Hermes Agent 是什麼：會自己長記憶、長技能的 AI Agent — 自架 AI Agent 實戰（九）
不知道你有沒有這種經驗：花了一個晚上，帶著 AI 一步一步把一件麻煩事搞定——查資料、試錯、修正、終於跑通。結果隔天再開一個新對話，問它同一件事……
它像完全沒發生過一樣，從零開始重新踩一遍昨天的坑。😫
這就是我在 系列第三篇 說過的：context window 不是記憶，session 一關，agent 就失憶。我們在那篇聊了怎麼用檔案系統幫 agent 補記憶；在 第四篇 聊了怎麼把「做事的方法」寫成 skill。但這兩件事有個共同點——都是你手動幫它做的。
那有沒有一隻 agent，是自己會做這兩件事的？做完任務自己把心得寫進記憶、自己把流程整理成 skill，下次直接套用——越用越強？
有，它叫 Hermes。這是 自架 AI Agent 實戰系列 的第九篇，也是工具篇的最後一隻：上一篇的 OpenClaw 把「溝通＋自動化」推到極致，這篇的 Hermes 則把「記憶＋能力」推到極致。兩隻擺在一起，剛好補滿四層觀念光譜的兩端。
這篇會聊這些：
- Hermes Agent 到底是什麼（一句話講清楚）
- 招牌設計一：persistent memory——它怎麼記住你
- 招牌設計二：自動長 skill——它怎麼越用越強
- 五階段學習迴圈：「自我改進」到底是怎麼運作的
- 用四層觀念解剖 Hermes ＋ 跟 OpenClaw 的設計哲學對照
- 適合誰、不適合誰，以及怎麼開始
關於作者：我是工程師阿穆，寫程式十多年，這幾年在做 AI Agent 與電商系統開發。我自己電腦上長期養著幾隻自架 agent（股票盯盤 那隻就是），記憶跟 skill 都是我自己一個檔案一個檔案手動設計的——所以看到 Hermes 把這兩件事「自動化」的做法時特別有感，這篇是用我自己組 agent 的經驗去解讀它的設計。 利益揭露：本文沒有業配、沒有聯盟連結。Hermes 是 MIT 開源專案，我跟 Nous Research 沒有任何利益關係，純粹覺得它的設計值得拿來當教材。
Hermes Agent 是什麼
先一句話講清楚：
Hermes 是 Nous Research 在 2026 年 2 月開源的自主 AI Agent——它跑在你自己的機器上，會把學到的東西存成跨 session 的長期記憶，還會在做完任務後自動把流程整理成可重用的 skill。用官方的說法：它跑得越久，能力越強。
幾個關鍵特徵（截至 2026 年中，官方 repo 為準）：
- 開源、MIT 授權：由做開源模型起家的 Nous Research 打造，主體用 Python 寫成。
- Persistent memory（持久記憶）：記憶存成你機器上的 Markdown 檔（如
memory.md、user.md），過去的對話還能全文搜尋——它記得你是誰、你們做過什麼。 - 自動長 skill：完成複雜任務後，它會自己判斷「這個流程值不值得留下來」，值得就寫成 skill 檔，下次直接重用，而且 skill 會在使用中繼續被改進。
- Local-first、資料不出門：跑在你自己的機器上，無 telemetry、無追蹤；從一台 5 美金的 VPS 到自家舊電腦都能跑。
- 模型自由：可接 OpenAI、Anthropic、OpenRouter、自訂 endpoint，透過 Nous Portal 更號稱支援 300+ 種模型——不被任何一家綁死。
- 門檻很低：Linux / macOS / WSL2 一行
curl指令裝完；2026 年 6 月初還推出了 desktop app（公開預覽版），連終端機都可以少碰一點。
如果說 OpenClaw 像「住在你通訊軟體裡、隨時待命的助理」，那 Hermes 更像「一個會寫工作日誌、會整理 SOP、還會自己精進手藝的員工」。
招牌設計一：Persistent Memory——它怎麼記住你
