Nous Research

🛠️ Nous Research 工具是什么

Nous Research 是一家美国开源 AI 研究实验室，2023 年由 Jeffrey Quesnelle、Karan Malhotra、Ryan Teknium 和 Shivani Mitra 共同创立。它的核心产品叫 Hermes Agent，2026 年 2 月正式推出，是一款自主进化型开源 AI 智能体框架，采用 MIT 许可证，核心代码基于 Python 开发，目前迭代到 v0.13.0 版本。

它的定位跟大多数 AI 工具不太一样：Hermes Agent 不只是一个“你问它答”的聊天机器人，而是一个会“越用越聪明”的本地代理。它在执行任务的过程中会自动提炼并沉淀可复用的技能（Skills），下次遇到类似任务直接调用，运行时间越长、处理任务越多，表现就越好。简单说，它不是静态的工具，而是一个有学习闭环的系统。

它解决的问题很具体：传统 AI 助手每次对话都从零开始，不会记住上次的经验，也不会因为用得久而变得更擅长某类工作。Hermes Agent 通过持久记忆、技能沉淀和自进化机制，让 AI 真正变成一个“熟悉你工作习惯的助手”。有评测把它的定位总结为“自带学习循环的自主代理”，能随着时间从经验中创造新技能。

几个关键事实要先说清楚。第一，Nous Research 的 Hermes 模型系列和 Hermes Agent 是两回事——前者是开源的模型权重（Hermes 2/3/4），后者是使用这些模型能力的代理框架。第二，Hermes Agent 完全开源免费，MIT 协议，但你运行它需要模型 API 费用或本地算力。第三，2026 年 7 月，Nous Research 正在以 15 亿美元估值完成至少 7500 万美元的新一轮融资，由 Robot Ventures 领投，USV 参投。第四，Hermes Agent 在 GitHub 上已累积约 21.4 万 Star 和近 4 万 Fork。

⚡ 核心功能

• 自进化技能系统：这是 Hermes Agent 最核心的差异化能力。它在执行任务后会自动提炼可复用的技能，存为 SKILL 文件，下次遇到类似任务自动加载。你不需要手动配置工作流，它自己“学会”了。
• Mixture of Agents（MoA）多模型聚合：不是依赖单一模型，而是同时调用多个语言模型，由一个聚合层整合所有模型的回答，产生最佳答案。在 SWE-bench Pro 基准测试中，Hermes Agent 的 MoA 预设据称得分高于 Claude Opus 4.8（69.2%）和 GPT-5.5（58.6%）。
• 持久化记忆系统：跨会话保持上下文，不是每次对话结束就“忘光”。它记得你之前让它做过什么、你的偏好、项目的背景信息，重启后依然保留。
• 原生多工具调用：内置网页搜索、代码生成、图片理解等能力，可以连接外部 API 和系统。不需要手动安装插件，核心工具已经内置。
• 并行任务处理引擎：支持同时执行多个任务，适合需要多步骤、多分支的复杂工作流。
• 多平台消息接入：可以连接 Telegram、Discord 等消息平台，让你在聊天工具里远程给代理派发任务，代理在后台执行。
• 跨平台本地部署：支持 Windows（WSL2）、macOS、Linux，可以跑在个人电脑或虚拟服务器上。云端托管版也提供，$20-200/月不等。
• 免费模型接入：Nous Portal 提供免费模型（如 stealth/ox-alpha，1M 上下文窗口，$0 费用），降低使用门槛。

✨ 主要亮点与优势

1. “自进化”是真正的差异化，不是营销话术。大多数 AI 代理是静态的——你配置好它的能力，它就按那个能力工作。Hermes Agent 的 SKILL 系统让它能从每次任务中学习，自动生成新的技能文件。用了一个月之后，它对你工作流中常见任务的处理方式，跟第一天完全不一样。有评测把这称为“越用越懂你的 AI 代理”。

