作为一个带大模型后训练算法团队的 AI 工程师我用 OpenClaw龙虾用了大半年积累了不少记忆和技能。但当 Hermes 发布之后我花了一个周末完成迁移再也没回去。这篇是我上手Hermes 的完整记录——不只是迁移教程更是从零理解 Hermes 三大核心机制Memory / Skill / Nudge Engine、安装、配置 GLM-5.1、以及我用它做工作记录、简历筛选、论文调研等六个真实场景的实战心得。一、Hermes Agent 是什么Hermes Agent 是 Nous Research 开源的自主 AI Agent 框架GitHub 上已经超过 10 万 Star官方github地址是https://github.com/NousResearch/hermes-agent。说实话我一开始觉得「又一个 AI 聊天工具」但用下来发现它和大多数「绑定 IDE 的代码助手」或「套壳聊天机器人」完全不同——核心设计理念只有一个用得越久它越强。这个「越用越强」不是营销口号。它内置了一个完整的自我进化循环从每次对话中提取记忆、自动生成可复用技能、后台 nudging 自我审视——三个子系统协同工作让 Agent 的能力随使用时间持续积累。我的理解是它就是一个部署在你自己设备上的全能 AI 助手——写代码、抓网页、做调研、管文件、调 API甚至接上 Telegram/飞书/Slack 7x24 小时待命。不绑死在笔记本上可以跑在 $5 的 VPS、GPU 集群或者按需计费的 Serverless 环境里Daytona、Modal空闲时几乎不花钱。核心特性速览特性说明自我进化循环Memory Skill Nudge Engine 三位一体6 种终端后端local / Docker / SSH / Modal / Daytona / Singularity15 消息平台Telegram、Discord、Slack、飞书、微信企业版、Teams 等68 个内置工具搜索、抓取、文件操作、代码执行、浏览器自动化等MCP 支持连接任意 MCP Server 扩展能力多 Agent 协同Profile 隔离 Delegation 委派 Honcho 用户建模二、环境要求与安装这是整篇文章里最「工具性」的一节但也是最容易踩坑的一节。我按顺序把每一步写清楚当然如果你电脑上已经装了claude code或者trae/curosr/workbuddy等其他agent工具也可以直接把hermes的github地址https://github.com/NousResearch/hermes-agent给这些工具然后说帮我参考这个github地址xxxxxxx完成hermes的安装。2.1 环境要求开始之前确认系统满足以下条件项目要求Python3.11 或以上操作系统macOS / Linux / WSL2 / Windows / Android (Termux)不确定 Python 版本终端输入检查python3 --version版本不够按系统安装# macOS推荐 Homebrewbrew install python3.11# Linux / WSL2sudo apt update sudo apt install python3.11 python3.11-venv2.2 一键安装Linux / macOS / WSL2curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bashWindows (PowerShell早期 beta)irm https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.ps1 | iexAndroid (Termux) 也支持用同样的 curl 命令即可安装器会自动检测环境。⚠️重要不要用sudo跑安装脚本用普通用户权限就行。加了 sudo 反而会出权限问题。安装完成后当前终端还不认识 hermes 命令需要重载一下# macOS默认 zshsource ~/.zshrc# Linux默认 bashsource ~/.bashrc或者直接关掉终端重新打开效果一样。配置文件位于~/.hermes/目录下。2.3 首次设置向导安装好之后建议先跑一遍完整的设置向导hermes setup向导会引导你完成可以先选择quicksetup基础的配置和模型设置好后续按需修改配置选择 LLM 提供商填入 API Key配置默认工具集设置基础偏好2.4 配置模型 Provider安装好之后第一步是配置模型。Hermes 支持 20 个 Provider模型无关是它最大的优势之一hermes model交互式选择你的 Provider。我自己的配置是角色模型Provider说明主力模型GLM-5.1Z.AI (智谱)Coding Plan 性价比极高国内直连备选模型DeepSeek V4 ProDeepSeek复杂推理时切过来用辅助模型DeepSeek V4DeepSeek上下文压缩、记忆摘要等轻量任务其他常用 ProviderProvider说明OpenRouter聚合多模型灵活选择AnthropicClaude 系列OpenAIGPT / Codex 系列Kimi (月之暗面)长上下文适合读长文Alibaba Cloud通义千问系列AWS Bedrock企业级部署选完 Provider 后API Key 会存在~/.hermes/.env文件中。模型随时可切换不影响已积累的记忆和技能。以后想换模型再跑一次hermes model即可。国内模型完全够用GLM、DeepSeek、Kimi、通义千问都支持不用翻墙也能跑。我自己日常主力 GLM-5.1编码和文本生成都很稳价格也划算。2.5 验证安装hermes doctor这个命令值得单独讲因为它能省你 90% 的排错时间别问我怎么知道的hermes doctor它会逐项检查Python 版本是否满足要求依赖是否完整模型配置是否有效工具链是否正常全部绿色通过 装好了。有红色报错按提示修一下就行。**如果实在修不好借助本机安装过的其他的agent工具协助修复我执行hermes doctor的时候有很多报错请帮我逐个排查修复 **经验之谈以后遇到任何问题第一反应不要去搜论坛先跑一遍hermes doctor。80% 的问题它能直接告诉你答案。有条件claude code/trae/cursor/workbuddy任意一个最好用本机装的其他agent工具协助解决效率最高。2.6 开始第一次对话hermes就这么简单。输入后进入对话模式直接开始聊天。建议新手先试试这些你好请介绍一下你自己 plaintext 帮我看看当前目录下有哪些文件 plaintext 帮我写一个 Python 脚本统计一个目录下所有 JSONL 文件的行数Hermes 会自主调用合适的工具来完成任务。我的第一条对话是「帮我整理一下今天的团队工作进展输出一份简短的日报」。它自动扫描了我的工作目录、读了几份会议记录输出了一份结构清晰的日报——那一刻我意识到这东西不只是一个聊天机器人。