還記得我在 #3 記憶篇 的主張嗎？最樸素也最強的記憶方案，就是「把知識寫成檔案」。Hermes 完全是同一個信仰，但它把「寫檔案」這個動作自動化了。它的記憶有三塊：
- Markdown 記憶檔：
memory.md記事實與偏好、user.md記「你是誰」。重點是——當你糾正它或偏好改變時，它會自己動手改檔案，不是嘴巴上說「好的我記住了」然後下個 session 忘光。下次開機，更新後的記憶直接就在。 - 對話全文搜尋：過去的 session 存在本地 SQLite 資料庫裡，配上全文檢索（FTS5）——它可以搜尋自己的過去，「我們上個月是怎麼處理這個的？」這種問題答得出來。
- 定期自我檢視（nudge）：官方設計是每 10 個對話回合，它會自己回頭看一次最近的對話，問自己：「有沒有什麼該存進長期記憶？有沒有什麼流程該變成 skill？」——不等你提醒。
發現了嗎？這三塊我們在 #3 都講過概念版：檔案當記憶、索引與檢索、定期整理。Hermes 做的事就是把「你手動維護記憶」變成「agent 自己維護自己的記憶」。就像我那個 丟給 LLM 自己維護的個人 wiki——只是 Hermes 把這件事做成了產品內建。
招牌設計二：自動長 Skill——它怎麼越用越強
這是 Hermes 最有記憶點的設計，也是我覺得最值得你搬回自己 agent 上的觀念。
在 #4 能力篇 我說過：skill 就是教 agent「怎麼做事」的工作流文件——食譜。但食譜是誰寫的？在我們自己組的 agent 裡，是你：你做完一件事，覺得流程值得留，就手動整理成 skill 檔。
Hermes 把這步也自動化了。它完成任務後會自己評估「這值不值得寫成 skill」，官方設計的觸發訊號很具體，像是：
- 這個任務用了 5 次以上的 tool call（夠複雜，值得留 SOP）
- 過程中從錯誤中恢復過（踩過的坑，最值錢）
- 你糾正過它（下次不要再犯）
- 一個不明顯、但成功了的流程（自己摸出來的路）
符合條件，它就把流程寫成一個 SKILL.md 檔案存起來（跟 agentskills.io 的開放標準相容）——不是一筆 log，而是一份下次可以直接照著做的指令集，之後還能當成 slash command 直接呼叫。更妙的是，skill 不是寫完就定案：之後每次用到，它還會在使用中繼續修訂這份 skill。
用一句話總結這個設計：你踩過的坑、修過的錯、摸出來的流程，都會變成它的資產，而不是隨著 session 關閉蒸發。
這也回答了很多人用 AI 的深層挫折——不是 AI 不夠聰明，是它不累積。Hermes 的賭注就是：與其等更聰明的模型，不如先讓 agent 學會累積。
五階段學習迴圈：「自我改進」是怎麼運作的
把上面兩個招牌設計串起來，就是 Hermes 官方說的學習迴圈（learning loop），一共五階段：
- 執行任務（execute）
- 評估結果（evaluate）——成了還是砸了？
- 萃取模式（extract）——把可重用的推理流程抽出來，寫成有名字的 skill
- 持續精煉（refine）——skill 在後續使用中被繼續修改進化
- 檢索套用（retrieve）——新任務來了，先找找過去長出來的 skill 能不能直接用
注意一件事：這裡「自我改進」改的不是模型本身（模型參數沒有變），改的是 agent 層——記憶檔、skill 檔、工作流程。這其實是很務實的設計：模型會一直換（反正它支援 300+ 種），但你們共事累積下來的記憶與 SOP 是你的，換模型也帶得走。這跟我在 AI 是勞動力，不是工具 講的觀念完全呼應——你在經營的不是一個工具，是一個會成長的勞動力。
用四層觀念解剖 Hermes
照慣例，用系列的四層觀念把它收攏成一張表：
| 四層觀念 | Hermes 的實作 | 對應系列篇 |
|---|---|---|
| Context（記憶） | 🌟 招牌：Markdown 記憶檔＋SQLite 全文搜尋＋每 10 回合自我檢視 | #3 memory |
