"前辈"，也是 Nous Research 团队之前的作品。OpenClaw 在 2025 年达到了 309k Stars 的惊人成绩，是 GitHub 上最受欢迎的 Agent 项目之一。但它在架构上存在一些局限性——尤其是在记忆管理和技能进化方面——这些局限性促使了 Hermes 的诞生。

Hermes Agent：Hermes 继承了 OpenClaw 的优秀基因，但进行了全面的架构升级。它的核心优势在于：

1. 三层记忆系统：短期记忆（会话上下文）+ 持久记忆（SQLite 全文检索）+ Skill 级记忆（跨会话知识沉淀）。这让 Hermes 拥有了真正的"长期记忆"能力。
2. 自主技能创建：Hermes 不仅能执行预定义的技能，还能在运行过程中自动创建新技能，并让这些技能自我进化。
3. 按需检索：不是把所有记忆都塞进上下文，而是根据当前任务的需求，智能地从记忆库中检索相关信息。
4. 用户建模：Hermes 会为每个用户建立独立的画像模型，记录你的偏好、习惯、工作模式，从而实现真正的"个性化"。

常见问题

Q：这些框架我能同时用吗？还是只能选一个？

A： 实际上，它们并不是完全互斥的。比如，你可以在 Hermes 中集成 LangGraph 来做流程编排，也可以用 CrewAI 的多 Agent 协作模式来扩展 Hermes 的能力。但在入门阶段，我建议你先专注学好一个框架。Hermes 的功能已经非常全面了，足以覆盖绝大多数场景。

2.4 核心概念：会自我学习、自我进化的本地 AI 助手

让我们把 Hermes 的核心特点再浓缩一下，归纳为四个关键词：

本地（Local）

Hermes 运行在你的机器上。你的对话记录、生成的文件、积累的记忆，全部存储在你的本地磁盘上。你不需要担心数据被上传到云端，不需要担心服务商的政策变化影响你的使用，不需要担心网络波动导致服务中断。

对于有数据隐私要求的企业来说，这是刚需。对于个人用户来说，这也意味着你对系统有完全的控制权。

自主（Autonomous）

传统的 AI 工具是"被动"的——你让它做什么，它才做什么。Hermes 是"主动"的——你给出一个目标，它会自己规划步骤、调用工具、处理异常、调整策略，直到目标达成。

比如，你说"帮我准备明天跟李总的会议"，Hermes 会自动：

• 从你的日历里找到明天跟李总的会议安排
• 检索你和李总的历史往来记录
• 查找李总所在公司的最新动态
• 整理你们上次会议的待办事项
• 生成一份会议准备清单和谈话要点
• 把这些内容整理成一份文档发给你

整个过程，你只需要说一句话。

学习（Learning）

Hermes 有一个核心的自学习闭环。每次交互结束后，系统会分析：

• 这次任务完成得怎么样？
• 用户的反馈是什么？（满意/不满意/需要修改）
• 有哪些经验可以沉淀下来？
• 有没有新的模式需要记录？

这些分析结果会被存入记忆系统，成为 Hermes 的"经验"。下次遇到类似情况，它会基于这些经验做出更好的决策。

进化（Evolution）

学习是"积累知识"，进化是"升级能力"。Hermes 的技能系统支持自我进化：

• 它能根据你的使用模式，自动创建新的技能
• 它能分析技能的使用效果，自动优化技能的实现
• 它能从社区共享的技能库中学习，吸收最佳实践

这就好比你的助理不仅记住了你教他的东西，还能自己琢磨出更高效的工作方法，并且跟同行交流取长补短。

Tips

"自学习"和"自我进化"是 Hermes 最独特的能力，但也是新手最容易误解的概念。它不是说 Hermes 会变得像人类一样"聪明"，而是说它会变得越来越"适合你"。它不会突然学会你从来没提过的东西，但它会把跟你交互过程中积累的经验，转化成更高效、更精准的服务。

3. 为什么选择 Hermes 而不是其他框架

3.1 2026 年 AI Agent 市场格局概览

在做出选择之前，我们需要先看清整个市场的全貌。

2026 年的 AI Agent 市场，可以用"百花齐放、群雄并起"来形容。大致可以分为几个阵营：

第一阵营：科技巨头的闭源产品

OpenAI 的 GPT-4o with Tools、Anthropic 的 Claude with Computer Use、Google 的 Gemini Agents、Microsoft 的 Copilot Agents。这些产品的特点是：技术能力强、集成度高、生态丰富。但它们的缺点也同样明显：闭源（你无法知道内部怎么工作）、数据上云（隐私风险）、按量付费（成本不可控）、定制受限（只能按照厂商的设计使用）。

