两个月 4.7 万星，爆火的 Hermes Agent 是下一个龙虾，还是另一个故事？
最近几周，在 X 和 GitHub 上，一个名为 Hermes Agent 的开源项目火了。
从 2 月底开源首月破 2.2 万星，到 4 月 8 日 v0.8.0 版本发布后单日新增 6400 + 星，Hermes Agent 在不到两个月的时间里，GitHub 总星标已突破 4.7 万，并在多日内持续霸榜全球开源榜单第一。
Hermes Agent 是什么？
简单来说，它是一款「会自我成长」的个人 AI 智能体：内置学习闭环，能从任务中自动提炼技能、持久记忆用户偏好、跨会话精准回忆，越用越懂你；支持 5 美元 VPS、Docker、Serverless 等 6 种部署方式，兼容 200 + 大模型一键切换微博，Telegram、Discord、Slack 全平台接入，一行命令即可安装运行。
有人说它是 OpenClaw 的平替，有人说它比 OpenClaw 更好用，在极短的时间内，它不仅收获了数万颗 Star，也让开发者感叹：AI 可以「越用越像自己的一部分」。
01 Hermes Agent 到底是什么？
Hermes Agent 是 Nous Research 开发的免费、MIT 许可的自主 AI 框架，它的核心定位是，一个会随着使用不断成长的「自进化 Agent」。
图片来源：GitHub
和传统 Agent 不同，Hermes 试图成为一个能够持续积累经验的长期系统：它会从已经完成的任务中学习，在不同会话、不同平台之间保留记忆，并逐渐形成一套属于用户自己的能力结构。
图片来源：GitHub
自 2026 年 2 月发布以来，它在短短几周内狂揽超过 2.2 万颗 GitHub Star，目前为止已超过 4.7 万，贡献者也有数百名。从社区反馈来看，这种设定正好击中了一个长期存在的需求——开发者越来越关心，Agent 能不能「记住」和「变强」。
在 X 和开发者社区的讨论中，让人印象深刻的，是 Hermes 在复杂任务中对提示词的依赖明显降低了。
有开发者在使用 gemma 26B 或 Hermes 系列模型测试时提到，即便只给出一个相对模糊的指令，例如「写一个抓取数据并生成可视化的脚本」，Agent 也能够完成从任务拆解到代码生成的一整套流程。
在执行过程中，它会根据执行反馈不断调整路径——包括读取报错信息、尝试修复问题，甚至在多次尝试中形成可复用的解决方案。
这种体验并不意味着 Hermes 具备稳定的「全自动开发能力」，但它至少让开发者感受到：Agent 不再完全依赖精确 prompt，也可以在模糊目标下推进复杂任务。
Hermes Agent 更值得关注的，其实是其底层的架构。
从架构上看，它和 OpenClaw 走的是两条几乎相反的路径：前者强调连接能力的广度，后者则更执着于学习能力的深度。Hermes 的那句口号——「the agent that grows with you」，是指向一整套围绕「学习闭环」构建的底层设计。
这个闭环大致由三部分构成。
首先是持久化记忆。Hermes 会将所有历史会话存储在本地数据库中，并通过全文检索与模型摘要进行二次组织。它不仅可以回溯几周前的对话，还能在不同任务之间建立关联，逐渐形成对用户工作方式的理解。这种记忆不再依赖人工维护，而是由 Agent 自主整理、更新，更像一种持续演化的认知结构。
其次是技能的自动生成与复用。当 Hermes 完成一个复杂任务后，它不会简单结束，而是会将整个过程抽象为结构化的 Skill——包括步骤、关键判断、潜在陷阱以及验证方式。下一次遇到类似问题时，它优先调用这些已有经验，而不是重新推理一遍。随着使用次数增加，这些技能会不断被修正和优化，形成真正可复用的能力资产。
第三，自训练能力的雏形。Hermes 可以在运行过程中生成大量工具调用轨迹，并将这些数据导出，用于后续模型微调。这意味着，它不仅在「用模型」，也在不断生产可以反哺模型的训练数据。这种能力，已经明显带有研究型系统的特征，而不是单纯的应用层产品。
也正因为如此，Hermes 的整体形态更像一个「实验性操作系统」。这种倾向在近期版本中变得更加明显。比如引入的多实例配置，允许开发者在同一环境中运行多个相互隔离的 Agent，每个都有独立的记忆、技能和配置。这让 Hermes 从「个人助手」进一步演化为可以复用的 Agent 基础设施。
