整合hermes的skill是什么

不装 skill 的 hermes 能力直接砍掉百分之六十，很多人把它当普通模型用，简直是暴坦天物。装上这五个 skills， 它才成为完全体的钥匙。第一个 g stack 八五 k 星的含金量，专门优化记忆层，让 hermes 学会自我净化，越用越聪明。 第二个 g brain， 十一 k 星，同一位大佬出手多，团队写作效率直接翻倍，打工人必备。第三个 hermes webui 四点六 k 星，轻量 webui 设计，访问体验丝滑到不行，用过就回不去。 第四个 awesome hermes agent 一 点九 k 星，全网最全的 hermes 生态导航，找什么项目一搜就有。第五个 hermes agent self evolution 二点四 k 星，创始人 technium 亲自写的自进化增强版官方背书。

一个视频带你看懂最近爆火的小龙虾杀手 hermes agent， 它是一个可以自己进化的 ai 助手。首先我们来对比一下 hermes cloud 还有 opencloud cloud 呢？它如果嵌在 v i store 里面，所有文件都是透明方便查找的，但目前无法直接通过一个通讯软件跟它交互。记忆呢，主要靠手动维护。 cloud md 内置的 skill 本身会比较少，但是生态非常的丰富，上限很高，稳定性也很高。 opencloud 它可以集成到通讯软件里面，本身内置了很多 skill， 适合呃纯粹的技术。小白有一些记忆文件，而且可以定时的自动触发任务。 hermes 呢，我们 call 有 的它都有，但体量更小，而且它有自我净化反思的能力，对国内生态的集成也很不错，飞书还有微信都是可以连的。 hermes agent 有 五大核心的模块，这五个模块形成闭环， memory 用来积累上下文， skill 用来模板化重复的操作， so 保持风格的一致。 craw 用来实现自动化， self improving 持续优化前面所有模块的质量。实际使用上呢，你不需要每次对话都重新描述项目的背景，可以直接调用之前已经跑通过的技能，它对话风格也完全遵循你的旨意。 它有一个三层的记忆系统，第一层是关于用户的记忆，写在 user 点 m d 里面，里面有用户的长期偏好语言，在做项目界面信息等等。第二层是关于项目的记忆， 写在 memory 点 m d 里面，里面主要是一些实时性的信息，比如说部署脚本在什么什么什么目录里面。第三层是历史对话搜索，它能在几个月的聊天记录里面搜到某次讨论的具体的内容， 也就是说过去聊过的方案随时都可以翻出来。 hermes 也支持 skill， 很 适合做重复执行的知识类工作， 但它和 cloud 的 有两个主要的不同。首先就是当你连续两至三次执行相似的操作序列的时候，它会主动的去问你要不要附装成一个 skill。 其次，它内置的技能会更丰富，同时也像 cloud 的 一样，可以从社区官方那里面继续下载好用的 skill。 它的定时任务要比 windows 更完善，它可以把任务串联成一个流水线， a 的 输出自动传给 b， 数据采集、分析、推送， 很适合多步骤的这样的工作。同时简单的日常监控不会消耗他的 token， 只要在智能判断的时候才会介入消耗 token。 而人们最特别的是他的自我进化机制，他会主动进行反思，查找之前的规律，然后将这些高价值的反思提炼成规则。 每次提炼的时候他都会经过你的允许，而且每次重大改进都会生成一个可生化的版本，就像一个人格的进化报告一样。 那有没有必要用呢？其实之前 opencloud 刚出来的时候，我也觉得这样的工具是给一些技术水平比较低的人用的，更像是一个营销的噱头。但我一直在思考啊，就这么一个框架，有革命性的工具，它到底能在什么场景中使用？或者说真正阻碍我从 cloud 换到 hermes 或者是 opencloud 的 原因是什么？ 我觉得更换成本是一个非常重要的一点，因为要把我现有的工作流完整的搬在 hermes 上，需要进行很多的重新培养和配置，这会让 hermes 前期的使用变得非常麻烦，效果可能没有可拉的那么顺手。但对于我大部分的创作内容来说，长线来看， hermes 很 可能是要优于可拉的。 比如说定时任务数点、 m d 自动化机制，这些都属于长线复利型的机制，你用的时间越长，他就越能解放你的生产力。 所以我现在正在把整个工作流尝试搬到 hermes， 你 可以把它理解成一个在旁边看着你干活的实习生。一开始他可能确实没有看到这样的强能工具好用，但是一旦掌握了完整的工作流程，掌握了你那些可能写不在 skill 里面的个人使用习惯，他就可以爆发出惊人的战斗力。

