Hermes Agent：别再把 Agent 当聊天框了，它应该越用越懂你

如果一个 AI 工具第 1 天和第 100 天一样，那它本质上还是一次性工具，

你学会了怎么用它，但它没有学会你，

这次 Hermes Agent 这个完整教程，我觉得最该拿走的不是“怎么安装一个桌面应用”，

而是它把一个 Agent 从聊天框，一步步搭成了会记住你、会跑自动化、会把反馈写回流程的个人工作系统，

这也是 Hermes Agent 和很多 AI 工具不一样的地方，

它不是只回答你一次，会看你反复做什么，把重复流程写成 skills，下次遇到相似任务再加载，

它会记住你的偏好、项目、工作方式，

它也可以每天自己跑任务，把结果发到你的手机上，然后根据你的反馈调整下一次，

我现在看个人 Agent，越来越在意这个问题：

它到底会不会随着使用变好，

如果不会，那再强也只是一个更贵的聊天框，

我会先从桌面端和本地模型跑通

第一步很简单，先装 Hermes Desktop，

打开后先不用急着选 OpenAI和Anthropic，

我会先选 choose provider later，进到桌面端以后，再去 Settings 里接本地模型，

这里接的是本地 Ollama，

大概就是先准备模型：

ollama pull qwen3:8b

然后在 Hermes Agent 的 custom endpoint 里填 Ollama 的本地地址，连上以后，底部 gateway ready，模型选择器里就能看到 local model，

启动命令：

ollama run qwen3:8b

这里我不会马上开始问复杂问题，

我会先问一句最简单的：

What is today's date?