第二阵营：开源框架

这是开发者和极客的主战场。从早期的 AutoGPT、BabyAGI，到中期的 LangChain、LlamaIndex，再到近两年的 OpenClaw、Hermes、CrewAI、AutoGen、LangGraph 等，开源框架的数量和质量都在快速提升。2026 年，GitHub 上 Agent 相关的仓库数量已经超过了 50,000 个，Star 数超过 10k 的项目有 30 多个。

第三阵营：垂直领域方案

一些公司专注于特定领域的 Agent 解决方案。比如，有的专门做投研 Agent，有的专门做客服 Agent，有的专门做内容创作 Agent。这些方案在特定场景下做得很好，但通用性不足。

第四阵营：低代码/无代码平台

面向非技术用户的可视化搭建平台。用户通过拖拽组件、配置规则来构建简单的 Agent 工作流。门槛低，但灵活性和能力上限也低。

在这个格局中，Hermes 位于第二阵营——开源框架——的领先位置。

注意

2026 年 4 月，Hermes Agent 在 GitHub 上的 Star 数已经达到了 97.8k，而它正式发布才两个月。这个增长速度在整个 AI 开源领域都是非常罕见的。相比之下，OpenClaw 用了约一年时间才达到类似的 Star 数。这说明了社区对 Hermes 的期待和认可。

3.2 Hermes 的五大核心优势

为什么 Hermes 能在这么短的时间内获得如此高的关注？我总结了五个核心优势。

优势一：记忆自动归档

记忆是 Agent 智能化的根基。如果一个 Agent 每次跟你对话都像是"第一次见你"，那它跟 ChatGPT 有什么区别？

Hermes 的三层记忆系统解决了这个问题：

第一层：会话记忆（短期上下文）

就像人类的短期记忆一样，记录当前对话的上下文。你前面说了什么，Agent 后面还能记得。这一层确保了对话的连贯性。

第二层：持久记忆（长期知识库）

利用 SQLite 数据库配合 FTS5 全文检索引擎，Hermes 可以把所有重要的信息长期保存下来。你上个月提到的一个项目细节，今天问起来它还能准确回答。

第三层：Skill 级记忆（跨会话知识沉淀）

这是 Hermes 的独创。当你在多个会话中反复处理某类任务时，Hermes 会自动提炼出"通用模式"，形成 Skill 级别的记忆。这些记忆不仅服务于当前会话，还会被用于优化技能本身。

类比

想象你有一个笔记本。第一层记忆像是你在谈话时随手记的便签——随时能看到，但空间有限。第二层记忆像是你的日记本——把重要的事情详细记录下来，需要的时候可以翻阅。第三层记忆像是你的"工作方法论"——你做了 100 个项目后总结出来的最佳实践，变成了你的"肌肉记忆"。

优势二：自主创建 Skill

传统 Agent 框架的技能系统是"静态"的——开发者写好技能代码，用户拿来用。如果用户需要一个框架里没有的技能，就得等开发者更新，或者自己写代码。

Hermes 打破了这种模式。它具备自动技能创建的能力：

当你反复执行一类任务时，Hermes 会识别出这个模式。比如，你每周都要"收集竞品动态、整理成周报、发送给团队"。做了几周之后，Hermes 会主动问你："我发现你每周都在做类似的任务，是否需要我创建一个自动化的技能？"

如果你同意，Hermes 会自动：

1. 分析这个任务的步骤和依赖
2. 生成对应的 Skill 代码
3. 注册到技能库中
4. 下次你需要的时候，一键执行

更厉害的是，这个 Skill 不是一成不变的。随着你使用的次数增多，Hermes 会不断优化它——简化步骤、修正错误、增加新的功能。

Tips

自动创建 Skill 的功能默认是开启的，但你可以在配置中关闭它，或者设置触发阈值（比如"至少重复 3 次才提示创建"）。对于喜欢手动控制一切的高级用户，这些选项给你了充分的自由度。

优势三：技能自我进化

不仅新技能可以自动创建，现有的技能也会自我进化。

Hermes 有一个内置的技能评估和优化循环：

1. 执行监控：每次技能执行时，系统会记录执行时间、成功率、用户反馈等指标。
2. 效果分析：定期（默认每周）分析技能的使用数据，找出效率瓶颈和常见失败点。
3. 自动优化：基于分析结果，尝试改进技能的实现。比如，把串行执行的步骤改为并行，或者增加错误处理的逻辑。
4. A/B 测试：新版本的技能不会直接替换旧版本，而是先在小部分场景中试用，确认效果更好后才全面推广。
5. 用户确认：对于重大变更，Hermes 会征求你的同意。对于细微优化，它可以自动应用。

这个过程就像是你的助理不仅在做事情，还在"琢磨怎么把事情做得更好"。

常见问题

Q：技能自我进化会不会把我的技能改坏？

A： 不会。Hermes 采用了多重保护机制。首先，所有优化都会先创建新版本，原版本会被保留。其次，新版本会经过 A/B 测试验证。第三，你可以随时回滚到旧版本。第四，你可以设置某些技能为"锁定"状态，禁止自动优化。安全性是设计的第一优先级。