三、对话中的进阶操作3.1 斜杠命令速查进入对话后hermes这些是我最常用的斜杠命令命令作用/help查看所有可用命令/model provider:model对话中临时切换模型/skills查看已积累的所有技能/insights --days 7生成 Agent「周报」学了什么、哪些技能被频繁调用/compact手动触发上下文压缩/clear清空当前对话历史/save保存当前对话/undo撤销上一轮操作/cost查看 Token 消耗统计重点说两个/skills—— 这是 Hermes「自进化」能力的可视化窗口。Agent 完成复杂任务后自动沉淀的技能都能在这里看到。我用了一个月之后敲这个命令发现已经积累了十几个技能——简历筛选、日报生成、实验记录格式化都是我自己都不知道在做重复操作的场景。/insights --days 7—— 相当于给你的 AI 助手出一份「周报」。它总结这周学到了什么、哪些技能被频繁调用、哪些任务模式在重复。说实话第一次看到这个输出时我有点惊讶——Agent 比我自己更清楚我这一周在做什么。3.2 对话中临时切换模型除了用hermes model全局切换我更常用的是在对话中随时切换/model deepseek:deepseek-v4-pro我的习惯是日常对话和简单任务用 GLM-5.1便宜遇到复杂推理或代码架构设计时切 DeepSeek V4 Pro更强。同一次对话里随时切换不影响已积累的记忆和技能。四、核心机制自我进化循环这是 Hermes 最核心的设计也是它区别于所有「一次性 AI 助手」的地方。Self-Improving Loop自我进化循环由三个子系统组成。理解这三个子系统就理解了 Hermes 为什么「越用越强」。用户对话 → Memory 系统提取记忆 ↓ Skill 系统自动生成技能 ↓ Nudge Engine 后台审视 ↓ 下一轮对话更强 ──→ 循环4.1 记忆系统Memory记忆系统是整个进化循环的基础。它不是一个简单的对话记录器而是有精心设计的分层架构。四层记忆模型层级存储特点生命周期工作记忆当前对话上下文包含完整对话历史随会话结束而消失精选长期记忆MEMORY.md USER.mdAgent 精选的重要信息跨会话持久化完整历史state.db (SQLite FTS5)所有对话全文索引永久保存外部知识源可插拔 Provider知识图谱、向量检索等取决于 ProviderMEMORY.md 与 USER.mdMEMORY.md约 2200 字符存放 Agent 精选的长期记忆。内容是 Agent 自己判断「重要」的信息你的偏好、项目上下文、常用工具配置等。USER.md约 1375 字符存放用户画像。Agent 通过 Honcho 的「辩证式用户建模」逐步构建对你的理解。关键设计Frozen Snapshot冻结快照。每次新会话开始时系统会拍摄 MEMORY.md 的快照并冻结。整个会话过程中 Agent 只读取快照版本不做修改。这样做的目的是利用 Provider 的 prefix cache 优化——冻结的前缀不变后续请求可以复用缓存显著降低延迟和成本。新写入的记忆只在下一个会话才会生效。这个设计很聪明——防止写入行为本身污染当前对话上下文。我在用的时候经常觉得「奇怪我昨天不是说了吗它怎么不记得」后来才意识到这是刻意的等新开一轮对话就生效了。记忆操作Agent 通过memory工具管理记忆add追加新记忆replace用子串匹配替换已有记忆精确匹配原文本remove用子串匹配删除已有记忆# 示例Agent 执行记忆操作memory(actionadd, content用户是 AI 算法团队经理团队 13 人做医疗对话大模型)memory(actionreplace, old用户使用 Qwen2-7B 作为基座模型, new用户已切换到 Qwen3-8B 基座)memory(actionremove, content用户在尝试 GRPO 训练方案)会话搜索session_search工具基于 SQLite FTS5 全文索引可以搜索所有历史会话记录session_search(query上次那个 DAPO 训练的实验参数, limit5)外部记忆 Provider如果内置记忆不够用Hermes 支持 8 个外部记忆 Providerhermes memory setup # 选择记忆后端hermes memory status # 查看当前配置可选 ProviderProvider特点Honcho辩证式用户建模官方推荐OpenViking向量检索增强Mem0开源记忆层Hindsight云端存储容量大Holographic知识图谱RetainDB专用记忆数据库ByteRover分布式记忆Supermemory聚合多源记忆对于大多数用户内置的 MEMORY.md FTS5 搜索已经够用。我自己目前还没接外部 Provider内置的记忆量对我来说够用了。如果你是重度用户、记忆量很大可以考虑接入。4.2 技能系统Skill如果说记忆是「知道什么」那技能就是「知道怎么做」。什么是 SkillSkill 是 Hermes 从你的重复操作中自动提取的标准化流程存储为 SKILL.md 文件。每个 Skill 包含---name:git-commit-helperdescription:标准化 Git 提交流程暂存、审查、提交triggers:-提交代码-git commitrequires_toolsets:-git---## 流程1.运行gitstatus查看变更2.运行gitdiff审查具体改动3.生成规范的commitmessage4.执行gitadd和gitcommit技能的自动生成Agent 会在以下场景自动触发技能生成同一任务调用了5 次以上工具——说明这是一个复杂流程值得沉淀遇到错误并成功克服——把解决方案固化下来用户纠正了 Agent 的做法——把正确做法记录下来生成后Agent 会自动在后续类似场景中复用这些技能。渐进式披露技能系统采用三层渐进式披露避免上下文浪费级别内容何时展示Level 0名称 一句话描述始终加载到上下文Level 1完整描述 触发条件匹配到触发词时Level 2完整步骤和代码Agent 决定执行该技能时这意味着数百个技能不会一股脑塞进上下文而是按需加载。技能管理hermes skills list # 查看已安装技能hermes skills browse # 浏览 Skills Hubhermes skills search git # 搜索特定技能hermes skills audit # 安全审计Agent 也可以自主管理技能skill_manage工具创建、修补、编辑、删除。安全机制会自动扫描新安装的技能发现危险操作会回滚。4.3 Nudge Engine提示引擎Nudge Engine 是第三个子系统也是最容易被忽视的——因为它在后台默默工作你不主动看日志甚至不知道它在干什么。它是一个后台运行的审查 Agent。工作流程每轮对话结束后Nudge Engine 在后台 fork 一个独立的审查 Agent审查 Agent 检查是否有值得记忆的信息、值得沉淀的技能内部维护两个计数器memory_count和skill_count当计数器达到阈值默认 10触发一次记忆写入或技能生成审查 Agent 最多调用 8 次工具防止无限循环关键点Nudge Engine 运行在后台不阻塞用户对话。