Hermes Agent 是 Nous Research 开发的开源 AI Agent 框架。它的目标不仅是让用户和 LLM 聊天，而是给模型一个可以真正执行任务的环境。模型可以使用工具、读取和修改文件、执行终端命令、操作网页和桌面程序、跨会话保存信息，并学习可重复使用的工作流程。
一句话理解： Hermes Agent 不是 LLM，而是一个 Agent Runtime 与编排层，用来把语言模型连接到工具、文件、Terminal、Browser、Memory、Skills、MCP 和自动化能力。
最重要的一点是：Hermes Agent 本身不是 LLM。 LLM 负责推理，而 Hermes 提供 Agent Loop、Tools、Memory、执行环境和各种集成。
User
↓
Hermes Agent
↓
LLM
↓
Decision / Tool Call
↓
Files / Terminal / Browser / MCP / Memory
↓
ResultHermes 可以连接 GPT、Claude、Gemini、DeepSeek 等云端模型，也可以通过 Ollama、LM Studio、llama.cpp、vLLM 或其他 OpenAI-compatible Endpoint 使用本地模型。
Hermes 可以完全私有运行吗？
可以，但取决于配置。如果模型和工具全部在本机运行，LLM inference 可以留在本地，Hermes 的内置对话、Memory 和 Skills 也保存在本机。
但是，如果开启 Cloud LLM、云端浏览器、网页搜索、图像生成或其他在线服务，与该功能相关的数据会发送给对应 Provider。因此 Local 并不一定代表完全 Offline。
Hermes 和 Ollama 的区别
Ollama 主要负责运行 Local LLM；Hermes 负责让模型能够决定并执行任务。
Hermes
↓
Ollama
↓
Local LLM
↓
GPUHermes 能做什么？
Terminal 和文件操作
Hermes 可以执行 Shell 命令、管理进程、读取文件和修改代码。因此它可以用于 Coding Agent、DevOps、服务器管理和自动化。
Browser Automation
Hermes 可以打开网页、读取页面内容、点击元素、填写表单和提取数据。它既可以控制本地 Chromium 系浏览器，也支持多个 Cloud Browser Backend。
Computer Use
Computer Use 可以让 Hermes 与桌面应用交互，而不仅仅是浏览器。Windows、macOS 和 Linux 都有相应支持，但不同系统可能需要额外权限。
Persistent Memory
Hermes 的 Memory 可以跨 Session 保留。MEMORY.md 用于保存 Agent 学到的环境、项目和工作方式信息，USER.md 用于保存用户偏好。过去的 Session 也可以在本地进行搜索。
Skills
Skill 是可以重复使用的操作流程。当 Hermes 找到一个可靠的多步骤工作方式时，可以将它保存成 Skill，以后在类似任务中重新加载。
这也是 Hermes 所说 Self-Improvement 的核心之一。正常使用时，这并不意味着底层 LLM 会不断自动 Fine-tune；主要的学习来自 Memory、Skills 和保存的 Context。
MCP
Hermes 支持 Model Context Protocol。通过 MCP，可以把 GitHub、Database、Filesystem、企业内部 API 等外部工具连接给 Agent，而不需要把所有 Integration 写进 Hermes 核心代码。
Hermes 同时支持 Local stdio MCP Server 和 Remote HTTP MCP Server。
Plugins
通过 Plugin 可以添加自定义 Tool、Hook、Command 和 Integration。
Skill = 可重复使用的操作知识
MCP = 标准化外部工具连接
Plugin = Hermes 原生扩展Subagents
Hermes 可以把任务委派给拥有独立 Context 的 Subagent。它适合真正复杂的任务，但简单任务不应该无条件使用 Multi-Agent，因为会增加延迟、成本和调试难度。
Cron 和 Automation
Hermes 可以创建一次性或周期性的 Scheduled Task。支持 Delay、Interval、Cron Expression 和指定时间，并可以暂停、恢复、修改或删除 Job。
Messaging Gateway
可以把 Hermes 变成长期运行的私人 Agent，通过 Telegram、Discord、Slack、WhatsApp、Signal、Email、Microsoft Teams、Matrix、Home Assistant 等平台进行交互。
hermes gateway setupVision 和 Voice
Hermes 可以连接支持视觉的模型，并集成图像分析、图像生成、Text-to-Speech 和 Speech-to-Text。具体是在本地还是云端执行取决于配置的 Provider。
API Server
Hermes 可以暴露一个 OpenAI-compatible HTTP API。Open WebUI、LobeChat、LibreChat 或自己的应用都可以把 Hermes 当作 AI Backend。
Application
↓
OpenAI-compatible API
↓
Hermes Agent
↓
Model + Tools + MemoryIDE Integration
Hermes 可以通过 ACP 集成到兼容的开发环境，在 IDE 中显示对话、Tool Activity、文件修改和 Terminal 操作。
SOUL.md 和 Personality
通过 SOUL.md 和 Personality Preset，可以定义 Agent 的身份、角色和回答风格。例如可以分别创建 Coding Agent、Research Agent、Security Agent 或 CRM Agent。