| 能力（skill） | 🌟 招牌：做完任務自動長 skill、使用中持續精煉 | #4 MCP/Tools/Skills |
| 溝通（channel） | Telegram、Discord、Slack、WhatsApp、Signal、Email、CLI 統一接入 | #5 channels |
| 自動化 | 內建排程器，用自然語言就能設定定時任務（每日報告、夜間備份…） | #6 crontab |
四層都有，但重心一目瞭然：OpenClaw 的星星畫在下面兩層（溝通＋自動化），Hermes 的星星畫在上面兩層（記憶＋能力）。
跟 OpenClaw 的設計哲學對照
兩隻都是 2026 年爆紅的開源自主 agent、都 local-first、都接一堆通訊軟體、都能自己動——但骨子裡的追求完全不同：
| OpenClaw 🦞 | Hermes | |
|---|---|---|
| 核心追求 | 隨時找得到它（always-on 助理） | 越用越強（self-improving worker） |
| 招牌機制 | gateway 接 14+ 通訊軟體、heartbeat 自己醒來 | persistent memory、自動長 skill |
| 像什麼 | 住在你手機裡、隨傳隨到的貼身助理 | 會寫日誌、整理 SOP、自己精進的資深員工 |
| 時間帶來什麼 | 更多完成的任務 | 更多完成的任務＋更強的它 |
沒有誰比較好，是你要哪一種員工的問題。甚至——很多人是兩隻都養，各司其職。
適合誰、不適合誰
老實說，給你一個誠實的判斷：
適合你，如果——
- 你的需求是重複性高、有累積價值的工作流（定期報告、資料處理、維運雜務）——skill 累積的複利在這裡最明顯。
- 你受夠了「每次都要重新教 AI 一遍」，想要一隻記得你的 agent。
- 你在意資料隱私，想要 local-first、模型還能自由換。
- 你不怕終端機（它是 CLI-first，雖然 2026/6 出了 desktop app，但骨子裡還是給 builder 用的）。
可能還不適合你，如果——
- 你要的是「隨時在手機上敲它」的貼身助理體驗——那 OpenClaw 的多 channel 更對口。
- 你主要是寫程式——Claude Code / Codex 在 coding 場景還是更成熟。
- 你完全不想碰任何設定——先從 GUI 的 Claude Cowork 入門吧，觀念都相通。
你可以怎麼開始
跟上一篇一樣，我不寫安裝流水帳（官方一行指令真的沒什麼好教的😂），給你務實的上手順序：
- 看官方 repo 確認環境：Linux / macOS / WSL2 一行
curl裝完，Windows 也有原生支援；怕終端機的可以直接抓 desktop app（公開預覽版）。 - 先接一個模型：有 OpenAI / Anthropic 的 API key 就能跑，想省錢或資料完全不出門可以走本地模型路線。
- 頭幾天故意跟它多聊：糾正它、教它你的偏好——然後去看
memory.md和user.md怎麼被它自己改掉，你會對「agent 自己維護記憶」很有感。 - 做一件複雜的事，然後看它長 skill：找一個你每週都要做的多步驟任務帶它跑一次，看它把流程寫成
SKILL.md——下次同樣的事，一句話就完成。
關鍵心法還是那句：帶著四層觀念去玩它。你觀察它改記憶檔，就是在看 Context 層；看它長 skill，就是在看能力層。看懂了，這些設計你都能搬回自己手工組的 agent 上。
常見問題
Hermes Agent 是什麼？
Hermes 是 Nous Research 在 2026 年 2 月開源（MIT）的自主 AI Agent，跑在你自己的機器上，招牌是「會自我改進」：它把學到的東西存成跨 session 的持久記憶（persistent memory），並在完成任務後自動把流程整理成可重用的 skill——跑得越久、越懂你、能力越強。
