Nick Spisak（@NickSpisak_，Build With AI newsletter 作者）发布了一份完整的 Hermes Agent 上手指南，解释了 Hermes 是什么、和 Claude Code / OpenClaw 的关系，以及 7 个真实用户在跑的工作流。该指南在 X 上获得了大量关注。

Hermes 是什么（30 秒版）

Hermes 是一个个人自动化 Agent，运行在服务器或笔记本上，通过 Telegram（或者 CLI）和你对话。它是一个常驻系统，负责：

  • 处理周期性任务
  • 监控你关心的内容
  • 自动学习并创建可复用的 Skills

安装只需 2 分钟：

curl 安装脚本
hermes model 选模型
hermes gateway setup 连接 Telegram

然后你就拥有了一个 24/7 在后台运行的 Agent。

核心差异：学习 Loop

Hermes 每隔约 15 次工具调用会暂停一次，回顾刚才发生了什么——什么成功了，什么失败了，什么太慢了——然后把学到的东西写成一个新的 Skill（markdown 文件，保存在 ~/.hermes/skills/）。

这带来一个根本性的差异：第 30 天问 Hermes 同一个问题，输出比第 1 天更精准、更符合你的格式偏好。 它从你的反馈中学会了你的工作方式。

和 Claude Code 的对比：

Claude CodeHermes
记忆内容偏好事实可执行程序
存储方式记得你喜欢 bullet points记住"研究→过滤→格式化"的完整工作流
运行环境在代码库里在服务器上，24/7
消息推送不支持Telegram 等多平台

Hermes vs Claude Code vs OpenClaw

Nick 的结论非常清晰：不要比较，同时跑。

  • Claude Code：用于软件开发——读代码库、写代码、跑测试、提交。在代码开发场景仍是最好的之一。
  • OpenClaw：运行在服务器上，有消息、调度和工具访问，但没有学习 loop。
  • Hermes：运行在服务器上（像 OpenClaw），但增加了学习 loop。

三者互补而非竞争。Hermes 和 Claude Code 使用相同的 MCP 协议，你的工具在两个 Agent 里都能用。OpenClaw 用户迁移到 Hermes 只需一条命令：hermes claw migrate（5 分钟完成，包括 persona、memories、skills、API keys 和消息设置）。

7 个真实工作流

工作流 1：早晨简报（Daily Briefing）

设置：连接 Hermes 到 Telegram，监控邮件、日历和 2-3 个话题，设为周期性任务。

两周后的价值：Hermes 学会了哪些邮件发件人会得到你的回复、哪些会议你会提前准备、哪些话题会让你追问。Skill 文件会自我更新。第 30 天的简报和第 1 天完全不一样。

工作流 2：自动化代码审查

设置：让 Hermes 监控 incoming user reports，判断元数据是否需要修正。

一个 builder 彻底替代了人工审查流程：Agent 读取报告、核查现有数据、有效的就应用修复并记录变更日志。

工作流 3：竞品/内容监控

Hermes 集成 Camoufox（反指纹 stealth 浏览器）+ Firecrawl（结构化数据提取），可以监控竞品定价页面、招聘版块、新闻源、产品列表。不再需要每天手动打开 10 个标签页，改为每天早上收到"昨晚哪些内容变化了"的 diff 推送。

工作流 4：单人 Fintech Startup

一个 founder 尝试了 multi-agent 方案（5 个专业化 AI：营销、销售开发、工程、社区、每日简报），48 小时后彻底失败——Agent 之间无法共享上下文，Skill 重复，品牌声音不一致。

他把所有功能合并到一个 Hermes 实例里：Claude Code 处理代码库，一个 Agent 运行营销、 outreach、社区管理和每日简报。统一记忆意味着每个功能都能为其他功能提供上下文——这在 5 个断开的工具之间是不会发生的。

工作流 5：LLM Wiki（Karpathy 模式）

Hermes 内置了 Karpathy 的 LLM Wiki 模式作为内置 Skill。你告诉它创建 wiki、指向信息来源，它就把一切组织成交叉引用的 markdown 文件：摘要页、实体页、概念页、对比页。

在 Hermes 里，这个 wiki 会自动维护——新增信息后 Agent 不会只是存档，它会检查现有页面、更新有变化的内容、补充交叉引用并标记矛盾点。一个月后，你拥有了一个复合增长的知识库。

工作流 6：Auto Research（自主实验循环）

Karpathy 的 Auto Research 模式：在 Hermes 里，给它一个想要优化的指标（邮件打开率、着陆页转化率、lead 响应时间），告诉它做小改动、测量结果、保留有效方案，然后继续尝试。学习 loop 让它不只是随机测试，而是基于已尝试过的结果预测哪些改动会有效。

真实案例：一个 builder 给了 Hermes 一个 brokerage API key，部署了 4 套自动化交易策略到真实账户。另一个跑着全自动的 Solana token 操作。这些不是 demo，是生产系统。

工作流 7：MCP 工具复用

Hermes v0.8.0 支持原生 MCP client。你给 Claude Code 构建或安装的所有 MCP server（Google Workspace connector、数据库工具、自定义 API）都被 Hermes 自动发现，不需要重建或重新配置。一次投入，两个 Agent 用。

模型选择错误是第一大坑

这是 Nick 认为"大多数人第一个周末就放弃"的主要原因。当框架运行不正常时，人们会怪框架，但实际上经常是模型在工具调用上失败了。

本地实验推荐 Gemma 4 26B via Ollama。但对于本文描述的所有工作流，Nick 建议用 frontier model API。

切换模型：hermes model，支持 Nous Portal、OpenRouter（200+ 模型）、OpenAI 或你自己的端点。如果感觉配置有问题，运行 hermes doctor 会自动诊断配置问题。

安装建议

安装。连接 Telegram。设置一个周期性任务。然后让它跑两个星期再评价。值得评估的是第 30 天的版本，不是第 1 天。