优势四：按需检索

大语言模型有一个固有的限制：上下文窗口有限。即使是最先进的模型，也只能同时处理几十万字的上下文。如果 Agent 把所有历史记忆都塞进上下文，很快就会爆表。

Hermes 的解决方案是按需检索（Retrieval on Demand）：

当接收到一个新任务时，Hermes 会先进行"需求分析"：这个任务需要什么知识？需要哪些历史背景？需要调用什么技能？然后，它只去检索相关的记忆片段，把不相关的信息过滤掉。

这就好比一个优秀的律师在接案子时，不会把律所所有的卷宗都翻一遍，而是根据案情快速定位到相关的判例和法规。

按需检索的核心技术是语义检索 + 关键词检索的混合方案：

• 语义检索：利用向量嵌入技术，找到"意思相近"的内容。比如，你问"上次谈的那个合作"，即使你没有用"合作"这个词，系统也能根据语义理解找到相关内容。
• 关键词检索：利用 FTS5 全文检索，快速定位包含特定关键词的内容。
• 混合排序：把两种检索的结果合并，按相关度排序，选出最相关的片段送入上下文。

类比

想象你的记忆是一座巨大的图书馆。传统的 Agent 每次借书都是把整本书搬走（把所有记忆塞进上下文）。Hermes 的做法是，先由一个聪明的图书管理员（检索系统）分析你需要什么，然后只把相关的那几页复印给你。这样效率更高，而且不会超重。

优势五：用户建模

这是 Hermes 最具前瞻性的设计之一。

每个用户都是独特的。你的说话方式、工作习惯、知识背景、审美偏好，都和别人不一样。一个真正智能的 Agent，应该能"认识"你，并且根据你的特点来调整自己的行为。

Hermes 的用户建模系统会为你建立一个多维度的画像：

基础画像：你的角色（开发者/产品经理/投研人员等）、技术栈偏好、常用工具、工作时间规律等。

交互偏好：你喜欢简洁的回答还是详细的解释？你喜欢代码示例还是文字描述？你喜欢直接给答案还是引导你自己思考？

知识图谱：你熟悉哪些领域？在哪些领域你是新手？你经常提及的人物、公司、概念之间的关系是什么？

任务模式：你经常做什么类型的事情？你的任务有什么规律？（比如"每周一上午看周报"、"每天下午 3 点查数据"）

反馈历史：你对 Agent 的哪些回答满意？哪些不满意？你的修改习惯是什么？

基于这个画像，Hermes 会动态调整它的行为：

• 给开发者的回答会包含更多技术细节和代码示例
• 给产品经理的回答会更多关注用户场景和业务价值
• 如果你是个急性子，它会优先给出结论，细节放在后面
• 如果你是个谨慎的人，它会给出更多选项和权衡分析

Tips

用户建模是完全本地化的，你的画像数据只存储在你自己的机器上。Hermes 承诺不会上传任何用户画像数据到第三方服务器。这也是选择本地 Agent 的重要理由之一。

3.3 和 OpenClaw 的定位差异

既然 Hermes 是从 OpenClaw 演进而来的，那它们之间到底是什么关系？你应该选哪个？

简单来说：OpenClaw 是"探索者"，Hermes 是"定居者"。

OpenClaw 在 2025 年横空出世，带着实验性和探索性的基因。它的目标是"证明 AI Agent 可以做什么"。它设计了很多酷炫的功能，但部分功能在稳定性和实用性上还有提升空间。它的架构相对灵活（也可以说是"松散"），社区贡献的技能质量参差不齐。

Hermes 则是站在 OpenClaw 的肩膀上，进行了一次彻底的架构升级。它的目标是"让 AI Agent 真正可用、好用、耐用"。它在以下方面做了重大改进：

注意

详细的对比分析将在第十三册「OpenClaw 对比与迁移」中展开。这里只是给你一个初步印象。如果你已经是 OpenClaw 用户，不需要担心——迁移到 Hermes 的过程比你想象的简单得多，而且大部分技能都可以兼容。

3.4 适合什么样的人

说了那么多，你可能还在想："Hermes 到底适不适合我？"

让我给你一个直截了当的答案。

Hermes 特别适合以下人群：

第一类：每天需要跟 AI 协作的重度用户

如果你每天要花 2 小时以上跟 AI 打交道——写代码、查资料、写文档、做分析——那么 Hermes 的自学习和个性化能力会给你带来巨大的效率提升。使用一个月后，你会发现它越来越"懂"你，很多任务只需要说几个字就能完成。