想实现 harmless 与 openclaw 强强联合，只需按下面的架构思路，把提示词输入 code body， 即可自动生成整合方案。核心设计， 将 openclaw 作为统一网关，负责接收请求、路由调度、协议转换。 harmless 作为深度执行引擎，专注本地高性能计算与任务处理两者。通过 openclaw 原生的 skill 机制， 触发 hermes 的 本地 api 服务，实现网关层加执行层的清晰分层。架构优势，网关层管理流量与权限，执行层保障算力与稳定性， 既降低藕合又提升扩展性。使用 codebody， 你 无需手写胶水代码，只需输入上述提示词， codebody 就 能自动解析架构意图，生成 skill 配置、 api 调用视力与部署能力与 hermes 的 执行效率为你所用。

hermes honey 还在傻傻翻不清楚吗？ hermes 是 什么？是一个自己会长本事的 ai 助手。每次你用 deep secret 都要重新解释一遍，我是谁，我在做什么？我需要什么？说完一遍关掉，下次打开他又忘记了，就像是一个失忆的助理，你说烦不烦？而 hermes 是 一个不断能学习和进化的超级助理， 它的最大特点是从你给他的任务里面自动总结经验，形成一套可附用的技能。 skills 下次再遇到类似的问题就能直接调用，越用越顺手。它的核心能力是学习与进化、多层记忆调用工具自主执行，适用场景式处理一些需要长期跟进的复杂任务，比如内容研究、多平台内容发布、个人知识库管理。而 hines 是 什么？ hines 不是 一个独立的软件哦，而是指构建 hermes 这类智能体所遵循的设计理念和方法论，被翻译为驾驭工程。它关注的是如何给 ai 设定规则、权限和反馈机制，确保 ai 不 仅能做事，而且能可靠、稳定地完成复杂任务。如果说 skills 是 具体的菜谱，而 hines 就是 一整套 确保厨房能稳定产出美食的系统性保障。对于普通来讲，它有什么用呢？我们就是要打造个人的专属 ai， 通过记忆功能，它可以记住你的偏好和重要信息， 真正成为懂你的个人助手。而且它自动化的技能沉淀，让你在使用过程中不断积累自己的 ai 工具箱。目前， hermes 主要面向有一定技术基础的用户，需要在电脑上通过命令行进行安装和配置。下个视频我来教大家怎么下载和配置，点赞、收藏、关注！