你继续聊天它默默在后台审视和整理。五、SOUL.md定义 AI 人格SOUL.md 是 Hermes 的「灵魂文件」放在~/.hermes/SOUL.md。它定义了 Agent 的人格、沟通风格、专业领域和你的身份信息。说实话这部分值得花 15 分钟认真写——写好了后面的每一次对话都在这个基础上积累。为什么需要 SOUL.md没有 SOUL.md 的 Hermes 就像一个没有性格的通用助手每次对话都要重新解释你是谁。有了 SOUL.md它知道你的背景、你的工作、你喜欢怎样的沟通方式。配合 Memory 系统它能逐步构建对你的深入理解。示例配置我的实际配置# SOUL.md## 核心人格- 你是一名资深的 AI 算法工程师兼团队管理者- 精通 NLP / LLM 训练全流程数据标注 → SFT → DPO → GRPO → DAPO- 擅长将复杂的模型训练问题拆解为可执行的实验方案- 沟通风格技术直给少废话给结论和数据## 工作背景- 管理 15 人 AI 算法团队标注→清洗→训练→Prompt 优化→平台工具→管控系统- 基座模型Qwen3-8B业务场景是医疗智能客服留联率为核心指标- 训练流程Benchmark 评测 仿真测试SFT/DPO/GRPO/DAPO 持续迭代- 技术栈Python、PyTorch、vLLM、HuggingFace## 工作偏好- 实验记录要结构化超参、指标、结论缺一不可- 代码偏好清晰可复现不追求花哨写法- 技术调研优先看论文原文和官方实现不看二手解读## 关于用户- 当前在准备个人品牌建设和职业转型- 经常需要整理工作笔记、筛选简历、写日报周报、调研论文、头脑风暴- 喜欢用工具提效不重复做机械性工作## 禁忌- 不要提供没有实验依据的训练建议- 不要忽略数据质量对模型效果的影响- 不要给泛泛而谈的「AI 趋势」分析这是我根据自己实际情况写的 SOUL.md。它能帮 Agent 快速理解你是谁、你在做什么、你需要什么样的帮助。配合 Memory 系统Hermes 会逐步构建对你的深入理解。中文角色模板如果不知道怎么写可以直接用现成的中文模板。GitHub 上有个仓库jnMetaCode/agency-agents-zh包含 211 个中文角色模板覆盖 18 个部门分类工程、设计、营销、产品、金融、HR 等每个都是独立的.md文件直接复制到~/.hermes/SOUL.md即可。六、配置精讲config.yamlHermes 的主配置文件在~/.hermes/config.yaml搭配~/.hermes/.env存放密钥。日常使用默认配置就够了但以下几个配置项值得了解能帮你省不少 Token 和提升体验。6.1 终端后端terminal: backend: local # 默认本地执行6 种后端可选后端适用场景local本地开发最简单docker需要环境隔离ssh远程服务器modalServerless按需计费daytonaServerless 开发环境singularityHPC/科研场景如果选择 Dockerterminal: backend: docker docker: image: hermes-agent:latest volumes: - ${HOME}/projects:/workspace6.2 辅助模型Auxiliary Models可以为不同任务指定不同模型优化成本和质量models: main: glm-5.1 auxiliary: summary: deepseek-v4 # 上下文压缩用轻量模型 skill_generation: glm-5.1 # 技能生成用主力模型 memory: deepseek-v4 # 记忆摘要也用轻量模型6.3 上下文压缩长对话会消耗大量 Token。Hermes 内置 LLM 压缩compression: enabled: true threshold: 0.8 # 上下文使用到 80% 时触发 target_ratio: 0.5 # 压缩到原来的 50%6.4 委派Delegation让 Agent 自主生成子 Agent 处理子任务delegation: enabled: true max_spawn_depth: 26.5 安全配置security: secret_redaction: true website_blocklist: - malware-site.example.com smart_approvals: true6.6 网页搜索web_search: backend: tavily # tavily / searxng / parallel / firecrawl / exa tavily_api_key: ${TAVILY_API_KEY}七、实操案例我用 Hermes 做什么装好 Hermes 之后我把它融入了日常工作流。下面是六个真实场景都是我每天在用的。场景一工作记录——把散落的笔记变成结构化知识每天的工作很碎跟产品对需求、看训练实验结果、review 标注数据、跟老板汇报进度。我习惯随手在对话里丢一句话今天做了1) 完成了医疗对话 Qwen3-8B 的第三轮 SFT 数据清洗去掉了 23% 的重复样本2) 下午跟产品对齐了留联率统计口径发现之前的计算方式漏了转人工环节3) 晚上看了一篇 DAPO 的论文思路不错但实验不够 solidHermes 会自动把它整理成结构化的工作记录存在记忆里。过一周我搜「上次跟产品对齐留联率口径是哪天」它能精确找到。用了一周之后我发现 MEMORY.md 里已经积累了「用户团队负责医疗对话模型」「核心指标是留联率」「基座模型是 Qwen3-8B」这些结构化信息。不用我手动维护Agent 自己提炼的。场景二头脑风暴——训练方案怎么选这是我最常用的场景之一。比如我们在纠结下一轮训练用 DPO 还是 GRPO我在做一个医疗对话大模型基座 Qwen3-8B目前用 SFT DPO 两阶段训练。现在想进一步提升留联率用户留联系方式的比例可选方案1) 继续用 DPO 但增加 preference 数据量2) 切换到 GRPO用规则奖励 留联率信号做 online RL3) 试 DAPO论文说对对话场景效果好帮我分析每个方案的优劣势给出建议。Hermes 会结合它记忆中关于我项目的信息给出有针对性的分析。而不是泛泛地告诉你「DPO 适合 XXGRPO 适合 XX」。场景三简历筛选——帮 HR 做初筛团队招人时我会收到大量简历让 Hermes 帮忙做第一轮筛选帮我筛一下这份简历我们团队在找有大模型训练经验的算法工程师重点看1) 是否有 SFT/DPO/RLHF 实际训练经验2) 是否做过对话系统3) Python/PyTorch 基础是否扎实。简历内容如下[粘贴简历]它会给一个简洁的评估匹配度、亮点、疑点。我把筛选结果和 HR 对齐效率提升很多。用多了之后Agent 自动沉淀了一个「简历筛选」的 Skill我现在只需要说「帮我筛一下这份简历」就行了。场景四日报周报——从碎片到成品这是每天下班前的固定操作帮我生成今天的工作日报主要工作内容1. 完成 Qwen3-8B 第三轮 SFT 的训练perplexity 从 3.2 降到 2.82. 