第二类：对数据隐私有高要求的用户

如果你处理的是商业机密、个人隐私、法律文件等敏感信息，Hermes 的本地化部署是刚需。你的数据永远不会离开你的机器，这在合规性和安全性上是无可替代的优势。

第三类：希望打造个性化 AI 助手的极客

如果你喜欢折腾技术，喜欢定制和扩展，Hermes 的技能系统和开源架构会给你很大的发挥空间。你可以写自己的技能、接入自己的工具、甚至修改核心代码。

第四类：希望用 AI 创业的开发者

Hermes 的灵活性和可扩展性，使它成为构建 AI 产品的优秀底座。无论是做 SaaS 服务、做企业解决方案，还是做垂直领域的 Agent 应用，Hermes 都能提供坚实的技术基础。

第五类：从 OpenClaw 迁移的用户

如果你对 OpenClaw 感到满意，但希望获得更好的记忆管理、更智能的技能系统和更稳定的性能，Hermes 是最好的选择。迁移成本低，收益明显。

Hermes 可能不太适合：

• 偶尔用一下 AI 的轻度用户：如果你只是偶尔问几个问题，ChatGPT 或 Claude 的网页版可能更方便。
• 完全不想折腾的"纯小白"：虽然本书会尽量做到保姆级，但 Hermes 毕竟需要安装和配置，比打开一个网页要复杂一些。不过，如果你愿意花 1-2 小时跟着本书操作，这个门槛完全可以跨越。
• 追求"开箱即用"极致体验的用户：Hermes 的哲学是"给你控制权"，而不是"替你做好一切决定"。如果你喜欢"什么都不用管，厂商全部包办"的体验，闭源的云端服务可能更适合你。

Tips

如果你还在犹豫，我的建议是：先试试看。按照本书第五册的安装指南，花 30 分钟把 Hermes 跑起来，然后实际体验一下。很多时候，"用起来"的感觉比"听起来"的判断要准确得多。而且，本地部署不花一分钱（除了 API 调用的费用，但如果你接本地模型，这个费用也是零），试试没有损失。

4. 本书内容架构与阅读建议

4.1 全书 16 册概览

本书共 16 个分册，覆盖了 Hermes Agent 从入门到精通的所有核心主题。以下是每册的内容简介：

第一册：前言与概述（你正在读的这本）

介绍白皮书的写作背景、Hermes 的核心概念、为什么选择 Hermes、全书架构和学习建议。

第二册：AI-Agent 行业全景

从 2022 年到 2026 年的 AI Agent 发展简史、主流框架对比、大模型底座选择、MCP 协议解析、商业化趋势分析。

第三册：Hermes 诞生与演进

Nous Research 团队背景、OpenClaw 的辉煌与局限、从 OpenClaw 到 Hermes 的演进历程和关键决策。

第四册：核心架构深度解析

Hermes 的五层架构（接入层、推理层、记忆层、技能层、工具层）逐层详解、自学习闭环的设计哲学。

第五册：安装部署全攻略

本地部署（macOS/Linux/Windows）、Docker 部署、VPS 云服务器部署的完整步骤、环境配置和故障排查。

第六册：基础使用入门

首次运行 Hermes 的完整流程、对话模式详解、常用命令速查手册、主流大模型的接入配置。

第七册：三层记忆系统详解

会话记忆、持久记忆、Skill 级记忆的工作原理、配置方法和最佳实践。

第八册：技能系统完全指南

技能的定义与生命周期、自动技能创建机制、Skills Hub 生态的使用与贡献、跨平台技能复用。

第九册：47 个内置工具全解

七大类别（Web 与搜索、文件与数据、代码与开发、系统与运维、通信与消息、媒体与内容、金融与分析）的逐一详解。

第十册：多平台接入实战

飞书、企业微信、微信、Telegram、Discord、Slack、钉钉等 15+ 平台的接入方法。

第十一册：MCP 协议与自动化

MCP 协议的核心概念、如何接入 6000+ MCP 服务、Cron 定时任务配置、多 Agent 编排与协作。

第十二册：高阶玩法与实战案例

沙箱环境、语音交互、投研自动化流水线、企业级应用场景的完整案例。

第十三册：OpenClaw 对比与迁移

12 个维度的深度对比、从 OpenClaw 迁移到 Hermes 的完整教程、不同场景下的选型建议。

第十四册：九大变现路径

九条经过验证的变现路径的详细拆解、真实案例和收入预估。

第十五册：社区生态与资源

官方资源导航、活跃的社区项目与第三方扩展推荐、系统学习路径规划、FAQ 汇总。

第十六册：未来展望与总结

2026-2027 年发展趋势预判、Hermes 的公开路线图解读、对开源社区和个体开发者的建议、全书总结。

类比

如果把学 Hermes 比作学开车，这 16 册的编排是这样的：第一册是"为什么要学车"；第二册是"了解一下汽车行业的历史"；第三册是"你的车是什么品牌、有什么特点"；第四册是"汽车的构造原理"；第五册是"拿到车钥匙、学会打火起步"；第六册是"在空旷场地练习基本操作"；第七到九册是"熟悉各种功能和配置"；第十到十二册是"上路实战、高速行驶、复杂路况"；第十三册是"如果你之前开的是另一款车，怎么换过来"；第十四册是"学会开车后能做什么赚钱"；第十五册是"车友会和维修站地址"；第十六册是"自动驾驶的未来展望"。

