# Hermes Agent 不只是会聊天：它正在把一个人变成一支 AI 工作队伍

真正缺少的不是又一个聊天框，而是一支随时能开工的 AI 队伍。

每天要处理的事情往往不是一个问题，而是一串问题：查资料、改文件、跑代码、盯进度、重复汇报、安排下一步。普通聊天机器人回答完一句就结束，下一项工作还要重新解释背景、重新粘贴资料、重新安排步骤。

Hermes Agent 想解决的，正是这件事。它把技能、记忆、工具、协作者和工作流程放到同一个 Agent 体系里，让 AI 不只回答问题，而是逐步成为电脑上的工作入口。

这次实验把 Hermes Agent 装进 Mac，接入本地模型，再用一条固定提示词检验它能不能完成第一次真实推理。最后屏幕上出现了：

GLOBAL_LOCAL_READY

这不是一张安装成功的截图，而是一个开源 Agent 从 GitHub 页面走进电脑、接上模型、开始回应的完整过程。更值得关注的是，在这条结果背后，Hermes 正在把一个 Agent 扩展成一支可以分工、记忆、协作和持续工作的 AI 队伍。

## Hermes Agent 正在改变什么

Hermes Agent 是 Nous Research 开源的自我成长型 Agent。

Bot Mode 会给每个 Agent 名字、头像和共享名册。多个 Agent 可以像一支团队一样进入群聊，通过 @mention 指定具体对象。资料研究、写作、编码和检查，可以分别交给不同成员，工作关系也更加清晰。

hermes_peer 让 Agent 之间可以直接通信。研究 Agent 完成资料搜集后，可以把结果交给编码 Agent；不同配置文件和网关之间也可以传递消息，交接内容会保留在 Bot Chat 中，之后还能继续查看任务是怎样交接的。

Cron 作业也不再只是到了时间执行一条命令。通过 continuity=true，前一次运行的输出可以带到下一次；持久记事本可以保存计划任务的工作进度；监控模式在没有变化时可以跳过重复推理，把注意力集中到真正发生变化的结果上。

任务复杂以后，可以使用 delegate_task 启动多个子 Agent 并行推进，查看运行中的任务，调整方向，停止不需要的分支，再用结构化结果把各路产出收回来。

MCP 命令中心把服务器、目录、健康状态、用量和成本集中到一个桌面入口；应用内浏览器可以导航、点击和读取网页；CLI 的 Ctrl+P 命令面板可以快速切换模型和状态。

这些功能组合在一起，Hermes Agent 呈现出的不再是一个孤立的聊天机器人，而是一套可以安排任务、保存经验、调用工具和组织协作的 AI 工作系统。

## 实验从 Nous Research 官方仓库开始

实验对象是 Nous Research 的 Hermes Agent：

NousResearch/hermes-agent  
https://github.com/NousResearch/hermes-agent

项目固定到官方 commit 21b2095d，使用官方安装器放进独立实验目录。

安装完成后，Hermes Agent v0.21.0、Python 3.11.15、虚拟环境、Node 依赖和启动入口全部准备就绪。

随后运行 hermes doctor，环境检查通过。配置需要迁移时，执行官方 hermes doctor --fix，配置顺利迁移到 v39。

版本有了，环境也准备好了。接下来必须确认模型调用是否真正发生。实验使用固定提示词：

只回复 GLOBAL_LOCAL_READY

固定提示词可以让前后结果清楚比较。只有最终出现预先设定的验收词，才说明请求确实进入了推理链路，而不是停留在版本号或启动画面上。

## 第一条提示词没有得到结果

第一次调用没有出现验收词，而是返回：

No inference provider configured

这句话说明，Hermes 的程序入口已经准备好，下一步需要接入推理提供商。安装过程完成以后，真正的工作变成了把 Agent 和模型服务连接起来。

实验没有继续重复安装，而是回到 Hermes 的官方文档，查看 Quickstart 和 Providers：

Hermes Quickstart  
https://hermes-agent.nousresearch.com/docs/getting-started/quickstart

Hermes Providers  
https://hermes-agent.nousresearch.com/docs/integrations/providers

文档给出了模型选择的关键条件：需要推理提供商，模型还需要满足至少 64K 上下文。

## 接入 Ollama 本地模型

按照项目要求，实验选择了 Ollama 的 qwen3:4b。该模型的元数据上下文为 262,144，具备进入这条本地推理链路的条件。

随后将 Hermes 接入本地 Ollama 的 OpenAI-compatible endpoint。为了保证结果可以比较，提示词不变，验收词不变，只把推理路径接到本地模型。

这个过程把几个环节连接起来：

- Hermes 负责理解任务；
- 模型负责推理；
- 工具负责执行；
- 记忆负责延续；
- 不同 Agent 负责分工。

安装并不是终点。模型、工具、记忆和协作能力真正接入工作链路以后，项目功能才会变成可以继续使用的产品能力。

## GLOBAL_LOCAL_READY 出现了

同一条提示词再次运行。

Hermes 返回：

GLOBAL_LOCAL_READY

退出码为 0。

安装、环境诊断、配置迁移、本地模型接入和真实推理返回，在这一刻连成了一条完整链路。

前面的步骤完成了部署，最后的返回结果完成了验证。Hermes Agent 不再只是电脑里的一个项目目录，而是已经拥有了可以继续接入任务的本地 AI 入口。

## 这次实验带来的实际价值

Hermes Agent 的价值，在于把一次对话继续推进成工作流程。

开发工作可以拆分给不同 Agent：一个负责资料搜集，一个负责代码实现，一个负责文件修改，另一个负责检查结果。

资料整理和内容生产可以通过记忆型 Cron 延续固定任务，把前一次工作留下的内容带到下一次；完成得好的流程还可以沉淀成技能。

小团队可以通过 Bot Mode 管理一组有明确身份的 Agent，通过 hermes_peer 完成工作交接，通过 delegate_task 并行推进复杂任务。

MCP 和浏览器工具则负责把工作带到外部服务器、网页和服务里。这样，AI 不再停留在文字回答，而是开始进入实际工作环境。

对 AI 服务交付来说，Hermes 还提供了一条清晰路线：安装 Agent，配置模型，建立技能和记忆，再按照具体业务流程组建专属的 AI 协作系统。

交付的不只是一个仓库地址，而是一套能够进入日常工作的本地 AI 环境。

## 从第一项工作开始

本次实验完成的是 Hermes 的第一条本地推理链路：官方安装、环境诊断、配置迁移、本地模型接入，以及固定结果返回。

接下来，可以从资料整理、代码协作、文件处理或每日计划开始，让一个 Agent 先接住一项工作，再逐步增加技能、记忆、工具和协作者。

安装完成只是起点，真正的价值从第一项工作开始。

Hermes Agent 这次用 GLOBAL_LOCAL_READY 接通了本地推理入口，也为下一步打开了方向：把一次成功调用扩展成可以持续运行、彼此协作、不断积累的 AI 工作系统。

完整实验记录：

https://jianailab.com/experiments/hermes-agent-local-model-first-run

官方项目：

https://github.com/NousResearch/hermes-agent