标注团队交付了 500 条医疗对话的 quality audit3. 跟产品经理对齐了留联率的新统计口径4. 开始调研 DAPO 训练方案的可行性Hermes 会生成格式规范的日报包含「今日完成」「进行中」「明日计划」三个板块。周报也类似加一句「汇总本周的工作记录」就行。场景五自研小工具——快速搞定临时需求团队经常需要一些小工具数据格式转换、批量跑评测、实验结果汇总。以前我要么自己写脚本要么丢给组员。现在直接让 Hermes 搞定帮我写一个 Python 脚本读取一个目录下所有的 JSONL 文件每个文件是模型输出的对话样本要求1. 统计每个文件的平均回复长度2. 统计包含医疗术语的比例术语表在 terms.txt 里3. 输出一个 CSV 汇总表它直接生成能跑的脚本我 review 一下就能用。这类需求频率高、单次工作量不大以前总被卡在「写脚本的时间比用工具的时间还长」现在几秒钟就解决了。场景六论文调研——快速抓住核心看到一个新方法让 Hermes 帮忙快速提炼帮我总结一下这篇论文的核心贡献[粘贴论文摘要或上传 PDF]重点关注1. 和 DPO/GRPO 相比有什么本质区别2. 实验设置是否 fair数据集、基座模型、评测指标3. 对我的医疗对话场景有没有借鉴意义它会给一个结构化的分析。如果我之前调研过类似的论文它会主动关联「之前你看过一篇类似的 DAPO 论文那篇的结论是…」——这就是 Memory 的价值。观察自我进化用了一段时间后看看 Agent 学到了什么# 查看记忆——里面应该有你的偏好、项目信息、工作习惯cat ~/.hermes/MEMORY.md# 查看用户画像——Agent 对你的理解cat ~/.hermes/USER.md# 查看已生成技能——可能已经有「日报生成」「简历筛选」等ls ~/.hermes/skills/我发现用了两周之后skills 目录里已经有 5 个自动生成的技能文件了。最常用的是「日报生成」和「简历筛选」——因为这两个操作我确实每天都在做。Hermes 自动把这些重复操作沉淀成了标准流程。八、多平台网关与 OpenClaw 迁移8.1 多平台网关如果你想像我一样让 Hermes 同时在 Telegram、Discord、Slack 等平台上工作hermes gateway一个 gateway 进程搞定所有平台。它支持跨平台对话连续——在 Telegram 聊到一半切到 Discord 继续上下文不丢。还支持语音消息转录。对我们做客服 SaaS 的来说这个能力直接就是产品力——客户可能分散在不同平台但 Hermes 作为 AI 客服在所有平台上记住的是同一份上下文。客户不管从哪个渠道来找你AI 都知道之前聊了什么。8.2 从 OpenClaw 迁移如果你之前用的是 OpenClaw龙虾Hermes 是它的正式继任者。同一个团队同一条产品线但架构和能力做了大幅升级。首次运行hermes setup时如果检测到你本地有~/.openclaw目录会自动提示迁移。也可以手动操作# 交互式迁移推荐hermes claw migrate# 先预览不实际执行hermes claw migrate --dry-run# 只迁移用户数据不含密钥hermes claw migrate --preset user-data迁移内容包括人格文件SOUL.md记忆数据MEMORY.md、USER.md自建技能导入到~/.hermes/skills/openclaw-imports/命令审批白名单各平台 API KeyTelegram、OpenRouter、OpenAI、ElevenLabs 等TTS 语音资源工作区指令AGENTS.md迁移完成后 OpenClaw 的原始数据不会被删除可以放心操作。万一不满意原来的龙虾还在。九、常见问题Q: Hermes 和普通 AI 聊天有什么区别A: 三个核心区别1) 自主工具调用不是只能聊天可以执行操作2) 自我进化用久了会积累记忆和自动生成技能3) 持久运行不依赖浏览器可以 7x24 跑在服务器上。Q: Token 消耗会不会很大A: 合理配置的情况下消耗可控。我的做法日常用 GLM-5.1便宜复杂任务切 DeepSeek V4 Pro开启上下文压缩辅助模型用轻量模型。Q: 记忆上限 2200 字符够用吗A: 对于轻度使用够了。重度用户建议接入外部记忆 Provider如 Hindsight 或 MemOS或者用 MemOS 本地记忆插件扩展容量。Q: 怎么切换模型A: 三种方式1) 全局切换hermes model2) 对话中临时切换/model deepseek:deepseek-v4-pro3) 在 config.yaml 中配置不同任务用不同模型。模型切换不影响已积累的记忆和技能。Q: 遇到问题怎么排查A: 第一反应跑hermes doctor80% 的问题它能直接告诉你答案。如果 doctor 全绿但还有问题再检查hermes model确认 Provider 配置或跑hermes setup重新初始化。Q: 想快速体验满配版不想一个个手动配置怎么办A: 社区有一键满配工具 evey-setup运行一条命令就能自动安装 29 个常用插件、配置免费模型访问和 Token 优化。下一篇会详细介绍。如果你不想折腾这是最快的上手路径。Q: 去哪里找更多工具、Skill 和教程A: 三个推荐入口Hermes Atlashermesatlas.com交互式工具地图、awesome-hermes-agentGitHub 上的资源汇总、get-hermes.ai/community官方社区门户。下一篇也有完整的生态导航章节。说真的这两年看着身边一个个搞Java、C、前端、数据、架构的开始卷大模型挺唏嘘的。大家最开始都是写接口、搞Spring Boot、连数据库、配Redis稳稳当当过日子。结果GPT、DeepSeek火了之后整条线上的人都开始有点慌了大家都在想“我是不是要学大模型不然这饭碗还能保多久”我先给出最直接的答案一定要把现有的技术和大模型结合起来而不是抛弃你们现有技术掌握AI能力的Java工程师比纯Java岗要吃香的多。即使现在裁员、降薪、团队解散的比比皆是……但后续的趋势一定是AI应用落地大模型方向才是实现职业升级、提升薪资待遇的绝佳机遇这绝非空谈。数据说话2025年的最后一个月脉脉高聘发布了《2025年度人才迁徙报告》披露了2025年前10个月的招聘市场现状。AI领域的人才需求呈现出极为迫切的“井喷”态势2025年前10个月新发AI岗位量同比增长543%9月单月同比增幅超11倍。同时在薪资方面AI领域也显著领先。其中月薪排名前20的高薪岗位平均月薪均超过6万元而这些席位大部分被AI研发岗占据。与此相对应市场为AI人才支付了显著的溢价算法工程师中专攻AIGC方向的岗位平均薪资较普通算法工程师高出近18%产品经理岗位中AI方向的产品经理薪资也领先约20%。当你意识到“技术AI”是个人突围的最佳路径时整个就业市场的数据也印证了同一个事实AI大模型正成为高薪机会的最大源头。最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】