再比如对 MCP 的支持，它可以将自身的会话与记忆暴露给 IDE 工具，让开发者在 Claude Desktop、Cursor 或 VS Code 中直接检索和调用。这种设计，本质上是在打通「常驻 Agent」与「开发环境」之间的边界。
在安全层面，Hermes 反而显得相对克制。它通过容器隔离、只读文件系统、执行前扫描等机制，对潜在风险进行约束。这种设计并不追求极致的开放性，而是在「可进化」与「可控性」之间寻找平衡。
综合来看，Hermes 并不是一个在规模或生态上占优的项目。无论是 GitHub Star 数量，还是技能市场的成熟度，它都还处在一个相对早期的阶段。
它真正值得关注的，是它所押注的方向，即如何让 Agent 在时间中变得更强。
02 Hermes 与 Openclaw 的「同与不同」
当 Hermes Agent 在 X 上大放异彩时，开发者不可避免地将它与今年年初在开源社区大火的另一个现象级项目——OpenClaw 进行对比。
OpenClaw 同样是一个本地优先的个人 AI 助理框架。它与 Hermes Agent 这两者都试图解决传统 SaaS 型 AI 的隐私和控制权问题，但在底层哲学上，它们走向不同。
两者的相同点在于「数字主权」。
无论是 Hermes 还是龙虾，它们在出现之初都拥有相同的底层基因：
本地优先与隐私至上：数据不会上传到不可控的商业云端，所有记忆、代码执行过程，甚至文件与目录级别的授权，都尽可能留存在用户本地设备或私有环境中。
基于消息通道的交互：它们都放弃了繁琐的 Web UI，转而拥抱 Telegram、WhatsApp 等即时通讯工具，让 AI 真正融入人类日常的沟通链路。
全天候的自动化（24/7 Agent）：支持定时任务，可以在后台静默运行，无需人类时刻盯盘。
这种对「数字主权」的强调，本质上是一种基础设施层的选择。而在这一点背后，Hermes 与 OpenClaw 的差异，其实已经开始显现。Nous Research 的定位是一家「去中心化 AI 研究实验室」，他们不仅做 Agent，还在推进名为 Psyche 的去中心化训练网络——试图利用区块链协调全球闲置 GPU 来训练大模型。
所以，Hermes Agent 不仅仅是一个本地工具，也是这一整套「AI 去中心化基础设施」中，最贴近用户的一层入口。
两者的不同之处在于能力生长的路径之争。如果说 OpenClaw 代表的是一种更偏「确定性」的路径，那么 Hermes 则更接近一种「进化式」的系统。
首先是技能获取方式的不同（Human-authored vs. Autonomous）。龙虾的能力边界主要由「人类预设」决定。龙虾倾向于让开发者通过明确的代码或 Prompt 来编写 Skill。它是一个完美的控制面，用户定义了它能做什么，它就会以高稳定性和确定性去执行。
Hermes Agent 的能力则是通过「经验涌现」出来的。在完成复杂任务之后，它会自动抽象出方法论，将其沉淀为可复用的 Skill，并在后续任务中不断迭代优化。这使得它的能力边界不是预先写死的，而是在使用中逐渐扩展。
其次是记忆机制的差异。
OpenClaw 更偏向显式记忆与检索机制，本质上是典型的 RAG 思路——它知道「信息在哪里」，并在需要时调取。
Hermes Agent 则采用的是分层的记忆系统，除了显性记忆，最核心的是它建立了一个「关于你的模型」。它会在跨会话的交互中，逐渐理解用户的代码风格、对待报错的容忍度、喜欢的技术栈。它甚至会定期「轻推」自己去整理和固化这些知识。
适用场景上，两者也有区别。
如果用户要一个极其安全、步骤明确、用于处理批量数据或金融交易等容错率极低的任务，龙虾的权限控制（最新版）更严格，行为更可预测。如果用户进行探索性的编程、创意开发，或者处理那些流程模糊、需要不断试错的复杂工程，Hermes 带来的自主性将为用户省下不少负担。
不过，在 Reddit、Youtube 和 X 上的社区共识并不是 Hermes 取代了 OpenClaw，而是认为它们是互补的。
OpenClaw 负责「干活」——处理多通道交互、团队工作流和复杂的生态对接；而 Hermes 负责「动脑」——主攻持久化记忆、自动生成技能和高维度的模型推理。
常见的设置是将 Hermes 作为高级规划器运行在 OpenClaw 工具之上。只需要运行 hermes claw migrate 指令，就可以将现有的 OpenClaw 技能、记忆和设置一键平滑迁移到 Hermes 中。
03「会进化的 Agent」