4.2 不同读者推荐的阅读路线

在 00-目录与导读 中，我设计了四条推荐阅读路线。这里再针对 01 册的读者做一个更详细的说明。

路线一：快速入门路线（预计 3-4 小时）

适合：AI Agent 小白、时间紧张的初学者

顺序：第一册 → 第三册 → 第五册 → 第六册 → 第十二册（选读）

核心理念："先跑起来，再慢慢理解"。不要纠结于每个参数的含义，先让 Agent 动起来，看到它自动完成任务的效果。这种"成就感"是坚持学习的最好动力。

路线二：深度技术路线（预计 15-20 小时）

适合：开发者、技术架构师

顺序：第一册 → 第二册 → 第三册 → 第四册 → 第七册 → 第八册 → 第九册 → 第十一册 → 第十三册

核心理念："理解原理，才能灵活运用"。这条路线会带你深入到 Hermes 的每一层架构，理解每个设计决策背后的原因。完成这条路线后，你将具备独立开发和扩展 Hermes 的能力。

路线三：变现赚钱路线（预计 8-10 小时）

适合：创业者、独立开发者

顺序：第一册 → 第二册 → 第五册 → 第十册 → 第十二册 → 第十四册 → 第十五册 → 第十六册

核心理念："从需求出发，用技术落地"。重点是理解商业机会、掌握部署技能、获取实战灵感、学习变现路径。

路线四：从 OpenClaw 迁移路线（预计 6-8 小时）

适合：现有 OpenClaw 用户

顺序：第一册 → 第三册 → 第四册 → 第六册 → 第七册 → 第八册 → 第十三册 → 第十五册

核心理念："平滑迁移，无缝衔接"。理解演进逻辑、对比架构差异、熟悉新操作方式、掌握迁移方法。

Tips

这四条路线不是互斥的。你可以先走快速入门路线，把系统跑起来，然后再根据需要选择其他路线深入学习。学习是一个螺旋上升的过程，不需要一次把所有东西都学会。

4.3 学习方法建议：边学边练、先跑通再深入

基于我带过几百个学员的经验，我总结了三个最有效的学习方法。

方法一：边学边练，不要只看不练

技术类知识有一个特点："看懂"和"会做"之间有一道鸿沟。你看懂了安装步骤，不代表你能一次安装成功。你看懂了配置说明，不代表你能配出最适合自己的方案。

所以，我强烈建议：每读完一册，至少动手实践一次。如果你读的是第五册（安装部署），那就真的去安装一遍。如果你读的是第六册（基础使用），那就真的去跟 Agent 对话几次。实践过程中遇到的问题，往往是最有价值的学习机会。

注意

动手实践时，一定要做好记录。用一个文档或者笔记本，记录你执行的每一步命令、遇到的每一个错误、解决的每一个问题。这些记录不仅是你自己的"错题本"，将来也可以分享给其他遇到同样问题的人。

方法二：先跑通，再深入

很多技术学习者有一个共同的毛病：追求完美。他们希望在"完全理解"之后再动手，结果永远停留在"准备阶段"。

我的建议是：先让系统跑起来，不管它是不是"最优配置""。

用默认配置先把 Hermes 跑通，看到它能工作，建立信心。然后再逐步调整参数、优化配置、深入理解原理。"跑通"带来的成就感，会推动你继续学习下去。

方法三：建立自己的知识网络

不要把每一册当作孤立的知识点。Hermes 的 16 册内容是一张知识网络，册与册之间有很多关联。

比如，你学第五册（安装部署）时，会用到第四册（架构解析）中提到的某些概念。你学第八册（技能系统）时，会用到第七册（记忆系统）中讲到的持久化机制。你学第十四册（变现路径）时，会用到第二册（行业全景）中分析的市场趋势。

我建议你在学习过程中，画一张自己的"知识地图"——每学到一个新概念，就想想它跟之前学过的什么内容有关联。这种主动构建联系的学习方式，比被动阅读的效果要好得多。

Tips

加入社区是学习的重要一环。Hermes 的中文社区虽然还在发展中，但已经有很多热心的用户在分享经验。遇到问题不要独自纠结，去社区里问一问，往往能得到更快的解答。第十五册会详细介绍社区资源的获取方式。

5. 开源社区与学习资源前瞻

5.1 官方资源快速导航

在学习 Hermes 的过程中，以下官方资源是你最可靠的参考：

GitHub 仓库

Hermes 的主仓库地址是 github.com/nousresearch/hermes。这里是获取最新代码、提交 Issue、参与讨论的主要平台。

# 克隆主仓库到本地
git clone https://github.com/nousresearch/hermes.git
 
# 进入项目目录
cd hermes
 
# 查看当前分支和最新提交
git log --oneline -5

Tips

Star 这个仓库（点击右上角的 Star 按钮），这样你可以在自己的 GitHub 主页快速找到它。同时，点击 Watch 按钮选择 "Releases only"，这样每次有新版本发布时你会收到通知。