安装 Hermes
Windows
大多数用户可以直接使用 Hermes Desktop。Native CLI 也可以在 PowerShell 中安装：
iex (irm https://hermes-agent.nousresearch.com/install.ps1)Linux、WSL2 和 macOS
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash安装完成后：
hermes setup
hermes model
hermes tools
hermes现代 TUI：
hermes --tui诊断问题：
hermes doctor连接 Ollama
先在 Ollama 中启动模型，然后运行：
hermes model选择 Custom Endpoint。Ollama 常见的 OpenAI-compatible 地址是：
http://localhost:11434/v1随后输入实际的模型名称，并设置足够大的 Context。
Hermes 当前要求主模型拥有大约 64K token 或更大的 Context，以支持多步骤 Tool Calling 工作流。因此在 Local Model 上，大 Context 会显著影响 RAM 和 VRAM 使用量。
Hermes 自带的 Local Models
Hermes Desktop 还可以通过 llama.cpp 管理 Local Model。它可以根据硬件管理 Runtime 和模型。在模型下载完成后，如果没有开启依赖云端的 Tool，就可以不依赖 Cloud LLM 进行本地 inference。
硬件需求
如果使用 Cloud LLM，本机不承担大型模型 inference。现代 CPU 加大约 8GB 或更多 RAM 是一个实用起点，但不是 Hermes 官方最低配置。独立 GPU 不是必须的。
Local Model 则不同：
| 场景 | 推荐 RAM | 推荐 VRAM |
|---|---|---|
| Hermes + Cloud LLM | 8GB+ | 不需要 |
| 小型 Local Model | 16GB | 8GB+ |
| 7B–9B | 16–32GB | 10–12GB+ |
| 中型模型 | 32GB+ | 16–24GB+ |
| 27B–35B | 32–64GB+ | 16GB+，更多更好 |
| 多用户 Server | 64GB+ | Server GPU |
Hermes 官方文档指出，8GB 以上 GPU Memory 可以较舒适地运行较小的 Catalog Model，而 16GB 以上可以用于更高质量的 27–35B 模型。实际需求仍取决于 Quantization、Context、模型架构和并发量。
支持的平台
主要支持 Windows 10/11、Linux、WSL2 和 Apple Silicon macOS。Docker 也被支持，并且 Android/Termux 有单独的安装方式。
Windows 很适合个人 Desktop Agent；Linux 通常更适合长期运行的 Gateway、Automation Server 或多用户环境。
安全
可以访问 Terminal、文件系统和 Browser 的 Agent 拥有很强的执行能力。Hermes 提供危险命令 Approval 和文件写入保护，但这些功能不能完全替代操作系统级 Sandbox。
在敏感环境中，建议使用受限 OS User、限制 Workspace、减少 MCP 和 Plugin 权限、使用 Docker Isolation，并对破坏性或财务相关操作保留 Human Approval。
私有文档和 Fine-tuning
把 PDF 或其他文档交给 Hermes 并不会自动 Fine-tune LLM。可以通过 Files、Project Context、Skills、MCP 或外部 RAG 系统为 Agent 提供知识。
如果需要真正修改模型 Weight，则需要单独执行 Fine-tuning、LoRA 或 QLoRA。训练后的模型可以在本地部署，再连接给 Hermes 使用。
Private Documents
↓
RAG / Knowledge Layer
↓
Local LLM
↑
Hermes Agent
├── Memory
├── Skills
├── MCP
├── Browser
└── Automation从零开始的学习路径
首先只配置一个模型并确保普通 Chat 稳定工作。之后学习 File 和 Terminal Tools，再使用 Memory、Session Search 和自定义 Skill。接着加入 Browser Automation、MCP 和 Cron。最后再配置 Messaging Gateway、SOUL.md、API Server、Sandbox、Monitoring 和 Production Security。
可以做哪些项目？
Hermes 可以用于 Local Coding Assistant、Research Agent、Server Management Agent、SOC Assistant、Log Analysis Agent、CRM Agent、Sales Assistant、Personal Knowledge Agent、GitHub Automation Agent、Telegram Assistant、Home Assistant Agent 和 Document Processing Agent 等场景。
总结
Hermes Agent 最适合被理解为 LLM 外部的一层 Agent Runtime 和 Orchestration 系统。LLM 负责推理，Hermes 则增加 Tools、Memory、Skills、Browser、Computer Use、MCP、Automation、Messaging 和 API。用户可以选择完全 Local、完全 Cloud 或 Hybrid 架构，并从少量 Tool 开始逐步增加能力。