从OpenClaw到Hermes：我用大半年见证AI助手“越用越强”的进化之路
作为一个带大模型后训练算法团队的 AI 工程师我用 OpenClaw龙虾用了大半年积累了不少记忆和技能。但当 Hermes 发布之后我花了一个周末完成迁移再也没回去。这篇是我上手Hermes 的完整记录——不只是迁移教程更是从零理解 Hermes 三大核心机制Memory / Skill / Nudge Engine、安装、配置 GLM-5.1、以及我用它做工作记录、简历筛选、论文调研等六个真实场景的实战心得。一、Hermes Agent 是什么Hermes Agent 是 Nous Research 开源的自主 AI Agent 框架GitHub 上已经超过 10 万 Star官方github地址是https://github.com/NousResearch/hermes-agent。说实话我一开始觉得「又一个 AI 聊天工具」但用下来发现它和大多数「绑定 IDE 的代码助手」或「套壳聊天机器人」完全不同——核心设计理念只有一个用得越久它越强。这个「越用越强」不是营销口号。它内置了一个完整的自我进化循环从每次对话中提取记忆、自动生成可复用技能、后台 nudging 自我审视——三个子系统协同工作让 Agent 的能力随使用时间持续积累。我的理解是它就是一个部署在你自己设备上的全能 AI 助手——写代码、抓网页、做调研、管文件、调 API甚至接上 Telegram/飞书/Slack 7x24 小时待命。不绑死在笔记本上可以跑在 $5 的 VPS、GPU 集群或者按需计费的 Serverless 环境里Daytona、Modal空闲时几乎不花钱。核心特性速览特性说明自我进化循环Memory Skill Nudge Engine 三位一体6 种终端后端local / Docker / SSH / Modal / Daytona / Singularity15 消息平台Telegram、Discord、Slack、飞书、微信企业版、Teams 等68 个内置工具搜索、抓取、文件操作、代码执行、浏览器自动化等MCP 支持连接任意 MCP Server 扩展能力多 Agent 协同Profile 隔离 Delegation 委派 Honcho 用户建模二、环境要求与安装这是整篇文章里最「工具性」的一节但也是最容易踩坑的一节。我按顺序把每一步写清楚当然如果你电脑上已经装了claude code或者trae/curosr/workbuddy等其他agent工具也可以直接把hermes的github地址https://github.com/NousResearch/hermes-agent给这些工具然后说帮我参考这个github地址xxxxxxx完成hermes的安装。2.1 环境要求开始之前确认系统满足以下条件项目要求Python3.11 或以上操作系统macOS / Linux / WSL2 / Windows / Android (Termux)不确定 Python 版本终端输入检查python3 --version版本不够按系统安装# macOS推荐 Homebrewbrew install python3.11# Linux / WSL2sudo apt update sudo apt install python3.11 python3.11-venv2.2 一键安装Linux / macOS / WSL2curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bashWindows (PowerShell早期 beta)irm https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.ps1 | iexAndroid (Termux) 也支持用同样的 curl 命令即可安装器会自动检测环境。⚠️重要不要用sudo跑安装脚本用普通用户权限就行。加了 sudo 反而会出权限问题。安装完成后当前终端还不认识 hermes 命令需要重载一下# macOS默认 zshsource ~/.zshrc# Linux默认 bashsource ~/.bashrc或者直接关掉终端重新打开效果一样。配置文件位于~/.hermes/目录下。2.3 首次设置向导安装好之后建议先跑一遍完整的设置向导hermes setup向导会引导你完成可以先选择quicksetup基础的配置和模型设置好后续按需修改配置选择 LLM 提供商填入 API Key配置默认工具集设置基础偏好2.4 配置模型 Provider安装好之后第一步是配置模型。Hermes 支持 20 个 Provider模型无关是它最大的优势之一hermes model交互式选择你的 Provider。我自己的配置是角色模型Provider说明主力模型GLM-5.1Z.AI (智谱)Coding Plan 性价比极高国内直连备选模型DeepSeek V4 ProDeepSeek复杂推理时切过来用辅助模型DeepSeek V4DeepSeek上下文压缩、记忆摘要等轻量任务其他常用 ProviderProvider说明OpenRouter聚合多模型灵活选择AnthropicClaude 系列OpenAIGPT / Codex 系列Kimi (月之暗面)长上下文适合读长文Alibaba Cloud通义千问系列AWS Bedrock企业级部署选完 Provider 后API Key 会存在~/.hermes/.env文件中。模型随时可切换不影响已积累的记忆和技能。以后想换模型再跑一次hermes model即可。国内模型完全够用GLM、DeepSeek、Kimi、通义千问都支持不用翻墙也能跑。我自己日常主力 GLM-5.1编码和文本生成都很稳价格也划算。2.5 验证安装hermes doctor这个命令值得单独讲因为它能省你 90% 的排错时间别问我怎么知道的hermes doctor它会逐项检查Python 版本是否满足要求依赖是否完整模型配置是否有效工具链是否正常全部绿色通过 装好了。有红色报错按提示修一下就行。**如果实在修不好借助本机安装过的其他的agent工具协助修复我执行hermes doctor的时候有很多报错请帮我逐个排查修复 **经验之谈以后遇到任何问题第一反应不要去搜论坛先跑一遍hermes doctor。80% 的问题它能直接告诉你答案。有条件claude code/trae/cursor/workbuddy任意一个最好用本机装的其他agent工具协助解决效率最高。2.6 开始第一次对话hermes就这么简单。输入后进入对话模式直接开始聊天。建议新手先试试这些你好请介绍一下你自己 plaintext 帮我看看当前目录下有哪些文件 plaintext 帮我写一个 Python 脚本统计一个目录下所有 JSONL 文件的行数Hermes 会自主调用合适的工具来完成任务。我的第一条对话是「帮我整理一下今天的团队工作进展输出一份简短的日报」。它自动扫描了我的工作目录、读了几份会议记录输出了一份结构清晰的日报——那一刻我意识到这东西不只是一个聊天机器人。