一次性 Agent 的短板
大多数 AI Agent 只能一次性跑完任务，下次还得重新喂提示词、重新配置工具链，根本没有“记得上次怎么干”的能力。这就导致开发者在重复性工作里不断复制粘贴，效率低得像在搬砖。而 NousResearch/hermes-agent 以约 25.5 万 star 的声量告诉我们：把“自我改进”做成内核能力，才是把 Agent 从玩具变成生产力工具的关键。
自我改进循环怎么跑通
README 里的定位原话是 “The self-improving AI agent built by Nous Research”。其核心思路可以拆解为三层：执行、沉淀、复用。Agent 在一次会话里先在沙箱里跑完任务，把每一步的工具调用、参数、返回值完整记录下来；结束后由内置的反思模块把这些轨迹抽象成可复用的 skill，存入跨会话的长期记忆库；下次遇到相似意图，直接从记忆里调取 skill，省去重新推理的开销。这种“跑完→总结→下次直用”的循环机制，让模型不再只靠提示词撑场面，而是真正积累经验。
核心步骤
- 沙箱执行：隔离环境保证工具调用不污染宿主，且可回放完整轨迹
- 技能抽象：把高频操作序列压缩成带参数的可调用模块
- 长期记忆：基于向量检索把 skill 按语义索引，支持跨会话、跨用户共享
插件体系与沙箱的架构思路
插件体系并非简单的函数注册表，而是把每个能力封装成独立进程，通过标准化的输入输出契约与主循环通讯。沙箱则在容器级别做资源限制、网络隔离、文件系统快照，保证任意插件跑挂了也不会拖垮整个 Agent。官网 hermes.build 与文档站 文档站 都强调：插件开发者只需实现固定的接口，剩下的调度、重试、版本管理由核心层托底。这种设计让社区能以“技能包”形式快速扩展能力，而不必改动核心代码。
hermes-cli run --task "抓取最新论文并生成摘要" --plugin arxiv,summarizer
真实上手成本与限制
项目采用 MIT 协议，v0.22.0 于 10-13 发布，按文档站的指引装好之后，即可跑通 CLI、TUI、Telegram、Discord、Slack、WhatsApp、Signal 等入口，内置 cron 定时任务，支持多种主流模型 provider。但也要清楚：沙箱启动有冷启动延迟，技能抽象质量依赖反思模型的推理能力，复杂多步任务仍可能出现幻觉导致的错误技能。文档里也提示：生产环境建议配合人工审核流程，不要盲目把自动生成的 skill 直接上线。