2. MoA 聚合让它在复杂任务上超越单一前沿模型。Hermes Agent 的 Mixture of Agents 框架不是依赖一个“最聪明的模型”，而是同时问多个模型，然后让聚合层综合出最佳答案。SWE-bench Pro 上超过 Claude Opus 4.8 和 GPT-5.5 的成绩，说明这个架构在编码类复杂任务上确实有效。

3. 完全开源 + 本地优先，数据不出机器。MIT 协议，代码可审计。支持本地部署，配合 Ollama 可以做到零数据外传。对于处理敏感代码或合规要求高的场景，这个能力是刚需。

4. 团队既会训模型也会做代理，技术栈完整。Nous Research 从 Hermes 2/3/4 系列模型一路做到 Hermes Agent，同时还在做预训练效率研究（TST 方法把预训练 GPU 耗时降低 61.3%，提速 2.5 倍）。这种“从底层模型到上层代理”的全栈能力，在开源 AI 团队里比较少见。

🎯 使用场景

Hermes Agent 的场景集中在“需要长期使用、需要学习你的工作习惯、需要跨会话记忆”的自动化任务上。它不是一次性问答工具，也不是纯代码补全。

• 个人自动化工作流：把日常重复性任务交给它，它会在执行中学习你的偏好，下次做得更好。比如每天整理邮件、生成日报、监控特定信息源。
• 开发者辅助与代码生成：Hermes Agent 的 MoA 架构在编码任务上表现突出，适合需要多步骤规划、跨文件修改的复杂开发任务。
• 研究与信息收集：内置网页搜索和图片理解，可以帮你收集资料、整理信息、做初步分析。持久记忆让它记得你之前关注过什么。
• 需要数据隐私的团队：本地部署 + 开源代码审计，适合不能把代码或数据传给第三方服务器的团队。配合本地模型可以做到完全离线。
• 消息平台远程操作：通过 Telegram、Discord 派发任务，代理在后台执行。适合不想一直坐在电脑前、但需要远程处理工作的场景。
• 不适用的人群：只需要简单代码补全的开发者（Copilot 更轻）；不写代码、不需要系统操作权限的普通用户；不愿意花时间配置模型和权限的用户；追求开箱即用、零配置体验的用户。

📋 如何使用

第一步：安装

macOS/Linux 用户运行一键脚本：curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash，然后 source ~/.bashrc。Windows 用户推荐通过 WSL2 安装，或者用 PowerShell 原生安装命令 irm https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.ps1 | iex。

第二步：配置模型

运行 hermes setup 进入配置向导。Hermes Agent 支持任何 OpenAI 兼容的端点。你可以接入 Kimi、Anthropic、Crusoe 等提供商，填入 API Key 和 Base URL 即可。如果你想零成本起步，Nous Portal 提供免费模型。

第三步：验证环境

运行 hermes doctor 检查环境是否正常，hermes --version 确认版本。

第四步：发出第一个任务

在终端里用自然语言描述任务。比如“帮我看看这个项目的结构”或“搜索一下最新的 AI 代理框架对比”。Hermes Agent 会开始规划、执行，并在过程中学习。

第五步：查看技能沉淀

任务完成后，Hermes Agent 会在 SKILL 目录中生成可复用的技能文件。下次遇到类似任务，它会自动加载这些技能，执行效率更高。你可以在文件系统里查看这些 SKILL 文件，了解它“学到了什么”。

💡 使用技巧

• 从“小任务”开始，让代理先熟悉你的工作习惯。不要一上来就派大活。先用小任务让它学习你的偏好和上下文，SKILL 系统积累起来之后，复杂任务的表现会明显提升。
• 用 MoA 预设处理复杂编码任务。Hermes Agent 的 Mixture of Agents 架构在需要多步骤规划的任务上优势明显。如果你的任务涉及跨文件修改、架构设计或复杂调试，确保 MoA 预设已启用。
• 持久记忆是双刃剑，定期检查上下文。Hermes Agent 会记住你的偏好和历史任务。但如果你换了项目或工作方向，旧的记忆可能带来干扰。定期检查它的记忆内容，必要时手动清理。
• 本地部署配合免费模型可以做到零成本。如果你有能跑本地模型的硬件，配合 Ollama 和 Nous Portal 的免费模型，整个使用过程可以是零成本的。对于预算敏感的用户，这是核心价值。
• 注意架构抄袭争议的背景。2026 年 4 月，中国 AI 团队 EvoMap 公开指控 Hermes Agent 的自进化模块架构与其 Evolver 协议高度重合，双方就仓库创建时间和技术原创性有公开交锋。了解这个背景有助于客观评估它的技术来源。