官方文档

官方文档托管在 docs.hermesagent.io（地址可能会随项目发展调整，以 GitHub README 中的最新链接为准）。文档包含了 API 参考、配置说明、开发指南等内容。

Discord 社区

Hermes 的官方 Discord 服务器是最活跃的实时交流平台。你可以在里面：

• 向开发团队直接提问
• 跟全球的 Hermes 用户交流经验
• 获取最新版本的第一手信息
• 找到志同道合的合作伙伴

加入方式：在 GitHub README 中找到 Discord 邀请链接。

注意

Discord 是一个英文为主的社区。如果你的英文不太流利，可以使用翻译工具辅助阅读。同时，中文用户正在建立自己的社区（见下文），你也可以优先加入中文社区。

Release 页面

GitHub 的 Release 页面是获取稳定版本的最佳途径。每个 Release 都附带了更新日志、安装包和升级指南。

# 查看 GitHub 上最新的 Release 信息
# 访问：https://github.com/nousresearch/hermes/releases
 
# 或者用命令行获取最新 tag
curl -s https://api.github.com/repos/nousresearch/hermes/releases/latest | grep tag_name

5.2 中文社区现状

作为一个中文写作者，我特别关注中文社区的发展。以下是 2026 年 4 月的现状：

微信群

目前已有多个 Hermes 相关的微信群，按主题分为：

• 新手互助群：面向刚入门的小白，氛围友好，问题再基础也有人解答
• 开发者交流群：面向有技术背景的用户，讨论深入的技术话题
• 变现交流群：面向创业者，分享商业机会和实战经验

加入方式：通过知识库配套社区入口获取最新讨论群与交流方式。

Tips

微信群有 500 人上限，如果群满了，会定期开新群。如果二维码过期，请重新在公众号获取最新的。

中文论坛/知识星球

部分社区成员在搭建中文的知识库和论坛，用于沉淀高质量的内容。相比于微信群的消息流，论坛更适合保存和检索知识。

B站/YouTube 视频教程

社区中也有持续更新的实战视频教程，可作为文字知识库的补充。

小红书/抖音

短平快的内容分享，适合获取灵感和了解最新动态。不适合系统学习，但适合了解"别人在用 Hermes 做什么"。

类比

如果把学习资源比作餐饮，官方文档是"营养餐"——权威、全面，但可能有点枯燥；视频教程是"家常菜"——容易入口，适合日常学习；社区讨论是"大排档"——热闹、接地气，能遇到各种意想不到的问题和解决方案；而这本书是"满汉全席"——系统、完整，虽然不能一顿吃完，但值得你慢慢品尝。

5.3 如何参与贡献

开源项目的生命力来自于社区贡献。无论你是什么背景，都可以为 Hermes 生态做出贡献。

方式一：提交 Bug 报告

如果你在使用过程中遇到了问题，可以在 GitHub 上提交 Issue。一个好的 Bug 报告应该包含：

## 问题描述
 
简明扼要地描述你遇到的问题
 
## 复现步骤
 
1. 执行了 xxx 命令
2. 输入了 xxx 内容
3. 出现了 xxx 错误
 
## 期望行为
 
正常情况下应该发生什么
 
## 实际行为
 
实际上发生了什么（附上错误日志）
 
## 环境信息
 
- 操作系统：macOS 15.4 / Ubuntu 22.04 / Windows 11
- Hermes 版本：v1.2.3
- Python 版本：3.11
- 使用的大模型：GPT-4o / Claude 3.5 / DeepSeek-V3

方式二：贡献技能（Skill）

Hermes 的技能系统是开放扩展的。如果你写了一个好用的技能，可以提交到 Skills Hub，让全世界的用户使用。

方式三：改进文档

文档是开源项目中最容易被忽视但也最重要的部分。如果你发现文档有错误、有遗漏、或者表述不清楚，可以提交 PR（Pull Request）来改进它。

方式四：翻译

帮助把官方文档翻译成中文，让更多中文用户能够方便地使用 Hermes。

方式五：社区运营

在中文社区中回答问题、组织线上活动、撰写教程文章，都是非常有价值的贡献。

Tips

第一次参与开源项目可能会感到紧张，担心自己"水平不够"。请放心，开源社区欢迎所有善意的贡献。一个 typo 的修正、一句文档的澄清，都是宝贵的贡献。重要的是参与，而不是完美。

