把 Agent 配成系统,而不是装满插件
一份 7 万字教程的框架提炼:先跑通,再让它记住你,最后才谈多智能体。
转载来源(三篇分开列)
- 主稿:知乎专栏《(可能全网最全/长的)7 万字 Hermes Agent 保姆级教程》原文(作者署名以原文页面为准)
- 补充稿一:知乎专栏《Hermes Agent 保姆级教程:让你的 AI 越用越聪明》原文
- 补充稿二:CSDN《【Hermes Agent】从零到一:保姆级教程详细学习与使用指南》原文
一、「满配」不是装满
把 Agent 配到「能用」,和配到「能长期用」,是两件事。这几篇教程最值钱的地方不是命令清单,而是先纠正了一个方向性错误。
主稿列了一张反面清单,几乎每条都中:工具太多,Agent 不知道什么时候该用;Skill 太多,选择成本变高;Memory 太乱,长期偏好被临时信息污染;MCP 太多,Token 与权限风险同时上升;Profile 太多,自己都不知道哪个 Agent 记住了什么;Gateway 开了,但安全边界没想清楚;Cron 跑了,但它做了什么你看不见。
所以它的定义是:围绕真实工作模式,把输入、记忆、技能、工具、自动化、可视化、Token 成本与多 Agent 协同组合成一个可长期维护、可持续进化的系统。
二、12 层路线图与上线顺序
L1 安装与模型、L2 输入系统 SOUL/AGENTS、L3 Memory、L4 Skills、L5 Tools、L6 MCP 外部连接、L7 Gateway 消息入口、L8 Cron 自动化、L9 Profiles 多实例、L10 可观测、L11 Token 精简、L12 多 Agent 团队。
关键不是这张表,而是上线顺序:先跑通 → 再记住你 → 再沉淀技能 → 再接工具 → 再定时运行 → 再多入口触达 → 最后多 Agent 协同。主稿明确劝退一上来就搭 24 小时 Agent 团队:基础没做好时,那只是做一个更复杂的失控系统。
三、安装基线:先「干净可用」
新手最常见的错误是装完就猛装插件。主稿引的官方原则是:如果连一次普通聊天都不能稳定完成,就不要继续叠加 Gateway、Cron、Skills 或路由。
补充稿二给的最小路径更具体:一键脚本装完先 hermes --version 验版本,再 hermes setup 配模型,最后 hermes doctor 做环境诊断;有问题先修环境,不要往下装。
有一条硬要求值得单独记:这类 Agent 的多步工具调用很吃上下文,所选模型至少要有 64K 上下文窗口,低于这个值会在长任务里反复截断。
四、输入系统是分层的,别混
主稿把输入分成六层:SOUL.md 管立场与边界、USER.md 管你是谁、MEMORY.md 管你在做什么、AGENTS 管当前目录规则、SKILL.md 管可复用流程、当前对话管临时任务。
内置记忆是两套:MEMORY.md 约 2200 字符偏工作笔记,USER.md 约 1375 字符偏用户画像,两者在每次 session 开始时以快照注入 system prompt。补充稿一还给了设计理由:字符上限是故意设紧的,过时信息会被自然挤出,留下的都是高密度事实——这跟「纯追加、几个月膨胀成几万行」的做法正好相反。
五、SOUL.md 是工作协议,不是人设卡
反面教材是「你是一个聪明强大无所不能的 AI 助手」。问题不是语气,而是没有可执行规则:Agent 不知道何时主动、何时刹车、何时可以反对你。
主稿的模板有五个实质模块:立场、职责、自主性边界(发内容、买东西、给人发消息、删重要数据、动凭证,没批准绝不执行)、反对与纠偏(要反对先拿数据、例子、推理或更好方案)、沟通风格,最后一条是自我改进:被纠正就存到合适位置,重复出现的流程考虑做成 Skill。
六、自进化机制到底怎么运作
补充稿一把这套机制拆成三个子系统,是目前看到最清楚的一版:
Memory 记人——MEMORY.md 存项目事实与踩过的坑,USER.md 存偏好与沟通风格。
Skill 记事——完成复杂任务或修完 bug 后,自动生成一份标准化技能文档,通常带描述、依赖、踩坑与上次使用时间;久了技能库就是能力边界。
Nudge Engine 主动学习——干完活回头想有没有值得记录的经验,主动写进记忆,相当于给自己定了个复盘闹钟。
这套设计解释了一个常见疑问:为什么同样用了一个月,有人觉得它越来越顺,有人觉得没差别。差别在于你有没有让它碰到「值得沉淀」的复杂任务——只做问答,它没有素材可学。
七、部署怎么选,钱花在哪
补充稿一给了三档对比:云厂商一键部署(约 ¥10–30/月,7×24 在线,自带运维);云端 API 按量付费(推理最强,但要管预算);本地 Ollama(零成本,取决于显卡或 M 系芯片)。
本地路线的关键三步:装 Hermes → 装 Ollama 并拉模型(7B 级模型在 M1/M2 或 8GB 显存可跑)→ 在 hermes setup 里选自定义端点填本地地址,密钥留空。
选择建议很简单:要稳定在线、不想运维,选云一键;要最强推理、用量可控,选云端 API;有算力又要数据不出本机,选本地。上述价格为原文引用,未在本站独立核实,以官方页面为准。
八、记忆初始化:让 Agent 通过访谈帮你写
这是个很实用的技巧——不是自己对着空模板憋,而是让 Agent 按六类问题访谈:用户画像、沟通偏好、当前项目、重复工作流、决策原则、工具环境,每类 2–3 问,然后自动生成两份文件。
它的提示词里带了三条约束:不写敏感信息与临时情绪;适合做成 Skill 的单独列出而不是塞进 Memory;内容要压到字符限制内。生成后人工审一遍再落盘。
九、什么该写进记忆,什么不该
适合:长期项目背景、稳定偏好、本地环境事实、常用路径与配置、反复踩的坑、当前活跃目标、已验证的决策原则。
不适合:人设口号(已在 SOUL)、临时任务(当前对话就够)、大段资料全文(放文件系统)、API Key 与密码(永远不写)、过期计划与临时情绪。
编辑判断
值得推的理由:它把「配 Agent」从玄学拉回了工程顺序。尤其「先回到已知可用状态」「输入系统分层」「记忆字符上限是故意设紧的」这三条,能直接照做,且不依赖具体产品版本。
需要打折的地方:
- 主稿作者在前言里写了「细节上如果有纰漏,希望谅解」。7 万字个人教程,命令与参数存在过期风险,照抄前先核官方文档。
- 三篇来源层级不同:主稿是产品化教程,补充稿一是体验对比,补充稿二是资料汇编且末尾引用了一圈二手来源。本文把三者的结论混在一起写,但没做交叉验证——涉及版本号、Star 数、价格的具体数字,一律以官方页面为准。
- 补充稿一里的「对比 OpenClaw 纯追加会膨胀成几万行」是作者自己的观察,不是官方结论,读者要按自己的使用强度判断。
- 只有框架没有验收标准:它告诉你该配什么,却没给「配到位」的判据,比如记忆是否真生效、Cron 失败如何告警。这部分要自己补。
我这边能直接拿走的一条:把「自主性边界」写成清单,比写一百句性格描述有用——它决定了 Agent 什么时候可以自己动,什么时候必须停下来问。