三、对话中的进阶操作3.1 斜杠命令速查进入对话后hermes这些是我最常用的斜杠命令命令作用/help查看所有可用命令/model provider:model对话中临时切换模型/skills查看已积累的所有技能/insights --days 7生成 Agent「周报」学了什么、哪些技能被频繁调用/compact手动触发上下文压缩/clear清空当前对话历史/save保存当前对话/undo撤销上一轮操作/cost查看 Token 消耗统计重点说两个/skills—— 这是 Hermes「自进化」能力的可视化窗口。Agent 完成复杂任务后自动沉淀的技能都能在这里看到。我用了一个月之后敲这个命令发现已经积累了十几个技能——简历筛选、日报生成、实验记录格式化都是我自己都不知道在做重复操作的场景。/insights --days 7—— 相当于给你的 AI 助手出一份「周报」。它总结这周学到了什么、哪些技能被频繁调用、哪些任务模式在重复。说实话第一次看到这个输出时我有点惊讶——Agent 比我自己更清楚我这一周在做什么。3.2 对话中临时切换模型除了用hermes model全局切换我更常用的是在对话中随时切换/model deepseek:deepseek-v4-pro我的习惯是日常对话和简单任务用 GLM-5.1便宜遇到复杂推理或代码架构设计时切 DeepSeek V4 Pro更强。同一次对话里随时切换不影响已积累的记忆和技能。四、核心机制自我进化循环这是 Hermes 最核心的设计也是它区别于所有「一次性 AI 助手」的地方。Self-Improving Loop自我进化循环由三个子系统组成。理解这三个子系统就理解了 Hermes 为什么「越用越强」。用户对话 → Memory 系统提取记忆 ↓ Skill 系统自动生成技能 ↓ Nudge Engine 后台审视 ↓ 下一轮对话更强 ──→ 循环4.1 记忆系统Memory记忆系统是整个进化循环的基础。它不是一个简单的对话记录器而是有精心设计的分层架构。四层记忆模型层级存储特点生命周期工作记忆当前对话上下文包含完整对话历史随会话结束而消失精选长期记忆MEMORY.md USER.mdAgent 精选的重要信息跨会话持久化完整历史state.db (SQLite FTS5)所有对话全文索引永久保存外部知识源可插拔 Provider知识图谱、向量检索等取决于 ProviderMEMORY.md 与 USER.mdMEMORY.md约 2200 字符存放 Agent 精选的长期记忆。内容是 Agent 自己判断「重要」的信息你的偏好、项目上下文、常用工具配置等。USER.md约 1375 字符存放用户画像。Agent 通过 Honcho 的「辩证式用户建模」逐步构建对你的理解。关键设计Frozen Snapshot冻结快照。每次新会话开始时系统会拍摄 MEMORY.md 的快照并冻结。整个会话过程中 Agent 只读取快照版本不做修改。这样做的目的是利用 Provider 的 prefix cache 优化——冻结的前缀不变后续请求可以复用缓存显著降低延迟和成本。新写入的记忆只在下一个会话才会生效。这个设计很聪明——防止写入行为本身污染当前对话上下文。我在用的时候经常觉得「奇怪我昨天不是说了吗它怎么不记得」后来才意识到这是刻意的等新开一轮对话就生效了。记忆操作Agent 通过memory工具管理记忆add追加新记忆replace用子串匹配替换已有记忆精确匹配原文本remove用子串匹配删除已有记忆# 示例Agent 执行记忆操作memory(actionadd, content用户是 AI 算法团队经理团队 13 人做医疗对话大模型)memory(actionreplace, old用户使用 Qwen2-7B 作为基座模型, new用户已切换到 Qwen3-8B 基座)memory(actionremove, content用户在尝试 GRPO 训练方案)会话搜索session_search工具基于 SQLite FTS5 全文索引可以搜索所有历史会话记录session_search(query上次那个 DAPO 训练的实验参数, limit5)外部记忆 Provider如果内置记忆不够用Hermes 支持 8 个外部记忆 Providerhermes memory setup # 选择记忆后端hermes memory status # 查看当前配置可选 ProviderProvider特点Honcho辩证式用户建模官方推荐OpenViking向量检索增强Mem0开源记忆层Hindsight云端存储容量大Holographic知识图谱RetainDB专用记忆数据库ByteRover分布式记忆Supermemory聚合多源记忆对于大多数用户内置的 MEMORY.md FTS5 搜索已经够用。我自己目前还没接外部 Provider内置的记忆量对我来说够用了。如果你是重度用户、记忆量很大可以考虑接入。4.2 技能系统Skill如果说记忆是「知道什么」那技能就是「知道怎么做」。什么是 SkillSkill 是 Hermes 从你的重复操作中自动提取的标准化流程存储为 SKILL.md 文件。每个 Skill 包含---name:git-commit-helperdescription:标准化 Git 提交流程暂存、审查、提交triggers:-提交代码-git commitrequires_toolsets:-git---## 流程1.运行gitstatus查看变更2.运行gitdiff审查具体改动3.生成规范的commitmessage4.执行gitadd和gitcommit技能的自动生成Agent 会在以下场景自动触发技能生成同一任务调用了5 次以上工具——说明这是一个复杂流程值得沉淀遇到错误并成功克服——把解决方案固化下来用户纠正了 Agent 的做法——把正确做法记录下来生成后Agent 会自动在后续类似场景中复用这些技能。渐进式披露技能系统采用三层渐进式披露避免上下文浪费级别内容何时展示Level 0名称 一句话描述始终加载到上下文Level 1完整描述 触发条件匹配到触发词时Level 2完整步骤和代码Agent 决定执行该技能时这意味着数百个技能不会一股脑塞进上下文而是按需加载。技能管理hermes skills list # 查看已安装技能hermes skills browse # 浏览 Skills Hubhermes skills search git # 搜索特定技能hermes skills audit # 安全审计Agent 也可以自主管理技能skill_manage工具创建、修补、编辑、删除。安全机制会自动扫描新安装的技能发现危险操作会回滚。4.3 Nudge Engine提示引擎Nudge Engine 是第三个子系统也是最容易被忽视的——因为它在后台默默工作你不主动看日志甚至不知道它在干什么。它是一个后台运行的审查 Agent。工作流程每轮对话结束后Nudge Engine 在后台 fork 一个独立的审查 Agent审查 Agent 检查是否有值得记忆的信息、值得沉淀的技能内部维护两个计数器memory_count和skill_count当计数器达到阈值默认 10触发一次记忆写入或技能生成审查 Agent 最多调用 8 次工具防止无限循环关键点Nudge Engine 运行在后台不阻塞用户对话。