6. 术语表与约定

6.1 本书常用术语解释

为了让你在阅读后续章节时不被术语困扰，这里提前解释本书中会频繁出现的核心概念。

Agent（智能体）

能够感知环境、做出决策、执行行动并从中学习的 AI 系统。你可以把它理解为"有自主行动能力的 AI"。

LLM（大语言模型）

Large Language Model 的缩写。指那些参数量巨大、能理解和生成自然语言的 AI 模型，如 GPT-4、Claude、DeepSeek 等。你可以把它理解为 Agent 的"大脑"。

Skill（技能）

Agent 能执行的具体任务模块。比如"发送邮件"是一个技能，"搜索网页"是另一个技能。Skill 可以被创建、存储、调用和进化。类比一下：Skill 就像是助理掌握的"手艺"——有的助理会写代码，有的会写文案，有的会做表格。

Memory（记忆）

Agent 存储和检索信息的能力。Hermes 有三层记忆系统，让 Agent 能"记住"过去的事情。类比：Memory 就是助理的笔记本和大脑。

MCP（Model Context Protocol）

模型上下文协议。这是一个开放标准，用于统一 AI 模型与外部工具/服务之间的通信方式。类比：MCP 就像是 Agent 世界的 "USB-C" 接口——一个标准，连接万物。

Gateway（网关）

Hermes 中负责接入不同平台和协议的模块。比如微信 Gateway、飞书 Gateway、Telegram Gateway 等。类比：Gateway 就像是助理的"前台"——不同的人（平台）通过前台找到助理。

Honcho

Nous Research 团队开发的一个用户身份管理和会话隔离系统。在 Hermes 中用于区分不同用户、管理用户权限和隔离会话数据。类比：Honcho 就像是助理公司的"HR 系统"——管理客户信息、分配权限、确保保密性。

RAG（检索增强生成）

Retrieval-Augmented Generation 的缩写。一种让 AI 在生成回答之前先从知识库中检索相关信息的技术。类比：RAG 就像是助理在回答你之前，先去档案室查资料，确保回答准确。

Prompt（提示词）

你给 AI 的输入文本。好的 Prompt 能让 AI 给出更准确的回答。类比：Prompt 就是你给助理的"任务说明"。说明越清楚，助理执行得越好。

Context Window（上下文窗口）

LLM 一次能处理的最大文本长度。超出这个长度的信息会被截断或遗忘。类比：上下文窗口就是助理的"短期记忆容量"——能同时记住多少事情。

Embedding（嵌入/向量）

将文本转换成数字向量的技术。语义相似的文本，其向量在数学上也很接近。这是实现语义检索的基础。类比：Embedding 就像是给每句话生成一个"指纹"——意思相近的话，指纹也相似。

FTS5

SQLite 数据库的一个全文检索扩展。Hermes 用它来快速搜索持久记忆中的文本内容。类比：FTS5 就是档案室的"检索系统"——让你能快速找到需要的文件。

Tool（工具）

Agent 可以调用的外部功能。比如搜索工具、文件读写工具、邮件发送工具等。Hermes 内置了 47 个工具，还可以通过 MCP 接入更多。类比：Tool 就是助理能使用的"办公设备"——电话、电脑、打印机等等。

Cron（定时任务）

Linux/Unix 系统中用于定时执行任务的工具。在 Hermes 中用来设置自动化流程，比如"每天早上 8 点给我发日报"。类比：Cron 就是助理的"闹钟和日程表"。

Sandbox（沙箱）

一个隔离的执行环境。在沙箱中运行的代码不会影响主系统，即使代码有恶意行为或出现错误，也是安全的。类比：Sandbox 就是助理的"练习室"——在里面试错不会影响到真实业务。

Docker

一种容器化技术，可以把应用及其依赖打包成一个独立的容器，在任何环境中一致运行。类比：Docker 就像是"标准化集装箱"——不管里面装什么，都能在任何港口装卸。

API（应用程序接口）

不同软件之间交互的约定方式。比如 Hermes 可以通过 OpenAI 的 API 调用 GPT-4。类比：API 就是不同公司之间的"服务协议"——规定了怎么请求服务、怎么接收结果。

Token

LLM 处理文本时的最小单位。一个中文词通常对应 1-2 个 token，一个英文单词通常对应 1 个 token。API 调用的费用通常按 token 数量计算。类比：Token 就像是文字的"积木块"——模型一块一块地处理和理解文本。

System Prompt（系统提示词）

在每次对话开始时发给 LLM 的隐藏指令，用于设定 AI 的角色、行为规则和约束条件。用户通常看不到 System Prompt，但它深刻影响着 AI 的回答风格。类比：System Prompt 就是给助理的"员工手册"——规定了工作中应该遵守的准则。

Workflow（工作流）

一系列按特定顺序执行的步骤。在 Agent 中，Workflow 定义了完成某个任务的完整流程。类比：Workflow 就是助理的"标准作业程序（SOP）"——每一步该做什么，写得清清楚楚。