Hermes Agent 在试图把「AI 能力」从一次性调用，变成可以持续积累的资产。
Agent 不应该只是一个临时调用的接口，而应该是一种长期存在的系统——它是私有的、持续运行的，并且可以在使用过程中不断积累能力，最终反过来影响模型本身。
主流产品的数据、记忆、行为轨迹，大多沉淀在平台侧，而 Hermes 想做的，是把这些能力尽可能留在用户自己的系统里。
这意味着 AI 的能力，不再只是「被调用」，而是可以「被拥有」。在开源社区里，Hermes Agent 的热度，很大一部分来自于它把这条路径真正跑通了一部分。
它在尝试打通一条更完整的链路：从任务执行，到技能沉淀，再到记忆积累，甚至进一步，成为训练数据的一部分。
当一个 Agent 开始具备这样的循环能力——自己解决问题 → 记录经验 → 复用经验 → 优化方法 → 再反哺自身——它就开始接近一个可持续进化的系统。
目前来看，这条路径还很初期。记忆的噪音、技能的质量、训练闭环的稳定性，仍然是需要反复打磨的问题。部署门槛也依然存在，距离「普通用户无感使用」还有不小的距离。
但方向已经很清晰。Hermes 至少让一件事变得具体起来：私有 AI，不只是一个使用形态，而可能是一种可以持续演进的资产形态。
如果这条路径成立，未来我们评估一个 Agent 的方式，可能会发生变化： 从看它「当下能做什么」到看它「在时间里变成了什么」。谁能在时间里积累更多能力，谁就拥有更高的上限。
04「龙虾」后最火的 Agent 项目，有割韭菜嫌疑？
Hermes 的火热不是偶然，这是一个在技术上有真实产出的开源项目，但这个项目本身也不乏争议。而最大的争议点，就在团队本身。
Nous Research 的核心成员，很多都来自 Web3 领域。有报道称，其 CEO Jeffrey Quesnelle 此前曾是以太坊 MEV 基础设施项目 Eden Network 的首席工程师。
团队的融资路径也带有明显的加密行业特征——截至 2026 年 4 月，Nous Research 累计完成 2 轮公开融资，总融资金额约 7000 万美元，投资方均为加密领域头部机构，融资路径带有鲜明的 Web3 特征——以代币计价而非传统股权，核心用于算力储备与团队扩张。
资本来源不同，方法论也有差异。
Nous Research 从一开始，就是一个 Web3 原生的 AI 实验室：在治理结构上强调去中心化，在技术路径上强调分布式训练，在产品策略上则更偏向「开源优先 + 社区驱动」。
如果把这个背景带回来看 Hermes Agent，更像是把 Web3 社区的那套方法论，移植到了 AI Agent 的基础设施层。
也正因为如此，一个在社区中被反复讨论的问题开始浮现：
Hermes 所构建的「长期运行 + 持续积累」的 Agent 形态，是否同时也具备成为某种「Web3 冷启动基础设施」的潜力？
目前来看，Nous Research 官方仍处于「未发行代币」的状态，也没有明确公布任何代币分发机制。但在更外围的生态中，已经可以看到一些典型的「预期行为」：例如，部分加密社区开始围绕其项目进行空投预期的讨论，一些第三方平台也在引导用户参与社区互动、任务完成等行为，以「潜在奖励」为激励。
与此同时，在链上也已经出现了以「NOUS」为名的非官方代币，这类资产与项目本身并无直接关联，但往往会在市场情绪波动时被放大解读。
这些现象并不能直接说明项目的走向，但至少表明一件事：市场已经在用 Web3 的逻辑，提前「理解」这个项目。
从结构上看，Hermes Agent 的产品形态，确实具备一些在加密世界中常见的特征：它运行在用户本地，长期在线；持续产生行为数据与交互轨迹；并在使用过程中不断沉淀「贡献」。
在传统软件语境下，这些只是「产品体验」的一部分；但在 Web3 语境中，这类行为也常常被视为一种「可度量的参与」。
这也让 Hermes 处在一个相对微妙的位置：它一方面是一个真实可用、快速迭代的开源 Agent 框架；另一方面，其技术路径与社区结构，也天然具备向「代币化激励体系」延展的可能性。
对于开发者来说，Hermes Agent 的价值，首先仍然来自它作为一个 Agent 系统本身的能力。但对于普通用户而言，这意味着一个更现实的判断标准：任何与「NOUS 代币」直接挂钩的交易、投资或承诺，都需要保持足够谨慎——尤其是链上已经出现的同名资产或高收益宣传。
本文来自微信公众号 “极客公园”（ID：geekpark），作者：连冉，36氪经授权发布。