📌 项目日期：2026年9月 | 数据来源：GitHub官方仓库 | 星数：239,000+
Hermes Agent 是 NousResearch 开源的自我进化 AI Agent 框架，GitHub 星数已达23.9万。它的核心卖点是"随你成长的Agent"——通过持续学习循环和三层记忆架构，Agent 在使用过程中不断积累经验、优化行为，越用越聪明，而不是每次对话都从零开始。
三层记忆架构是 Hermes 的技术亮点：工作记忆（当前对话上下文）、情景记忆（历史交互经验）、语义记忆（提炼的知识规则）。Agent 每完成一次任务都会复盘，将有效经验写入语义记忆，下次遇到类似任务直接调用。这种设计思路与 Claude-Mem持久记忆插件 异曲同工，但 Hermes 将记忆内化到了框架层。
| 功能 | 说明 | 价值 |
|---|---|---|
| 持续学习循环 | 任务完成自动复盘，提炼经验规则 | 越用越聪明 |
| 三层记忆架构 | 工作/情景/语义记忆分层管理 | 长短期知识兼顾 |
| 技能自生成 | 高频操作自动固化为可复用技能 | 减少重复指令 |
| 多模型路由 | 按任务复杂度自动选择模型 | 成本与效果平衡 |
| 工具生态 | MCP协议接入外部工具 | 能力无限扩展 |
| 记忆可视化 | Web界面查看和编辑Agent记忆 | 知识透明可控 |
# 方式一：pip安装（Python 3.11+）
pip install hermes-agent
# 方式二：从源码安装
git clone https://github.com/NousResearch/hermes-agent.git
cd hermes-agent
pip install -e .
# 初始化（自动创建记忆数据库）
hermes init
# 配置模型
export HERMES_API_KEY=your_key_here
# 或使用本地模型
hermes config set model ollama/hermes-4-8b
# 启动交互式会话
hermes chat
# 启动Web记忆管理界面
hermes memory-ui --port 8900# 日常对话，Agent自动积累经验
hermes chat
> 帮我分析这个CSV文件的销售趋势
# Agent执行完成后自动复盘：
# [MEMORY] 学到：用户偏好pandas分析，输出图表用中文标签
# 下次类似任务直接应用经验
> 分析这个月的用户增长数据
# Agent直接用pandas+中文图表，无需再指定
# 查看Agent学到的所有规则
hermes memory rules
# 手动添加领域知识
hermes memory add-rule "我们公司财年从4月开始"
# 清除过时记忆
hermes memory forget --before 2026-01-01| 项目 | 优势 | 劣势 |
|---|---|---|
| Hermes Agent | 自我进化闭环，三层记忆架构完整 | 框架较新，生态待完善 |
| Claude-Mem | 轻量插件，即装即用 | 依赖Claude Code环境 |
| Letta (MemGPT) | 记忆管理成熟 | 无自动学习循环 |
| mem0 | 记忆API标准化 | 需要自行集成到应用 |
推荐场景：
不推荐场景：
Hermes Agent 是 NousResearch 开源的自我进化 AI Agent 框架，GitHub 星数已达23.9万。它的核心卖点是"随你成长的Agent"——通过持续学习循环和三层记忆架构，Agent 在使用过程中不断积累经验、优化行为，越用越聪明，而不是每次对话都从零开始。