Multi-Agent（多智能体）

多个 Agent 协同工作的系统。不同的 Agent 扮演不同的角色，通过协作完成复杂任务。类比：Multi-Agent 就是一个"团队"——产品经理、设计师、工程师各司其职，共同完成项目。

Fine-tuning（微调）

在预训练好的大模型基础上，用特定领域的数据进一步训练，让模型更适合特定任务。Hermes 本身不涉及 fine-tuning，但了解这个概念有助于理解模型能力。类比：Fine-tuning 就是"岗前培训"——通用人才经过针对性培训后更适合特定岗位。

Vector Database（向量数据库）

专门用于存储和检索向量数据的数据库。在 RAG 系统中用于存储文本的 embedding，支持基于语义相似度的快速检索。Hermes 使用 SQLite 配合扩展来实现类似功能。类比：Vector Database 就是"按意思分类的档案柜"——你不需要知道文件标题，只要描述你想找什么，它就能找到相关的。

Tips

这个术语表不需要一次性全部记住。建议你把它当作"词典"来用——读到某个术语不理解时，翻回来查一查。随着你阅读的深入，这些术语会变得越来越熟悉。

6.2 代码约定

本书中涉及的代码和命令遵循以下约定：

命令行命令

以 $ 开头的行表示需要在终端中执行的命令（$ 本身不是命令的一部分）：

$ hermes --version

以 # 开头的行表示注释或需要 root 权限执行的命令：

# 安装系统依赖（需要管理员权限）
$ sudo apt-get install python3-dev

配置文件

配置文件中的注释以 # 开头：

# 这是主配置文件
server:
  host: 0.0.0.0 # 监听所有网络接口
  port: 8080 # 服务端口

占位符

用 <> 包裹的内容表示需要替换为你自己的值：

$ hermes config set api_key <YOUR_API_KEY>

输出示例

命令的输出结果用无前缀的代码块表示：

Hermes Agent v1.2.3
Status: Running
Memory: 3.2MB / 512MB
Skills Loaded: 12

6.3 符号约定

本书中使用以下符号来突出重点：

Tips

提示性内容，帮助你更好地使用 Hermes 或提高学习效率。

注意

需要特别关注的内容，忽略可能会导致问题或误解。

常见问题

读者经常问到的问题及解答。

类比

用生活化的比喻解释抽象的技术概念。

加粗文字：表示重点概念或需要特别注意的内容。

等宽文字：表示代码、命令、文件名、配置项等技术内容。

本章小结

恭喜你读完了第一册！让我们回顾一下本章的核心内容。

我们谈了为什么写这本书：

AI Agent 时代已经到来，但大多数人还在门外观望。市面上的教程碎片化严重，缺乏系统性指导。从"养虾"到"养马"的转变，需要一本完整的养成手册。本书的定位不是技术论文，而是你的 AI 伙伴养成手册——通俗易懂、实战导向、覆盖从入门到精通的完整路径。

我们解释了 Hermes Agent 是什么：

Hermes 是一个生活在你的电脑里的、会学习、会进化的 AI 助手。它和 ChatGPT 的区别在于：本地运行而非云端、目标驱动而非对话驱动、具备长期记忆和自学习能力。它和 AutoGPT、MetaGPT 等框架的区别在于：更强大的记忆系统、自动创建和进化技能的能力、按需检索机制、多维度用户建模。

我们分析了为什么选择 Hermes：

2026 年的 AI Agent 市场百花齐放，Hermes 凭借五大核心优势脱颖而出：记忆自动归档、自主创建 Skill、技能自我进化、按需检索、用户建模。我们还对比了 Hermes 和 OpenClaw 的定位差异，并明确了 Hermes 适合什么样的人群。

我们介绍了全书架构和阅读建议：

16 册内容构成了一张完整的知识网络，针对不同读者设计了四条阅读路线：快速入门路线、深度技术路线、变现赚钱路线、从 OpenClaw 迁移路线。学习方法上，记住三个字：边学边练、先跑通再深入、建立知识网络。

我们梳理了开源社区和学习资源：

GitHub 仓库、官方文档、Discord 社区、Release 页面是主要官方资源。中文社区正在快速发展，包括微信群、视频教程、论坛等。任何人都可以通过提交 Bug、贡献技能、改进文档、翻译、社区运营等方式参与贡献。

我们准备了术语表和代码约定：

20+ 核心术语的通俗解释，以及代码和符号的使用约定，为后续章节的学习扫清了障碍。

读到这里，你可能已经迫不及待想要开始动手了。但别着急，建议你先去读第二册「AI-Agent 行业全景」，建立起对整个行业的宏观认知。这样，当你后面学习具体技术时，会更有"大局观"——知道每一个技术点在行业中的位置和价值。

当然，如果你是个急性子，也可以直接跳到第五册「安装部署全攻略」，先把 Hermes 跑起来再说。本书的模块化设计就是为了让你有选择的自由。

无论选择哪条路线，记住这句话：最好的学习方法，就是开始。