Nous Research 的 Hermes Agent 在 2026 年 2 月 25 日公開發布後，GitHub 星數在兩個月內衝到 43,700 顆以上，目前版本 v0.8.0（2026 年 4 月 8 日釋出）。這是一個 MIT 授權的開源自主 AI 代理框架，核心賣點是「用越久越聰明」——透過內建的學習迴圈，自動從每次任務中生成可重用的技能文件，並跨 session 維持記憶。跟 OpenClaw 最大的差異在於：OpenClaw 每次對話從零開始，Hermes 則持續累積。
誰做的，錢從哪來
Nous Research 是 2023 年由 Jeffrey Quesnelle（CEO）、Karan Malhotra、Teknium 和 Shivani Mitra 共同創辦的開源 AI 實驗室，總部在加州 Saratoga。他們最知名的是 Hermes 系列語言模型（Nous Hermes 2、Hermes 3），下載量超過 5,000 萬次。
資金方面，Nous Research 總共募了約 USD 70M（約 NTD 2,240,000,000）。2025 年 4 月的 Series A 由 Paradigm 領投 USD 50M，讓估值達到 USD 1B。更早的種子輪 USD 20M 則來自 Distributed Global、OSS Capital、Delphi Ventures、Together AI CEO Vipul Reddy 和 Solana 共同創辦人 Raj Gokal。
自我進化的機制：GEPA + 技能系統
影片中提到 Hermes Agent 用了 GEPA 系統來「像反向傳播一樣優化 prompt」。這個說法需要修正：GEPA（Genetic-Pareto）是由 UC Berkeley、Stanford、MIT 和 Databricks 的研究者共同開發的 prompt 優化器，2025 年發表的論文被 ICLR 2026 接收為 Oral paper。它的做法是用自然語言反思（reflection）來診斷失敗原因、提出 prompt 修改建議，再透過 Pareto-based 選擇機制維護多樣性。跟 RL 方法（如 GRPO）相比，GEPA 只需要 100-500 次評估就能達到效果，而 RL 通常需要上萬次。
Nous Research 透過獨立的 hermes-agent-self-evolution 倉庫，把 GEPA 整合進 Hermes Agent 的技能優化流程中。實際運作時，agent 完成一個複雜任務後，會自動把解法寫成 Markdown 格式的技能文件，存進持久記憶（用 SQLite FTS5 全文搜尋 + LLM 摘要），下次遇到類似任務就直接載入對應技能。這套機制不會修改模型權重，只優化 prompt 和技能文件。
Shopify CEO Tobi Lütke 曾在 X 上表示 DSPy 和 GEPA 在 AI context engineering 領域「被嚴重低估」。
Hermes Agent vs OpenClaw：結構性差異
| 比較項目 | Hermes Agent | OpenClaw |
|---|---|---|
| 跨 session 記憶 | FTS5 全文搜尋 + LLM 摘要，永久保存 | 每次對話從零開始 |
| 技能學習 | 自動生成、自動改進技能文件 | 靠社群插件，手動配置 |
| 訊息平台 | Telegram、Discord、Slack、WhatsApp、Signal、Email、Home Assistant | 主要在終端和 Web UI |
| 模型支援 | 200+ 模型（OpenRouter）、400+ 模型（Nous Portal）、Ollama 本地 | 多模型支援，但切換需手動設定 |
| 後端部署 | 6 種：本地、Docker、SSH、Daytona、Singularity、Modal | 主要本地或 Docker |
| 授權 | MIT | Apache 2.0 |
| GitHub 星數 | 43,700+（截至 2026 年 4 月） | 353,000+（GitHub 最多星的軟體專案） |
| 自我優化 | 內建 GEPA + DSPy 整合 | 無 |
| 排程任務 | 內建自然語言 cron 排程 | 需外部工具 |
| MCP 支援 | v0.6.0 起原生支援 | 有限 |
關鍵差異不在功能列表，在架構邏輯。OpenClaw 是「每次執行一個任務」的工具，Hermes 是「持續運行的系統」。你可以把 Hermes 部署在 USD 5 的 VPS 上，透過 Telegram 遠端下指令，它會在背景持續工作。
安裝與設定：60 秒上手
安裝只需一行指令：
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
支援 Linux、macOS 和 WSL2。原生 Windows 不支援，需要先裝 WSL2。安裝程式會自動處理 Python、Node.js、ripgrep、ffmpeg 等所有依賴。
設定用 hermes setup，可以選 quick setup（直接指定模型供應商和訊息平台）或 full setup（完整配置）。模型供應商選項包括 Nous Portal、OpenRouter、Anthropic、OpenAI、xAI 等，也可以用 Ollama 跑本地模型。
影片中提到用 Gemma 4 跑本地模型。如果你的 GPU 記憶體夠（至少 16GB VRAM），確實可以透過 Ollama 跑 Gemma 系列或其他開源模型，免 API 費用。沒有足夠硬體的話，OpenRouter 提供部分免費模型額度。
版本演進時間線
| 日期 | 版本 | 重點 |
|---|---|---|
| 2026-02-25 | v0.1.0 | 首次公開，初始架構 |
| 2026-03-12 | v0.2.0 | 216 個 PR、63 位貢獻者、多平台 Gateway、MCP 支援、70+ 內建技能 |
| 2026-03-23 | v0.4.0 | OpenAI 相容 API 伺服器、6 個新訊息適配器、MCP OAuth 2.1 |
| 2026-03-30 | v0.6.0 | MCP 完整支援、typed SDK workflows |
