工程篇难度 3⏱ 11 分钟概念
01Agent Harness（Agent 脚手架 / 运行时控制层）
让模型能稳定作为 Agent 运行的一层工程化控制系统，负责调度、约束、反馈与恢复。
Agent HarnessHarness Engineering运行时控制层Agent RuntimeGuardrails
更新于 2026-04-11agent-harness
Nous Research 开源的自我进化型 Agent 框架，内置学习闭环与四层记忆系统
内容摘要
Hermes Agent 是 Nous Research 于 2026 年 2 月开源的自主 AI Agent 框架，核心卖点是**自我进化**——它不只是执行任务，还能从经验中自动提炼技能、在使用中持续改进、跨会话记住你的偏好和项目背景。
Hermes Agent 是 Nous Research 于 2026 年 2 月开源的自主 AI Agent 框架，核心卖点是自我进化——它不只是执行任务，还能从经验中自动提炼技能、在使用中持续改进、跨会话记住你的偏好和项目背景。
与 LangChain 这类需要开发者手动组装的编排框架不同，Hermes Agent 是一个开箱即用的 Agent 运行时：安装后直接对话，技能和记忆会随着使用自动积累。它的定位更接近"数字员工"而非"开发工具包"。
| 要素 | 作用 |
|---|---|
| 学习闭环（Learning Loop） | 从完成的任务中自动提炼可复用技能，下次遇到类似问题直接调用 |
| 四层记忆系统 | 短期工作记忆 + 长期情景记忆 + 程序化技能记忆 + 冻结系统提示记忆 |
| 多平台消息网关 | 统一接入 Telegram、Discord、Slack、WhatsApp、飞书等 20+ 平台 |
| 多模型支持 | 支持 OpenAI、Anthropic、OpenRouter（200+ 模型）、MiniMax、GLM 等 |
| 多执行后端 | 支持本地、Docker、SSH 远程主机、Daytona、Singularity、Modal 等 6 种运行环境 |
学习闭环是 Hermes Agent 最核心的差异化能力。工作流程如下：
各层记忆的职责：
| 层级 | 存储方式 | 生命周期 | 内容 |
|---|---|---|---|
| 短期工作记忆 | 模型上下文窗口 | 当前会话 | 即时对话上下文 |
| 长期情景记忆 | SQLite + FTS5 | 永久保存 | 跨会话的事实、偏好、项目背景 |
| 程序化技能记忆 | 技能文件 | 永久保存 | 自动提炼的可复用工作流 |
| 冻结系统提示记忆 | MEMORY.md / USER.md | 永久保存 | 环境事实（2200 字符）+ 用户画像（1375 字符） |
Hermes Agent 通过统一的 Gateway 服务接入多个消息平台，用户可以在任何习惯的工具中与 Agent 交互：
安装依赖：
# 一行命令安装（支持 Linux、macOS、WSL2、Android Termux）
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
# 安装完成后加载环境变量
source ~/.bashrc # 或 source ~/.zshrc
配置 LLM 提供商：
# 交互式配置向导（推荐新手）
hermes setup
# 或手动切换模型
hermes model
最小可运行示例：
# 启动交互式对话
hermes chat
# 或一次性提问
hermes chat "帮我写一个 Python 快速排序函数"
预期输出：
✓ 已检索记忆：无相关历史
✓ 已调用技能：无匹配技能（首次使用）
✓ 生成响应...
这是一个 Python 快速排序实现：
def quicksort(arr):
if len(arr) <= 1:
return arr
pivot = arr[len(arr) // 2]
left = [x for x in arr if x < pivot]
middle = [x for x in arr if x == pivot]
right = [x for x in arr if x > pivot]
return quicksort(left) + middle + quicksort(right)
✓ 已记录经验：Python 排序算法偏好
常用管理命令：
# 检查环境依赖
hermes doctor
# 查看当前配置
hermes config
# 启动消息网关
hermes gateway start
# 管理记忆文件
hermes memory
# 查看已创建的技能
hermes skills list
| 维度 | Hermes Agent | LangChain | AutoGPT | Claude Code |
|---|---|---|---|---|
| 核心定位 | 自我进化型 Agent 运行时 | Agent 编排框架 | 自主任务执行 Agent | IDE 集成编程 Agent |
| 学习能力 | 内置学习闭环，自动提炼技能 | 无内置学习，需手动实现 | 有限的记忆能力 | 会话内上下文学习 |
| 记忆系统 | 四层记忆架构 | 需自行集成 Memory 模块 | 简单的长期记忆 | 会话级上下文 |
| 部署方式 | 一行命令安装，开箱即用 | 需要开发集成 | 需要配置环境 | IDE 插件 |
| 适合场景 | 长期使用的个人 AI 助手 | 构建定制化 Agent 应用 | 自动化任务执行 | 编程辅助 |
核心区别：
| 误区 | 准确理解 |
|---|---|
| Hermes Agent 是一个多 Agent 协作框架 | 它是单 Agent 运行时，专注于单个 Agent 的自我进化，不涉及多 Agent 编排 |
| 需要编程能力才能使用 | 安装后直接对话即可，技能和记忆自动积累，无需写代码 |
| 学习闭环意味着它会自动变好 | 学习闭环依赖足够的使用频次和任务多样性，初期需要用户耐心使用 |
| 它可以替代 LangChain | 它们定位不同：Hermes 是运行时，LangChain 是开发框架 |
| 优势 | 劣势 |
|---|---|
| 开箱即用，一行命令安装 | 资源消耗较大，建议 4GB+ 内存 |
| 内置学习闭环，越用越聪明 | 学习效果依赖使用频次 |
| 四层记忆系统，跨会话持久化 | 记忆容量有限（MEMORY.md 仅 2200 字符） |
| 支持 20+ 消息平台 | 中文文档和教程相对较少 |
| 支持 200+ LLM 模型 | 生态仍在发展中，插件数量有限 |
| MIT 开源，社区活跃（150k+ Stars） | 架构复杂，调试需要一定技术背景 |
参考答案：
学习闭环是指 Agent 完成任务后，自动将操作序列抽象为可复用的技能（Skill），保存到技能库中。下次遇到类似问题时，直接调用已有技能，而不是从零开始。同时通过 GEPA 引擎持续评估和优化已有技能。
参考答案：
参考答案：
本质区别在于定位：Hermes Agent 是一个运行时，安装后直接使用，技能和记忆自动积累；LangChain 是一个开发框架，需要开发者用代码组装 Chain、Agent、Tool 等组件。
适合场景：
优先展示同分类且标签更接近的内容，方便继续串联学习。
让模型能稳定作为 Agent 运行的一层工程化控制系统，负责调度、约束、反馈与恢复。
微软开源的多智能体协作框架，通过异步消息驱动多个 Agent 角色分工完成复杂任务。
开源自主 Agent 平台，支持可视化搭建和部署持续运行的 AI Agent 工作流。