我们在上一集讲解了多平台接入，在哪都能找到它。本集我们讲解自定义 skill， 教 hermes 新技能。 hermes 的 学习循环会自动创建 skill， 但你也可以手动教它。这一集会讲 skill 是 什么，怎么写，怎么测，以及怎么把 cloud code 的 skill 迁到 hermes。 在 hermes 里，一个 skill 本质上就是 markdown 文件，你用自然语言定义行为，告诉它在特定场景下该怎么做。 而且所有平台共享的还是同一个 hermes 实力，所以你教会他一次，不管从 c l i， telegram 还是 discord 进入，他都会按同样的方法工作。背后共享的仍然是同一套记忆、同一组 skill， 以及连续的跨平台对话能力。手动写 skill 最直接的办法就是从一个具体任务开始。 这里的例子是统一 git commit message 的 写法。一个 skill 至少要写清标题、出发条件、行为规则和事例。 标题的作用是让 hermes 快 速识别用途。触发条件决定什么时候激活，行为规则决定怎么做，包括步骤约束和格式视力能把输入到输出的样子讲完整。如果还想减少漂移，可以再补一句，不要做什么明确边界。 像这个提交规范里，提交标题采用类型加范围再加减速的格式，长度控制在五十之内。标题后空一行论文重点解释为什么改，而不只是写，改了什么。触发条件也要尽量具体， 比起笼统地说代码太模糊，像提交代码写 commit message review， 提交历史这样的说法命中率会更高。 保存之后，下次你只要说帮我提交这些改动， hermes 就 会自动按这个格式执行。如果不想从零开始写，也可以先用社区里已经沉淀好的 skill。 hermes 自带 skill tab， 你 可以先问有哪些可用的社区 skill， 它会按类别列出可安装条目，也可以继续按方向筛选。确认之后直接让 hermes 安装， 他会把对应的 markdown 文件下载到 hermes skills， 然后立刻生效。安装完成之后， skill 仍然只是普通 markdown 文件，所以你可以继续开箱，即改，把它调成更适合自己的版本。 hermes 还内置了四十多个班斗的 skills， 覆盖 m lops、 github、 工作流、研究助理这些常见场景。这套体系真正实用的地方就是先附用社区经验，再叠加自己的工作方法，写好 skill 之后下一步。不是用社区经验，再叠加自己的工作方法。写好 skill 之后，下一步它已经可用，而是先确认它有没有正确命中，正确执行。 最简单的办法是直接问 hermes 现在加载了哪些 skill， 它会告诉你当前激活的 skill 列表。如果还想继续往下查，就去看日制。日制会记录每次请求匹配了哪些 skill， 为什么命中，或者为什么没有命中日制路径。就在 hermes logs 测试时，最好从最简单的真实请求开始，先确认出发和基本行为，再逐步叠加更复杂的场景。如果结果看起来不对，优先检查是不是有多个 skill 的 出发条件覆盖了同一请求。很多异常本质上都是 skill 冲突造成的。 skill 的 另一个价值是，它不必绑死在某一个 agent 里。这里的例子就是把 cloud code 里的 skill markdown 签到 hermes， 像公众号省校这种 skill， 只要格式和语义保持一致，复制过去通常就能直接识别，触发条件可以原样保留。像提到省校占领 ai 位，到 ait 了润色时激活这类规则本身不需要改， 省效流程也可以直接继承，比如先做事实省效，再做风格省效，最后做细节打磨。真正需要调整的，通常是那些和平台强相关的工具依赖。如果原文引用了 cloud code 特有的命令，或者某个专属的 m c p 服务，再改成 hermes 对 应工具就可以。 这就是 agent skills i o。 标准的意义。 skill 不 再是某个平台的专属资产，而是你自己的可迁移能力库。 skill 并不只服务于一个入口。 除了 telegram、 discord 和 slack， hermes 还支持 whatsapp、 signal、 钉钉、飞书、企业微信甚至 home assistant。 大 多数平台只需要在 config ymail 里配置对应 token 就 能接进来。如果把整套系统部署在五美元级别的 vps 上， hermes 核心 messaging gateway 和各平台入口就能一起长驻在线部署结构也很清楚， state dot db 负责保存所有对话历史， skills 目录负责保存自动积累出来的能力， config emo 负责集中管理参数。整套成本通常就是 vps 每月五美元，再加上模型调用费，换来的是一个有记忆、可迁移，还能二十四小时在线的 ai 助手。这一集解决的是怎样把经验写成 skill， 让 hermes 学会按你的方法做事。 下一集是 mcp 集成连接你的工具站，我们会看看怎样把 hermes 接到 git 数据库、 slack 和更多服务。下集见。