| 2026-04-03 | v0.7.0 | 「韌性版」——穩定性和安全性大幅改善 |
| 2026-04-08 | v0.8.0 | 背景任務通知、免費 MiMo v2 Pro、即時模型切換、MCP OAuth 2.1、Plugin 系統擴展 |
六週內從 v0.1 推進到 v0.8，合併超過 1,000 個 PR。這個開發速度在開源 agent 生態裡相當突出。
技能系統的實際運作
影片示範了把 shadcn/ui 的套件文件匯入 Obsidian vault，讓 Hermes 在建前端時自動引用最新元件。這展示了技能系統的核心流程：
- 使用者告訴 agent 要做什麼（例如「去 shadcn 文件把最新套件整理到 Obsidian」）
- Agent 用內建的瀏覽工具（Firecrawl 或 Exa）抓取資料
- 資料存入知識庫（Obsidian vault 或內建記憶）
- 後續任務自動引用這些資料
記憶更新是自動的。每次成功完成任務，agent 會在背景更新使用者檔案和偏好設定。影片中提到的「每 15 次工具呼叫暫停檢視」，在官方文件裡沒有找到這個精確數字，但 Hermes 確實有定期的記憶/技能背景審查機制（v0.4.0 引入的 background memory/skill review）。
安全考量
v0.5.0 是專門的安全強化版本，包含超過 200 個 PR 的安全修補。具體措施：
- 指令審批流程（command approval flows）
- 危險模式阻擋（dangerous-pattern blocking）
- 容器沙箱隔離
- LiteLLM 憑證外洩問題修補
- 路徑遍歷（path traversal）修復
- SSRF 防護、時序攻擊緩解
v0.8.0 進一步加入了結構化日誌（~/.hermes/logs/）、YAML 設定驗證、和更全面的憑證管理。
對於企業用戶來說，Hermes 的安全機制比 OpenClaw 成熟。但自架 agent 本身就有風險——API 金鑰管理、模型幻覺造成的錯誤操作、長時間無人監督的背景任務——這些都需要額外的防護措施。
生態系統
Hermes 發布兩個月就長出了一個相當活躍的周邊生態：
- hermes-workspace（500+ 星）：Web 介面，含聊天、終端、記憶瀏覽器、技能管理器
- mission-control（3,700+ 星）：agent 調度儀表板，支援多 agent 管理
- awesome-hermes-agent：社群策展的技能、工具、整合清單
- agentskills.io：技能市集，有安全掃描
- wondelai/skills（380+ 星）：跨平台技能庫
Hermes Agent 跟 Claude Code 有什麼不同？
Claude Code 是 Anthropic 推出的命令列編碼工具，綁定 Claude 模型，專注在軟體開發任務。Hermes Agent 不限定模型，支援 400+ 種選擇，而且不只做程式開發——它可以當個人助理、團隊協作工具、自動化排程器。兩者的定位完全不同：Claude Code 是精準的編碼工具，Hermes 是通用型自主代理。
用 Hermes Agent 一個月要花多少錢？
框架本身免費（MIT 授權）。主要成本在 LLM API 呼叫。輕度使用（每天幾個任務）大概 USD 5-15/月；重度使用（持續背景任務、大量工具呼叫）可能到 USD 50-100/月。用 Ollama 跑本地模型的話，API 成本歸零，但需要至少 16GB VRAM 的 GPU。
Hermes Agent 安全嗎？可以讓它長時間無人監督嗎？
v0.5.0 之後的安全機制相對完善，包含指令審批、沙箱隔離、憑證保護。但任何長時間運行的 AI agent 都有風險——模型幻覺可能導致錯誤操作，API 金鑰外洩的風險始終存在。建議設定 API 消費上限，定期檢查日誌，高風險操作保留人工審批。
從 OpenClaw 遷移到 Hermes 難不難？
Hermes 內建 hermes claw migrate 指令，可以把 OpenClaw 的設定和自訂提示遷移過來。也有 openclaw-migration 技能提供互動式引導遷移，包含 dry-run 預覽。社群回饋顯示整個過程大約幾分鐘。
Hermes Agent 支援 MCP（Model Context Protocol）嗎？
v0.6.0 起原生支援 MCP，包含 stdio 和 HTTP 傳輸、自動重連、資源/prompt 探索、和 sampling（伺服器端觸發 LLM 請求）。v0.8.0 進一步加入 MCP OAuth 2.1 支援。
引用來源
- Nous Research — Hermes Agent 官方文件
- GitHub — NousResearch/hermes-agent
- The Block — Paradigm leads $50 million Series A round for Nous Research
- GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning（ICLR 2026 Oral）
Author Insight
EKC — Tenten.co Digital Strategy Director
我們團隊在內部部署 OpenClaw 已經有一段時間，最近開始測試 Hermes Agent 的 gateway 模式——讓 agent 常駐在伺服器上，團隊成員透過 Telegram 和 Slack 下指令。最讓我印象深刻的不是技能自動生成（雖然這確實好用），而是記憶系統帶來的效率差異。過去用 OpenClaw，每次新 session 都要重新解釋專案脈絡；Hermes 記住了我們的技術棧偏好、部署流程、甚至常見的 debug 步驟。
不過得說句實話：Hermes 的學習品質高度依賴底層模型的能力。用頂級模型（Claude Opus 4.6 或 GPT-5）時，技能文件寫得精確；換成免費或小型模型，生成的技能就比較粗糙，有時反而會干擾後續任務。選模型的時候，不要只看價格。
如果你正在評估 AI 代理框架的導入策略，或想了解 Hermes Agent 和 Claude Code 在不同場景下的適用性，歡迎跟 Tenten 團隊預約諮詢。
