Hermes Agent 爆火背后:单 Agent 架构与去中心化训练的技术探索
近日,开源 AI 智能体 Hermes Agent 在国内技术社区引发广泛关注。自 2 月份开源以来,该项目在 GitHub 上已获得超 3.9 万星标。与 OpenClaw 等基于多 Agent 编排的框架不同,Hermes 采用了单 Agent 架构,并通过分层记忆系统和持续学习循环,旨在实现跨会话的任务沉淀与技能复用。与此同时,其背后的 Nous Research 公司正尝试引入区块链技术,探索去中心化的分布式模型训练路径。
01核心架构:单 Agent 与记忆分层
Hermes 的核心设计目标是构建一个能够“随使用而进化”的系统,而非单纯提升通用工作能力。其架构回归到单 Agent 模式,运行在一个持久循环中,不依赖复杂的编排层或多 Agent 集群。系统通过“学习循环”机制,在任务结束后自动评估处理过程,将有效方法提炼为可复用的“skill”并写入磁盘。下一次遇到类似任务时,Agent 可直接调用保存的工作流,无需重复推理步骤。
为解决记忆管理中的冗余与检索效率问题,Hermes 将记忆拆分为四层结构:
- 提示记忆(Prompt Memory):包括 MEMORY.md 和 USER.md,作为常驻上下文在每次会话开始时加载,严格限制在 3,575 个字符以内,仅保留长期关键信息。
- 会话检索(Session Search):所有会话存入 SQLite 并通过 FTS5 建立索引,Agent 仅在判断需要时检索相关上下文,并在进入任务前经由 LLM 摘要,避免全量加载。
- 技能程序性记忆(Skills Procedural Memory):存储“该怎么做”的方法论,默认仅加载技能名称和摘要,完整内容按需读取,以控制 Token 成本。
- Honcho 层用户建模(Honcho Layer User Modeling):跨会话被动追踪用户偏好、沟通风格及知识背景的变化。
这种分层设计确保了“发生了什么”与“该怎么做”的逻辑分离,配合系统自动触发的“定期提醒(periodic nudge)”机制,让 Agent 自主判断并整理值得留存的内容,避免记忆库沦为垃圾数据场。
02技术对比:Hermes 与 OpenClaw
| 特性维度 | Hermes | OpenClaw |
|---|---|---|
| 核心架构 | 单 Agent(Single-Agent),运行在持久循环中,无编排层 | 多 Agent 编排(Multi-Agent Orchestration),依赖中央枢纽路由 |
| 记忆机制 | 四层记忆结构(提示/检索/技能/用户建模),按需懒加载 | 维护会话上下文,通过中央枢纽调度,对长期记忆不友好 |
| 技能沉淀 | 自动评估任务,将有效流程提炼为可复用 skill | 通常侧重于单次任务完成,缺乏自动化的流程固化机制 |
| 网关职能 | 网关集成在循环中,负责消息、路由、交付、配对及定时触发 | 网关主要职责为交付,其他功能如记忆写入通常独立于网关 |
| 适用场景 | 日常使用、跨平台、任务重复且需持续演化的系统 | 模块化需求高、多 Agent 协同工作的复杂场景 |
Hermes 与 OpenClaw 架构与特性对比
在实际部署层面,Hermes 支持自托管在低成本 VPS 上,结合 Ollama 可实现本地推理。其会话路由直接集成在系统中,通过绑定用户 ID(而非具体平台)实现跨平台连续性。用户可在 Telegram 开启对话后切换至终端继续操作,上下文保持不丢失。部分用户反馈,Hermes 在记忆保持和任务恢复方面表现优于 OpenClaw,适合作为常在线的个人助理中枢。
03商业路径:去中心化训练与开源愿景
Hermes Agent 背后的 Nous Research 成立于 2023 年,致力于打造可与 OpenAI、DeepSeek 抗衡的开源 AI 模型。团队核心成员具备深厚的 AI 与加密行业背景。鉴于对依赖闭源基础模型(如 Llama)风险的担忧,Nous Research 决定将训练流程全面开源,并尝试利用区块链技术解决算力瓶颈问题。
针对 AI 训练对巨量算力的需求,Nous 提出了去中心化训练范式:利用加密激励机制,在全球范围内调用分布式 GPU 资源参与训练。该方案兼容工业级与消费级 GPU,并借助区块链的拜占庭容错特性防范恶意参与者上传错误数据。团队认为,去中心化不仅是资本组织方式的变革,更是实现容错性和无国界协作的技术关键。目前,该项目已获得 Paradigm 领投的 5000 万美元 A 轮融资,旨在推动这一“民主化”训练模式的落地。
当前文章无评论,是时候发表评论了