大家好，我是科技小白，你的 ai 还在当百度呦！每次对话从零开始，问了就忘，没有记忆，没有积累。今天分享五个进阶 skill， 让你的 ai agent 从玩具进化成真正的数字分身，记住你的思考，处理你的信息流，沉淀你的工作方法。 第一个， obsidian， 深度联动知识，不是存储，是链接。让你的 ai 基于个人笔记深度对话，自动梳理笔记之间的关联语义，搜索替代关键词匹配。 第二个， live doc， 外部信息必须咀嚼才能变成你的护城河，一篇报告光收藏等于没看。 live doc 让 ai 帮你消化提炼，自动归档。 第三个， youtube subtasking， 过滤噪音比获取信息更重要，一小时的视频，核心观点可能只有五分钟，让 ai 帮你脱水止流干货。 第四个， super agent， 这是重头戏，解决 ai 最大的痛点，没有时间观念，定时任务、跨绘画、保持状态，自主规划，多步骤执行。 第五个 l l m wiki， 灵感来自 carpathi， 不是 每次查询临时拼凑答案，而是让 ai 维护一个持续增长的个人百科， 越用越聪明。说个扎心的，不要把 ai 当百科全书。通过 obsidian 加 skill， 让 ai 记住你的思考，沉淀你的方法。这不是用更多工具，而是构建一个持续进化的知识系统，这才是二零二六年玩转 ai agent 的 正确姿势。

爱马仕太牛了，他现在在创建个可以附用的 skill， 帮我整理一手 ai 信息。然后他会帮我把原始信息整理成一个英文原版文档，翻译后的中文文档，保存所有信息的 excel 表格以及最终分析解读，并做出一份咨询风格的 ppt。 而这所有动作都是连贯的，只需要用到一个 skill 仓库。 mini max skill， 一个开源项目，里面打包了十七个核心技能，我所用到的就是办公文档这一类。具体实现过程是这样的，操作起来不难。让爱马仕安装这个 skill， 然后直接给指令，让他去高质量信息员 找二十个 ai 领域的 k o l， 把他们最新推文的原文搜集起来，整理成 word excel 表格。你看，他会向我们要官方 a p i 接口，然后通过接口获取包括原文和互动数据的所有一手信息。发给他以后，接下来第一步，用 mini max doc skill 生成一万三千次的文档。 第二步，用 api 翻译成一万八千多字的中文。第三步，用 s l s x skill 在 excel 里面拆成几十个紫 tab， 方便挨个查看。但这个时候有原文还是不够的，我们需要用爱马仕内置的深度搜索 skill 帮我们根据原文 找相关的补充数据。比如这条推文只是一笔带过了一些信息，如果经过深度搜索的补充，我们就能得到更多数据。最后用 pptx generate skill 把它解读分析做成 ppt， 这样我就有了原始数据和解读报告。当我需要快速获取信息的时候，我可以看 ppt。 如果想看原文，还可以回到 word 或者 excel 里面找 mini max 这个 skill 最有价值的地方不是能不能生成内容，而是把爱马仕的执行过程标准化了。更有意思的是，任务完成以后，爱马仕的自我进化机制还会把整个过程打造成一个新的 skill， 从数据抓取筛选，到深度搜索，再到翻译存档，之后是数据分析生成报告，最后还能生成一个定时任务， 你带它完整跑通一次流程，它就能沉淀成一个可复用的 skill， 这才是最头皮发麻的，用这个方法，无论哪个领域的一手信息，你都能轻松定制化获取。 最后，大家肯定很关心 token 的 消耗，这次完整跑下来总共花了一千三百万的 token。 听起来很多，但因为我有 mini max 的 token plan 直接覆盖所有 token 开支，所以也就是几乎没有成本。