你继续聊天它默默在后台审视和整理。五、SOUL.md定义 AI 人格SOUL.md 是 Hermes 的「灵魂文件」放在~/.hermes/SOUL.md。它定义了 Agent 的人格、沟通风格、专业领域和你的身份信息。说实话这部分值得花 15 分钟认真写——写好了后面的每一次对话都在这个基础上积累。为什么需要 SOUL.md没有 SOUL.md 的 Hermes 就像一个没有性格的通用助手每次对话都要重新解释你是谁。有了 SOUL.md它知道你的背景、你的工作、你喜欢怎样的沟通方式。配合 Memory 系统它能逐步构建对你的深入理解。示例配置我的实际配置# SOUL.md## 核心人格- 你是一名资深的 AI 算法工程师兼团队管理者- 精通 NLP / LLM 训练全流程数据标注 → SFT → DPO → GRPO → DAPO- 擅长将复杂的模型训练问题拆解为可执行的实验方案- 沟通风格技术直给少废话给结论和数据## 工作背景- 管理 15 人 AI 算法团队标注→清洗→训练→Prompt 优化→平台工具→管控系统- 基座模型Qwen3-8B业务场景是医疗智能客服留联率为核心指标- 训练流程Benchmark 评测 仿真测试SFT/DPO/GRPO/DAPO 持续迭代- 技术栈Python、PyTorch、vLLM、HuggingFace## 工作偏好- 实验记录要结构化超参、指标、结论缺一不可- 代码偏好清晰可复现不追求花哨写法- 技术调研优先看论文原文和官方实现不看二手解读## 关于用户- 当前在准备个人品牌建设和职业转型- 经常需要整理工作笔记、筛选简历、写日报周报、调研论文、头脑风暴- 喜欢用工具提效不重复做机械性工作## 禁忌- 不要提供没有实验依据的训练建议- 不要忽略数据质量对模型效果的影响- 不要给泛泛而谈的「AI 趋势」分析这是我根据自己实际情况写的 SOUL.md。它能帮 Agent 快速理解你是谁、你在做什么、你需要什么样的帮助。配合 Memory 系统Hermes 会逐步构建对你的深入理解。中文角色模板如果不知道怎么写可以直接用现成的中文模板。GitHub 上有个仓库jnMetaCode/agency-agents-zh包含 211 个中文角色模板覆盖 18 个部门分类工程、设计、营销、产品、金融、HR 等每个都是独立的.md文件直接复制到~/.hermes/SOUL.md即可。六、配置精讲config.yamlHermes 的主配置文件在~/.hermes/config.yaml搭配~/.hermes/.env存放密钥。日常使用默认配置就够了但以下几个配置项值得了解能帮你省不少 Token 和提升体验。6.1 终端后端terminal: backend: local # 默认本地执行6 种后端可选后端适用场景local本地开发最简单docker需要环境隔离ssh远程服务器modalServerless按需计费daytonaServerless 开发环境singularityHPC/科研场景如果选择 Dockerterminal: backend: docker docker: image: hermes-agent:latest volumes: - ${HOME}/projects:/workspace6.2 辅助模型Auxiliary Models可以为不同任务指定不同模型优化成本和质量models: main: glm-5.1 auxiliary: summary: deepseek-v4 # 上下文压缩用轻量模型 skill_generation: glm-5.1 # 技能生成用主力模型 memory: deepseek-v4 # 记忆摘要也用轻量模型6.3 上下文压缩长对话会消耗大量 Token。Hermes 内置 LLM 压缩compression: enabled: true threshold: 0.8 # 上下文使用到 80% 时触发 target_ratio: 0.5 # 压缩到原来的 50%6.4 委派Delegation让 Agent 自主生成子 Agent 处理子任务delegation: enabled: true max_spawn_depth: 26.5 安全配置security: secret_redaction: true website_blocklist: - malware-site.example.com smart_approvals: true6.6 网页搜索web_search: backend: tavily # tavily / searxng / parallel / firecrawl / exa tavily_api_key: ${TAVILY_API_KEY}七、实操案例我用 Hermes 做什么装好 Hermes 之后我把它融入了日常工作流。下面是六个真实场景都是我每天在用的。场景一工作记录——把散落的笔记变成结构化知识每天的工作很碎跟产品对需求、看训练实验结果、review 标注数据、跟老板汇报进度。我习惯随手在对话里丢一句话今天做了1) 完成了医疗对话 Qwen3-8B 的第三轮 SFT 数据清洗去掉了 23% 的重复样本2) 下午跟产品对齐了留联率统计口径发现之前的计算方式漏了转人工环节3) 晚上看了一篇 DAPO 的论文思路不错但实验不够 solidHermes 会自动把它整理成结构化的工作记录存在记忆里。过一周我搜「上次跟产品对齐留联率口径是哪天」它能精确找到。用了一周之后我发现 MEMORY.md 里已经积累了「用户团队负责医疗对话模型」「核心指标是留联率」「基座模型是 Qwen3-8B」这些结构化信息。不用我手动维护Agent 自己提炼的。场景二头脑风暴——训练方案怎么选这是我最常用的场景之一。比如我们在纠结下一轮训练用 DPO 还是 GRPO我在做一个医疗对话大模型基座 Qwen3-8B目前用 SFT DPO 两阶段训练。现在想进一步提升留联率用户留联系方式的比例可选方案1) 继续用 DPO 但增加 preference 数据量2) 切换到 GRPO用规则奖励 留联率信号做 online RL3) 试 DAPO论文说对对话场景效果好帮我分析每个方案的优劣势给出建议。Hermes 会结合它记忆中关于我项目的信息给出有针对性的分析。而不是泛泛地告诉你「DPO 适合 XXGRPO 适合 XX」。场景三简历筛选——帮 HR 做初筛团队招人时我会收到大量简历让 Hermes 帮忙做第一轮筛选帮我筛一下这份简历我们团队在找有大模型训练经验的算法工程师重点看1) 是否有 SFT/DPO/RLHF 实际训练经验2) 是否做过对话系统3) Python/PyTorch 基础是否扎实。简历内容如下[粘贴简历]它会给一个简洁的评估匹配度、亮点、疑点。我把筛选结果和 HR 对齐效率提升很多。用多了之后Agent 自动沉淀了一个「简历筛选」的 Skill我现在只需要说「帮我筛一下这份简历」就行了。场景四日报周报——从碎片到成品这是每天下班前的固定操作帮我生成今天的工作日报主要工作内容1. 