📦 安装方式

一个实际建议：如果你只是想试试，用 WSL2 在 Windows 上安装最方便。如果你有 Mac 或 Linux 机器，一键脚本是最快的路径。云端托管版适合不想折腾部署的用户，但需要付费。

💰 收费情况

Hermes Agent 软件本身完全免费，MIT 协议开源。你唯一的花费是模型 API 费用或者本地算力。

几个关键点要留意：免费版就是完整功能，没有阉割。Nous Portal 提供的免费模型（如 stealth/ox-alpha）有 1M 上下文窗口和 131K 最大输出，对于日常任务来说够用。云端托管版的 $20-200/月是给不想自己部署的用户准备的，如果你有技术能力，自托管 + 免费模型可以做到零成本。模型 API 费用取决于你的使用强度，用便宜模型或本地模型可以压得很低。

👥 适用人群

• 对成本敏感的技术型用户：Hermes Agent 开源免费 + 免费模型接入，让零成本使用成为可能。如果你有能跑本地模型的硬件，整个使用过程可以是零成本的。
• 需要数据隐私的开发者：本地部署 + 开源代码审计 + 本地模型，可以做到数据完全不出机器。对于处理敏感代码或合规要求高的场景，这是核心价值。
• 愿意花时间“养”AI 代理的用户：Hermes Agent 的自进化能力需要时间积累。你用得越多，它学到的技能越多，表现越好。适合长期使用、愿意培养代理的用户。
• 需要多步骤复杂任务自动化的团队：MoA 多模型聚合架构在复杂编码和规划任务上表现突出，适合需要跨文件、跨模块修改的项目。
• 不适用的人群：只需要简单代码补全的开发者（Copilot 更轻）；不写代码、不需要系统操作权限的普通用户；不愿意花时间配置和调教的用户；追求开箱即用、零配置体验的用户。

🌍 全球使用情况

Hermes Agent 的增长速度在开源 AI 代理里属于头部。2026 年 2 月推出后，GitHub 星标迅速累积到约 21.4 万，Fork 数接近 4 万。在 OpenRouter 等平台上，Hermes Agent 曾登顶全球编程类应用排行榜。

2026 年 7 月，Nous Research 正在以 15 亿美元估值完成新一轮融资，由 Robot Ventures 领投，USV 参投，融资规模至少 7500 万美元。这比一年前 A 轮时的 10 亿美元估值高了 50%。

在中国市场，Hermes Agent 的认知度在上升。阿里云开发者社区有详细的 Hermes Agent 安装教程，CSDN、腾讯云社区也有相关技术分析。中文社区关注的重点包括：自进化机制、免费模型接入、本地部署方案。不过 2026 年 4 月的架构抄袭争议也引起了不少讨论，中国 AI 团队 EvoMap 指控 Hermes Agent 的自进化模块与其 Evolver 协议高度重合，双方公开交锋。

⚖️ 优缺点分析

优点

• 自进化能力是真正的差异化。SKILL 系统让代理从每次任务中学习，自动沉淀可复用技能，越用越懂你的工作习惯。这个能力在同类工具里很少见。
• MoA 多模型聚合在复杂任务上表现突出。SWE-bench Pro 上超越 Claude Opus 4.8 和 GPT-5.5 的成绩，说明多模型聚合架构在编码类复杂任务上确实有效。
• 完全开源 + 本地优先，数据不出机器。MIT 协议，代码可审计，支持本地部署和本地模型，适合隐私敏感场景。
• 免费模型接入降低门槛。Nous Portal 提供免费模型（1M 上下文），让零成本使用成为可能。
• 团队技术栈完整，持续创新。从 Hermes 2/3/4 模型到 Agent，再到 TST 预训练效率方法，Nous Research 展现了全栈研发能力。