这不是为了测试模型聪不聪明，

这是为了确认三件事：Hermes Desktop 能启动，gateway 能连上，本地模型真的能回话，

很多 Agent 工作流坏掉，不是坏在最后一步，而是第一层模型和 gateway 根本没跑稳，

本地模型最容易踩的坑，是 context 太小

有一个细节很重要，

有些 Ollama 模型默认 context 只有 2048 tokens，

普通聊天可能还能凑合，但 Hermes Agent 要带工具、带上下文、带系统提示，2048 很容易不够，

如果你问它一些需要工具的事，它可能会说自己访问不了，或者表现得像什么都不会，

这时候先别急着骂 Agent，先查模型实际 context，

ollama ps

看到 qwen3:8b 的 context 是 4096，

因为本地模型跑 Agent，核心不是“能不能打开”，而是“够不够它带着工具工作”，

如果 context 不够，本地私有化就会变成假私有化，

看起来全在电脑上跑，实际复杂任务根本跑不动，

local 和 cloud 要拆成两个 Profiles

本地模型跑通以后，我不会把所有事情都塞给它，

第二步接了 Codex，也就是把 OpenAI 的 Codex 模型接进 Hermes Agent，

这里真正有用的不是多了一个模型下拉选项，

而是它让 Hermes Agent 自己创建了两个 profile：一个走 Qwen3，一个走 Codex，

每个 profile 有自己的配置、sessions、skills 和 soul.md，

这一步很关键，

本地模型适合处理隐私更敏感、成本更低、难度没那么高的任务，

云端模型适合处理复杂规划、写 skill、改配置、搭 profile、长链路自动化，

不要把它们混成一锅粥，

我把它当成两个工作间：

一个偏隐私，一个偏能力，

一个先保证自己电脑上能跑，一个负责把复杂事情搭出来，

这比每天在模型下拉框里乱切靠谱得多，

Skills 不是插件，是 Agent 下次少问你的原因

打开 Skills & Tools，可以看到内置 skills，

我觉得这里要换个理解，

skill 不是给人看的教程，

skill 是给 Agent 下次干活时看的工作流，

比如我反复让它做一件事：先查资料，再筛信号，再写成日报，再按我的口味删掉融资新闻，增加 agent workflows 的部分，

如果这些要求每次都靠我重新说，那 Agent 没有变聪明，只是我越来越会写 prompt，

Hermes Agent 的做法，是把这种反复出现的流程沉淀成 skill，

下次它识别到类似任务，就不必从零猜我想要什么，

memory 负责记住稳定偏好，

skills 负责记住可复用流程，

这两个别混，

比如“我喜欢直接、但希望看到系统各部分怎么拼起来”，适合进 user memory，

比如“每天 AI 日报怎么选题、怎么排序、怎么过滤融资、怎么解释普通人为什么要关心”，适合进 skill，

先管 execution backend，再谈放权

Hermes Agent 不是只能聊天，

它能跑代码、跑终端、读文件、用浏览器、接工具，

所以我不会一上来就给它主系统最大权限，

如果 Agent 直接在你的主目录里跑命令，它做错事的影响范围就很大，

更稳的方式是先放在可控目录里跑，或者用 Docker 隔离，等工作流稳定以后，再逐步接更大的权限，

Agent 越能干，越不能只看能力列表，

要看它在哪里干，能碰什么，错了能不能收住，

真正开始有用，是接上手机和 cron

前面这些都跑通以后，才进入最有价值的部分：Feishu gateway + daily report cron，

我会照这个顺序来，

先用 Feishu 的 BotFather 创建 bot，拿到 token，

再用 raw data bot 拿自己的 Feishu user ID，

然后回到 Hermes Desktop 的 Messaging 设置里填进去，只允许自己的 user ID 和这个 Hermes 后端通信，

重启 messaging gateway 后，手机上给 bot 发一句 hi，如果 Hermes 能回，就说明手机到电脑上的 Agent 链路通了，

这个时候它已经不只是电脑里的一个窗口，

你可以在手机上叫它，

它的对话仍然存在你的 Hermes 后端里，

接下来才是自动化，

这里做的是一个 AI daily report，每天把 AI 相关信息整理后发到飞书，

但我觉得重点不是日报，

重点是它的创建方式，

他不是直接让 Agent 开始跑，

而是先说：

Please don't start yet, just make a plan here

然后再要求 Hermes 根据官方 docs 校对自己的计划，尤其是 cron 的限制，

这个细节很重要，

cron job 每次运行都是 fresh session，不能默认读取飞书聊天历史，

所以如果你希望它明天更懂你，就要让反馈进入 memory 或 skill，而不是幻想聊天记录自然继承过去，

我会先 dry run，再变成每天 8 点的任务

我最认同这个一个习惯：不要一上来就把 automation 设成 cron，

先在聊天里 dry run，

看它会不会找对信息，会不会按你要的结构写，会不会给出你真的想看的内容，

不满意就先改 skill，

比如一开始日报可以抓到 top stories，但他又补了一句，希望不只是技术信息，还要解释为什么普通人应该关心，

Hermes 就去查看并更新 AI Daily Intel skill，加上这个视角，

等 dry run 结果能看，再创建 cron，

cron 里要有任务名、运行频率、投递位置、prompt，还可以挂上 specific skill，

这里的关键不是定时，

定时任务很多工具都能做，

关键是这个定时任务会加载 skill，而 skill 会被你的反馈改进，

几天以后，你拿到的就不是一份普通 AI 新闻摘要，

而是一份越来越像你自己筛出来的信息流，

这套系统不会第一次就完美

飞书和 cron 不是一次就全部完美，

他大概调了三四次，才让任务按每天 8 点运行，也发现搜索时要明确让它用 browser，而不是 web，因为 web 可能需要外部 API key，

后面还有一个更关键的问题，

飞书里的反馈，先更新了 memory，但没有自动更新 daily report skill，

所以他又让 Hermes 建第二个 cron，在每天日报之前跑，读取反馈并更新 skill，

这一步非常像真实工作流，

不是“我写一个神 prompt，然后永远自动化”，

而是：

先跑出来，看哪里差，把反馈写回系统，第二天再验证，

个人 Agent 真正变强，靠的不是第一次回答惊艳，

靠的是它能不能把你每次纠正过的东西留下来，

我会按这个顺序搭

如果我现在从零给自己搭一套 Hermes Agent Desktop，我会这么来：

1. 先装 Hermes Desktop2. 先接 Ollama 本地模型3. 用一句简单问题确认 gateway 和模型可用4. 检查 Ollama context，不够就做 64k variant5. 再接 Codex 或其他云模型6. 拆 local / cloud 两个 profile7. 打开 memory，写入少量稳定偏好8. 选一个每天都烦的小任务，先让 Hermes 做计划9. 让它根据官方 docs 校对计划10. 先 dry run，不满意先改 skill11. 再创建 cron，挂上对应 skill12. 最后接 飞书，把结果发到手机13. 每天给反馈，再让反馈进入 memory 或 skill

别反过来，

不要第一天就 MCP、Obsidian、LLM Wiki、飞书、cron、远程 gateway、Docker、memory provider 全部打开，

层越多，坏起来越像玄学，

先让它稳定回答，再让它稳定用工具，再让它稳定定时跑，

最后再让它跨设备、跨入口、跨知识库，

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】