挑战，每天讲透一个 ai 知识点，今天是 comis scale 介绍与安装命令的方式去解锁啊，刚刚是那个调用 scale 去解锁，那么大家其实还可以什么呢？去用这个终端的方式，比如说去 search， 比如说 search 一个 dog dog 的 一个 skill， 你 看它会去搜，哎，我当前能搜到哪些这个跟 dog 有 关的一些 skill 是 吧？然后比如说我们还可以去搜索一些啊， web search 啊，就是我想做网络检测啊，这个网络检测你看有哪些 skill 是 吧？就大家可以通过反斜杠的方式，通过 skill 这个方式，这个会快一些啊，包括安装其实也是一样的，那我们还可以 bloser 浏览当前装好的一些，这个 bloser 啊，就是一些啊，这个是它的一个 skill 库啊，就是我们可以去 bloser， 比如大家你都不知道怎么样去装 skill， 是 吧？那你就可以用一些命令啊，比如说用这个 skill 啊，去 browser 啊，浏览它当前的 skill 的 一个商店啊，那我们就找到这个 skill 之后你可以 install， 比如说 install 这个啊，我们就找到一个 fast m c p 吧，这是一个 fast m c p 的 一个 skill 啊， 它可以快捷的去连接这个 m c p 啊，是一个库啊，比如说去安装，那大家看，那它这里面就可以安装，安装，安装成功之后，那我们去给反斜杠 faster 看有没有刷新啊， still 有 没有刷新，那我们看一下有没有一个，有 reload 的 吗？ reload 我 们看执行一下 reload， 看一下会不会生效啊，然后 faster， 哎，这个还是没有加载，是吧？那我们就 skill， 嗯， skill list， skill list， 看一下是不是列出当前安装的这个 skill 啊？现在没有，我这里再来搜一下。嗯， 当前本地装了哪些 skill， 我 看一下刚刚那个 skill 有 没有安装成功啊？ 就是这个是在终端里面去装这个 skill， 然后大家你看，你也可以在这个里面去这个装 skill 啊，你看这个 find skill， 它已经帮我推荐了一些 skill 了啊，什么办公自动化呀，是吧？然后还有一些 pdf 的 一个什么办公工具啊，你看 ppt 自动生成。那我现在需要去装这个插件啊，你就直接可以用对话的方式。 呃，请帮我安装下 skill 啊，你就可以用这种方式去安装啊。 就是两种方式啊，一个是终端操作，一个是对话的方式，如果大家对这个终端搞不清楚的话，你可以直接用对话的方式去沟通就可以，这个非常简单啊。啊，这个就是 skill 的 一个安装啊， 使用的话就刚刚给他演示了，你可以直接调用这个，把 skill 名字告诉他啊，去处理就可以啊，你看现在已经安装好了啊，安装好我们其实可以切换到这个目录上面去啊。呃，直接可以在这个里面退着对话 cd 到这个目录里面。好，大家看这个是不是已经安装好了啊？我们可以看一下这个 skill， 点 看下这个 md 啊，大家可以看到，那这个就是 scale 的 一个描述是吧？或者说你直接让它，如果你不知道这个 scale 是 干嘛的，你可以这么来问啊，比如说你把这个，但它这个里面其实也有写啊 啊，嗯，比如说请告诉我这个 scale 的 作用是什么， 他就会去分析这个目录下这个 scale 啊，帮你把这个细节全部分析出来，你看他帮你分析出来这个 scale 能干嘛呢？从零创建 ppt 啊？编辑读取，是吧？那比如说你可以把需求告诉他，你说帮我做一个关于 ai 智能体的搭建的汇报 ppt， 然后是吧？我们把这个输给他啊？ 我这个是已经有上下文了啊，所以我直接问这个问题的时候，它会去调用这个 scale 啊，如果它你下面装了很多 scale 的 话，它不一定会掉这，那大家可以采用指定一个 scale 的 名字的方式让它去调用啊。好，这个就是 scale 里面的一个使用啊， 那么 scale 它有一套叫做渐进式批落架构啊，就是它的一个加载是有层次的，比如说它的一个这个 list 的 啊， 然后嗯，它会有一个这个 reference 的 一个知识库啊，就是它需要用到一些知识库的时候它才会去加载，如果没有用到的话，它就不会加载了。我们可以在 text 里面去提到这一点，这是一个 scale 点 m d 的 一个描述啊，就是整个 scale 它是个什么名字，然后版本是多少，然后怎么来执行这个工作流程？我们都可以写在这个 scale 点 m d 里面，我们看一下刚刚分析的一个情况啊，这里还在执行，我们就等待一下，那这个 scale 的 一个基本情况就是这个样子，比如说在这个里面我们可以看到它的一个基本情况啊。