完成 Qwen3-8B 第三轮 SFT 的训练perplexity 从 3.2 降到 2.82. 标注团队交付了 500 条医疗对话的 quality audit3. 跟产品经理对齐了留联率的新统计口径4. 开始调研 DAPO 训练方案的可行性Hermes 会生成格式规范的日报包含「今日完成」「进行中」「明日计划」三个板块。周报也类似加一句「汇总本周的工作记录」就行。场景五自研小工具——快速搞定临时需求团队经常需要一些小工具数据格式转换、批量跑评测、实验结果汇总。以前我要么自己写脚本要么丢给组员。现在直接让 Hermes 搞定帮我写一个 Python 脚本读取一个目录下所有的 JSONL 文件每个文件是模型输出的对话样本要求1. 统计每个文件的平均回复长度2. 统计包含医疗术语的比例术语表在 terms.txt 里3. 输出一个 CSV 汇总表它直接生成能跑的脚本我 review 一下就能用。这类需求频率高、单次工作量不大以前总被卡在「写脚本的时间比用工具的时间还长」现在几秒钟就解决了。场景六论文调研——快速抓住核心看到一个新方法让 Hermes 帮忙快速提炼帮我总结一下这篇论文的核心贡献[粘贴论文摘要或上传 PDF]重点关注1. 和 DPO/GRPO 相比有什么本质区别2. 实验设置是否 fair数据集、基座模型、评测指标3. 对我的医疗对话场景有没有借鉴意义它会给一个结构化的分析。如果我之前调研过类似的论文它会主动关联「之前你看过一篇类似的 DAPO 论文那篇的结论是…」——这就是 Memory 的价值。观察自我进化用了一段时间后看看 Agent 学到了什么# 查看记忆——里面应该有你的偏好、项目信息、工作习惯cat ~/.hermes/MEMORY.md# 查看用户画像——Agent 对你的理解cat ~/.hermes/USER.md# 查看已生成技能——可能已经有「日报生成」「简历筛选」等ls ~/.hermes/skills/我发现用了两周之后skills 目录里已经有 5 个自动生成的技能文件了。最常用的是「日报生成」和「简历筛选」——因为这两个操作我确实每天都在做。Hermes 自动把这些重复操作沉淀成了标准流程。八、多平台网关与 OpenClaw 迁移8.1 多平台网关如果你想像我一样让 Hermes 同时在 Telegram、Discord、Slack 等平台上工作hermes gateway一个 gateway 进程搞定所有平台。它支持跨平台对话连续——在 Telegram 聊到一半切到 Discord 继续上下文不丢。还支持语音消息转录。对我们做客服 SaaS 的来说这个能力直接就是产品力——客户可能分散在不同平台但 Hermes 作为 AI 客服在所有平台上记住的是同一份上下文。客户不管从哪个渠道来找你AI 都知道之前聊了什么。8.2 从 OpenClaw 迁移如果你之前用的是 OpenClaw龙虾Hermes 是它的正式继任者。同一个团队同一条产品线但架构和能力做了大幅升级。首次运行hermes setup时如果检测到你本地有~/.openclaw目录会自动提示迁移。也可以手动操作# 交互式迁移推荐hermes claw migrate# 先预览不实际执行hermes claw migrate --dry-run# 只迁移用户数据不含密钥hermes claw migrate --preset user-data迁移内容包括人格文件SOUL.md记忆数据MEMORY.md、USER.md自建技能导入到~/.hermes/skills/openclaw-imports/命令审批白名单各平台 API KeyTelegram、OpenRouter、OpenAI、ElevenLabs 等TTS 语音资源工作区指令AGENTS.md迁移完成后 OpenClaw 的原始数据不会被删除可以放心操作。万一不满意原来的龙虾还在。九、常见问题Q: Hermes 和普通 AI 聊天有什么区别A: 三个核心区别1) 自主工具调用不是只能聊天可以执行操作2) 自我进化用久了会积累记忆和自动生成技能3) 持久运行不依赖浏览器可以 7x24 跑在服务器上。Q: Token 消耗会不会很大A: 合理配置的情况下消耗可控。我的做法日常用 GLM-5.1便宜复杂任务切 DeepSeek V4 Pro开启上下文压缩辅助模型用轻量模型。Q: 记忆上限 2200 字符够用吗A: 对于轻度使用够了。重度用户建议接入外部记忆 Provider如 Hindsight 或 MemOS或者用 MemOS 本地记忆插件扩展容量。Q: 怎么切换模型A: 三种方式1) 全局切换hermes model2) 对话中临时切换/model deepseek:deepseek-v4-pro3) 在 config.yaml 中配置不同任务用不同模型。模型切换不影响已积累的记忆和技能。Q: 遇到问题怎么排查A: 第一反应跑hermes doctor80% 的问题它能直接告诉你答案。如果 doctor 全绿但还有问题再检查hermes model确认 Provider 配置或跑hermes setup重新初始化。Q: 想快速体验满配版不想一个个手动配置怎么办A: 社区有一键满配工具 evey-setup运行一条命令就能自动安装 29 个常用插件、配置免费模型访问和 Token 优化。下一篇会详细介绍。如果你不想折腾这是最快的上手路径。Q: 去哪里找更多工具、Skill 和教程A: 三个推荐入口Hermes Atlashermesatlas.com交互式工具地图、awesome-hermes-agentGitHub 上的资源汇总、get-hermes.ai/community官方社区门户。下一篇也有完整的生态导航章节。说真的这两年看着身边一个个搞Java、C、前端、数据、架构的开始卷大模型挺唏嘘的。大家最开始都是写接口、搞Spring Boot、连数据库、配Redis稳稳当当过日子。结果GPT、DeepSeek火了之后整条线上的人都开始有点慌了大家都在想“我是不是要学大模型不然这饭碗还能保多久”我先给出最直接的答案一定要把现有的技术和大模型结合起来而不是抛弃你们现有技术掌握AI能力的Java工程师比纯Java岗要吃香的多。即使现在裁员、降薪、团队解散的比比皆是……但后续的趋势一定是AI应用落地大模型方向才是实现职业升级、提升薪资待遇的绝佳机遇这绝非空谈。数据说话2025年的最后一个月脉脉高聘发布了《2025年度人才迁徙报告》披露了2025年前10个月的招聘市场现状。AI领域的人才需求呈现出极为迫切的“井喷”态势2025年前10个月新发AI岗位量同比增长543%9月单月同比增幅超11倍。同时在薪资方面AI领域也显著领先。其中月薪排名前20的高薪岗位平均月薪均超过6万元而这些席位大部分被AI研发岗占据。与此相对应市场为AI人才支付了显著的溢价算法工程师中专攻AIGC方向的岗位平均薪资较普通算法工程师高出近18%产品经理岗位中AI方向的产品经理薪资也领先约20%。当你意识到“技术AI”是个人突围的最佳路径时整个就业市场的数据也印证了同一个事实AI大模型正成为高薪机会的最大源头。最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】