缺点

• 初始配置有门槛。需要安装 Python 环境、配置模型 API、运行 setup 向导。对于不熟悉命令行的用户来说，上手需要一些耐心。
• 自进化能力需要时间积累。SKILL 系统的价值随着使用时间增长而体现。如果你只是偶尔用一次，可能感受不到明显的“越用越聪明”效果。
• 架构抄袭争议尚未完全澄清。2026 年 4 月 EvoMap 的指控在开发者社区引起广泛讨论，双方就仓库创建时间和技术原创性各执一词。对于在意技术来源的用户来说，这是一个需要关注的背景。
• 中文社区资源相对有限。虽然阿里云、CSDN 有教程，但整体中文文档和实战分享的丰富度不如英文社区。对于习惯中文学习资料的用户来说，学习成本更高。

🔄 与同类工具对比

跟 OpenClaw 的对比值得多说一句。两者都是开源 AI 代理框架，功能上有重叠——都支持本地部署、消息平台接入、多工具调用。核心差异在“自进化”和“多模型聚合”上。OpenClaw 的 Skill 更多靠手动安装和 ClawHub 市场，而 Hermes Agent 的 SKILL 系统是自动沉淀的。Hermes Agent 的 MoA 架构也让它在复杂编码任务上比单模型架构有优势。如果你看重代理的“越用越聪明”，Hermes Agent 更对口；如果你更看重多平台消息网关的成熟度，OpenClaw 更稳。

跟 Claude Code 的对比：Claude Code 是终端交互式代理，逐步确认，深度绑定 Anthropic 生态。Hermes Agent 是自进化代理，支持多模型聚合，开源免费。如果你喜欢“看着它干活、随时叫停”的交互体验，Claude Code 更合适。如果你需要“越用越懂你”的自进化能力和免费模型接入，Hermes Agent 更对口。

📝 总结：值不值得用

明确结论：如果你对成本敏感、对数据隐私有要求、愿意花时间“养”一个会越用越聪明的 AI 代理，Hermes Agent 是 2026 年最值得认真试的开源 AI Agent 之一。如果你只需要简单补全，或者不愿意折腾配置，Copilot 或 Claude Code 更省心。

Hermes Agent 的核心价值不在“AI 能回答问题”——现在所有工具都能做。它的价值在于它把“AI 代理”这件事从“静态工具”变成了“会学习的系统”。SKILL 自动沉淀、MoA 多模型聚合、持久记忆、免费模型接入——这套组合在开源 Agent 里是独一档的。21.4 万 GitHub 星标和 15 亿美元估值说明它不是小众玩具。

什么时候值得用：你不想每月付订阅费，但需要一个能真正干活的 AI Agent；你在处理敏感代码或数据，不能把信息传到第三方服务器；你愿意花时间培养一个“越用越懂你”的代理；你需要多模型聚合来提升复杂任务的表现；你想用免费模型降低使用成本。

什么时候不推荐：你只需要简单的代码补全（Copilot 更轻）；你不愿意花时间配置模型和权限（Hermes Agent 的初始门槛比商业产品高）；你对架构抄袭争议有顾虑（EvoMap 的指控尚未完全澄清）；你对中文界面和文档有硬性要求；你只是做简单任务，用 ChatGPT 网页版就够了。

说得直白一点：Hermes Agent 是一个“为长期使用和自进化设计的开源 Agent”，不是一个“开箱即用的商业产品”。它选择了一条更“重”的路——自动技能沉淀、多模型聚合、本地优先。如果你恰好需要这些，免费模型接入让你几乎零成本就能试。如果不符合你的场景，它就是一个需要花时间配置的工具，不如直接用 Copilot 或 Claude Code。