Hermes Agent：Nous Research 的自我改進 AI Agent，91.6k Stars 的封閉學習迴路

大多數 AI agent 框架解決的問題是「怎麼讓 LLM 呼叫工具」。Hermes Agent 解決的是下一層——「agent 怎麼從每次執行中學到東西，下次做得更好」。這是 Nous Research 的核心設計：一個封閉學習迴路（closed learning loop），讓 agent 在任務結束後自動把成功路徑寫入程序記憶，運行時即刻可用。

91.6k GitHub stars、93% Python、MIT 授權。這不是實驗性概念，是可以直接跑在生產環境的東西。

封閉學習迴路：核心架構

重點在 Skill Curation 這一步。傳統 agent 跑完任務就結束了，Hermes Agent 會在任務完成後自主分析執行過程，把有效的工作流封裝成可重用的 procedural memory。下次遇到類似情境，FTS5 全文檢索引擎會把相關記憶召回，agent 直接複用而不是從頭推理。

這就是「封閉」的意思——學習不需要人類標註，不需要離線訓練，在 runtime 自動發生。

LLM 無關：200+ 模型隨意切換

Hermes Agent 不綁定任何特定模型。透過 OpenRouter、OpenAI API、或自訂 endpoint，你可以接入 200 個以上的模型。這意味著：

• 開發階段用便宜的小模型快速迭代
• 生產環境切換到 Claude、GPT-4o、或 Llama 系列
• 本地部署用 Ollama 跑，完全離線

不鎖死供應商這件事，在 agent 框架裡比想像中重要——因為 agent 的記憶和技能是長期資產，你不會想因為換模型就全部重來。

六種執行後端

Local 和 Docker 適合開發；SSH 連接遠端機器做重運算；Daytona 和 Modal 提供 serverless hibernation——agent 不活躍時休眠，有任務時喚醒，省下閒置成本；Singularity 則面向 HPC 環境，跑科學計算或大規模資料處理。

Modal 和 Daytona 的 serverless hibernation 特別值得注意：agent 的記憶和狀態會持久化，喚醒後從上次斷點繼續，不會因為冷啟動就失憶。

排程與並行：不只是單次執行

Hermes Agent 內建 cron scheduler，可以設定 agent 定期執行任務——監控、報表、資料同步，不需要額外的排程工具。

更有意思的是 parallel subagent spawning：主 agent 可以分裂出多個子 agent，每個子 agent 有自己獨立的 context，互不干擾。這讓複雜任務可以真正並行處理，而不是 sequential chain-of-thought 慢慢跑。

# 內建 cron 排程
agent.schedule("0 9 * * *", task="daily_report")

# 並行子 agent
results = agent.spawn_parallel([
    {"task": "analyze_logs", "context": log_data},
    {"task": "check_metrics", "context": metric_data},
    {"task": "scan_alerts", "context": alert_data},
])

記憶系統：不只是向量搜尋

Hermes Agent 的記憶不是塞進 vector DB 就算了。它有三層：

FTS5 全文檢索的選擇很務實——比起 embedding 搜尋，FTS5 在精確匹配和關鍵字召回上更快更準，對於程式碼片段和指令類記憶尤其有效。Dialectic user profiling 則讓 agent 不只記住「做過什麼」，還記住「使用者偏好什麼」。

適合誰用

• 需要長期運行 agent 的團隊：記憶累積讓 agent 越用越強，不是每次都冷啟動
• 多模型策略的組織：LLM 無關設計讓你自由切換供應商
• 需要排程自動化的場景：內建 cron 省去額外工具串接
• HPC 和科學計算：Singularity 後端直接跑在叢集上

結語

Hermes Agent 把 agent 框架的核心問題從「工具呼叫」推進到「自主學習」。封閉學習迴路、procedural memory、FTS5 記憶檢索、六種執行後端、parallel subagent——這些設計加在一起，讓 agent 不再是無狀態的一次性執行器，而是一個會隨著使用持續進化的系統。

91.6k stars 和 MIT 授權說明社群已經投票了。如果你在建 agent 系統，Hermes Agent 值得認真評估——不是因為它功能多，而是因為它的核心假設是對的：agent 的價值不在於單次執行的結果，而在於它能不能從每次執行中變得更強。