Hermes 跟 OpenClaw 差在哪？
設計哲學不同。 OpenClaw 把「溝通＋自動化」推到極致——接 14+ 種通訊軟體、heartbeat 自己醒來，是一隻 always-on 的貼身助理；Hermes 把「記憶＋能力」推到極致——自動維護記憶、自動長 skill，是一隻越用越強的 worker。要「隨時找得到」選前者，要「越養越聰明」選後者，也有人兩隻都養。
Hermes 可以接 LINE 嗎？
官方內建的 channel 目前沒有 LINE（截至 2026 年中，內建支援 Telegram、Discord、Slack、WhatsApp、Signal、Email 與 CLI）。台灣使用者想用 LINE 收通知或遙控 agent，得自己透過 LINE Messaging API 加 webhook 橋接——做法的觀念我在 系列第五篇 channels 有講。最省事的替代方案是先用 Telegram，內建支援、五分鐘就能接起來。
Hermes 的「自我改進」會改模型本身嗎？
不會，它改進的是 agent 層，不是模型參數。 變強的是它的記憶檔、skill 庫與工作流程——選對 skill、記得你的偏好、不再犯你糾正過的錯。好處是這些累積不綁定任何模型：它支援 OpenAI、Anthropic、OpenRouter 等 300+ 種模型，之後換更強的模型，累積下來的記憶與 skill 都帶得走。
Hermes 免費嗎？要什麼硬體才能跑？
程式本身 MIT 開源、完全免費，費用來自你接的模型 API（依用量計費；接本地模型可近乎零成本）。硬體門檻很低——官方說法是從 5 美金/月的 VPS 到你家舊電腦都能跑，Linux / macOS / WSL2 一行指令安裝。不確定要準備什麼機器的話，我之後會寫一篇專門聊自架 agent 的硬體選擇。
結語
寫到這篇，這個系列的觀念篇＋工具篇就補完了。回頭看很有意思——
四層觀念（Context → 能力 → 溝通 → 自動化）是地圖；Claude Code / Codex、OpenClaw、Hermes 是三種在地圖上插旗位置完全不同的答案。 看懂地圖，你就不會被「又一隻爆紅 agent」的新聞牽著跑，因為你一眼就能看出：喔，它是把哪一層推到極致的那種。
而 Hermes 留給我們最值錢的一課，我覺得不是「快去裝它」，而是它示範了一個方向：agent 的價值不只在模型多聰明，更在它會不會累積。 就算你不用 Hermes，「做完事把心得寫進記憶、把流程寫成 skill」這個習慣，你今天就可以幫你自己手工組的 agent 加上——手動版的學習迴圈，一樣香。
如果你看完想養一隻會累積的 agent，但卡在「不知道從我的工作流哪裡下手」——這正是我在做的事。我有提供 AI Agent 的諮詢顧問與代建服務，幫你看怎麼設計、或直接幫你做出來。
這是 自架 AI Agent 實戰系列 的第九篇，想看完整的四層觀念與其他篇，可以從總論進去。
延伸閱讀：
- 自架 AI Agent 實戰（一）：在自己電腦養一隻會自己開工的 AI 員工 — 系列總論，四層觀念地圖
- OpenClaw 是什麼：用四層觀念看懂這隻爆紅 AI Agent 的設計 — 系列 #8，跟 Hermes 對照的另一端
- AI Agent 的記憶與檔案系統：memory、檔案記錄、漸進式揭露 — 系列 #3，Hermes 記憶設計的觀念版
- MCP / Tools / Skills：AI Agent 的三種能力擴充 — 系列 #4，skill 到底是什麼
- AI 是勞動力，不是工具 — 為什麼「會累積」這件事這麼重要
喜歡這篇文章嗎？
📧 訂閱 Newsletter — 新文章直接寄到你信箱 🎬 追蹤我的 YouTube — 看 AI / 工具實作影片 💬 加我的 LINE — 聊聊你想做的 agent，或有問題隨時問我 🧵 追蹤 Threads — 平常的工程隨筆
掰掰～👋
