KeyFrame內部研究專用

Hermes Agent 入門:會自我進化的 AI Agent,Hermes + Telegram 實戰

QiQi Learns AI·4月10日週五·6 min中文

三句話摘要

介紹開源 AI Agent「Hermes Agent」的核心機制、與 OpenCloud 的差異,以及從安裝到接入 Telegram 的完整入門流程。 --- 若需要生態豐富、開箱即用,選 OpenCloud;若追求自主進化、記憶不丟、安全更嚴,Hermes Agent 是更值得長期培養的選擇。 1. 自學習技能(Skill)是核心差異

重點整理

重點
  • 1

    1. 自學習技能(Skill)是核心差異

  • 2

    Hermes Agent 會在使用者重複執行同類任務後,自動將成功流程封裝成 Skill 並持續優化,而非依賴社群現成庫——這讓它越用越貼合個人工作流,而非靜態工具。

  • 3

    2. 多層記憶系統讓 Agent 有連續性

  • 4

    系統採 Memory 文件存關鍵摘要、資料庫存完整歷史的雙軌架構,支援全文搜索與摘要召回,解決了 OpenCloud 以 Markdown 存檔導致跨對話記憶薄弱的問題。

  • 5

    3. OpenCloud vs Hermes 設計哲學根本不同

  • 6

    OpenCloud 是「Gateway 網關模式」,重平台調度與生態(1 萬+ Skill);Hermes 是「Engine 引擎模式」,重自主執行循環與持續進化——兩者目標用戶不同,不是替代關係。

  • 7

    4. 安全機制預設更嚴格

  • 8

    Hermes 內建使用者授權、危險命令審批、容器隔離、輸入過濾、上下文注入掃描共 5 層防禦,相較於 OpenCloud 曾發生 3 萬+ 實例暴露、300+ 惡意 Skill 的事件,防禦縱深更深。

  • 9

    --

實用技巧與重點

乾貨
  • 對比數據
  • OpenCloud GitHub 星數:35 萬顆(2025 年最火開源專案)
  • OpenCloud CloudHub 現成 Skill 數量:10,000+
  • OpenCloud 安全事件:3 萬多個實例暴露,300+ 惡意 Skill 被發現
  • Hermes 內建工具數量:40+
  • Hermes 記憶容量上限:無上限
  • 工具 / 平台名稱
  • Hermes Agent、OpenCloud
  • 支援模型:Claude、GPT、Gemini、Ollama(本地)、MiniMax
  • Telegram 接入工具:BotFather、Ask It It's Bot(取得 User ID)
  • 遷移工具:Hermes Cloud Migrate(一鍵從 OpenCloud 遷移)
  • Hermes 主循環五步驟
  • 執行任務(調用工具完成流程)
  • 評估結果(判斷本次執行是否有保存價值)
  • 抽象成 Skill(封裝或優化已有 Skill)
  • 寫入記憶(關鍵資訊存入多層記憶系統)
  • 自動召回(下次對話自動加載記憶與 Skill)
  • 安裝前提條件
  • 需預裝:Git
  • 支援系統:Linux、macOS、Docker
  • 安裝後自動處理:Python、Node.js、所有依賴、全局 `hermes` 命令
  • Telegram 配置流程
  • BotFather → `/newbot` → 填寫名稱與 Username(須以 `bot` 結尾)→ 取得 Bot Token
  • 搜索 Ask It It's Bot → 發送訊息 → 取得自己的 User ID
  • 執行 `hermes config` → Provider 選 Telegram → 填入 Bot Token + User ID → 選 Y 開機自啟
  • --

結論

結論

若需要生態豐富、開箱即用,選 OpenCloud;若追求自主進化、記憶不丟、安全更嚴,Hermes Agent 是更值得長期培養的選擇。

完整解析

詳細

Hermes Agent 是由 News Research 團隊開發的開源 AI Agent,設計為全天候跑在使用者自有伺服器上的自主執行系統。它的誕生背景正是對現有主流方案的反思:GitHub 上累積 35 萬星的 OpenCloud 雖然生態龐大,但本質上是一個「網關模式」的平台——它把各種渠道、工具、現成 Skill 集中調度,像一個多功能的個人作業系統。Hermes Agent 走的則是完全不同的「引擎模式」,強調執行循環優先,讓 Agent 在每次使用中不斷自我進化。

Hermes 的核心機制是一套可追蹤的閉環學習系統,分為五個步驟:執行任務、評估結果、抽象成 Skill、寫入記憶、自動召回,然後回到第一步持續循環。具體來說,當使用者重複讓它執行同類任務,系統會自動判斷這個流程有無封裝價值,若有則提煉成一個 Skill 並在後續使用中持續優化。這與 OpenCloud 依靠社群 CloudHub 提供 1 萬多個現成 Skill 的路徑截然不同——前者是「現成多」,後者是「越用越聰明」。記憶系統同樣如此:OpenCloud 以 Markdown 文件存儲,透明易讀但跨對話記憶能力有限;Hermes 採資料庫加檢索的雙軌架構,Memory 文件存關鍵摘要,資料庫存完整歷史,支援全文搜索,且跨 Session 無容量上限。

安全性方面,OpenCloud 曾發生超過 3 萬個實例暴露、300 多個惡意 Skill 被植入的事件,現已加入 Security Audit 命令應對。Hermes 則從設計層面預設了 5 層防禦:使用者授權、危險命令審批、容器隔離、輸入過濾、上下文注入掃描,整體縱深更深。在模型支援上,Hermes 可接入任意主流模型(Claude、GPT、Gemini、Ollama 本地模型),程式碼完全跑在自有伺服器,不需將任何內容上傳至第三方。

安裝流程極為精簡:確保機器上有 Git 後,一行命令即可完成安裝,Python、Node.js 及所有依賴均自動處理,並建立全局 `hermes` 命令。配置時透過交互選單選擇模型供應商(影片示範選用 MiniMax),填入 API Key 即完成模型設定。接入 Telegram 需三步:透過 BotFather 建立 Bot 取得 Token,透過 Ask It It's Bot 取得自己的 User ID,最後執行配置命令填入兩組資訊並設定開機自啟,啟動後向 Bot 發訊息收到回覆即代表連通成功。

---

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。