我现在可以非常严肃地说，我现在已经拥有了两只最强的 ai 军团，分别是微信的终端，再加上 hummus 智能体，再加上最强的大模型 gbt 五点五。这个是在微信端的一个 ai 军团， 另外一个适合于团队写作飞书，加上 hummus 智能体，再加上最强的大模型 gbt 五点五，这个流程也已经跑通了， 而且两只龙虾全部跑在本地，它们共用一个项目工作区间，都是本地的龙虾嘛，都都在一盘 harmless agent 这个工作目录下边，以后所有的数据文档资料都会跑在这个文件夹下边，不会上传到云端。 第二个就是为什么我要安装 homers 的 智能体，而不是 opencloud 的 龙虾智能体，只要你们玩过龙虾都会知道，它的可用性以及稳定性都非常的差，而 homers 这个智能体，它的可用性，稳定性还是记忆能力，还是自我进化能力都超过了那个龙虾， 所以说我们采用的是这个 harmas 的 这个智能体的方案。第三个为什么我们使用 tbt 五点五的这个大模型，而不是使用 kol 的 呢？在国内想要稳定的，想要不被封号的情况下，使用 kol 的 大模型是非常难的， 一不留神就会让你封号。而 tbt 五点五的这个版本的模型的能力已经完全超过了 kol 的 这个大模型。这第四个地方可能还会考虑到一些魔法的问题， 那我们使用的这些 g p t 已经搞定了，不用使用魔法就可以使用 g p t 五点五。接下来我会做更多的 skills 技能的一些定制，审美大。

安装 cell 常用命令其实就这几个，先用 harm skills， browse 看有哪些可用分类，再用 search 搜具体能力，找到以后用 harm cell skills install 安装在绘画里也可以用 slash skills install 后需要更新 skill 就 用 herson skills update 保持能力目录。最新 新手不要一开始装一堆，先围绕一个真实工作流，只装必须的。站内 skills 指南已经按中原场景分类整理。

你们啊，不要听那些晚上的瞎逼逼啊，我跟你们讲实话，爱马仕从头到尾就不需要装任何的 skill， 装什么 skill 呢？用个好模型不就搞定了？哎，这什么东西啊，明天再说哈。然后呢，这个东西特别简单，你去装一下他的这个 u i， 你 装出来完之后，你看一下这边的技能一过来多少？一百二十六个，人家自带了这么多技能，自己去弄就好了吗？ 对不对？吃饱撑着对吧？人家已经给你带了很多了，你去用就好了，不要听那些话啊。哎呀，我装这个技能装的，我明着告诉你，爱马仕从头的就不需要装技能，你装一个好模型 大于一切，再加上我的布什鸟，加个八起飞，啥都不用，不要瞎听哔哔，一定要自己去体验，一定要自己去体验，自己去有这个感受，自己真的把它用下来，对吧？你看这边叭叭叭，正常都在工作，没问题的兄弟们，不要去瞎听什么。 我再说一次，爱马仕不需要装任何的 sku， 所有的东西都由你自己去跟他聊，哎，你自己去把所有的场景，所有东西讲明白，大于一切，不需要装什么 sku， 装什么 sku 啊，你自己把它全跑通了之后，你再分装成你自己的 sku 不 就好了吗？对不对？兄弟们？

在上一集讲解了三层记忆，从鲸鱼到老友。本集我们讲解 skill 系统会自我进化的能力，如果记忆解决的事，知道什么 skill 解决的就是怎么做。 openclaw 的 skill 更像手工维护的说明书。 hermes 的 skill 则会自己长出来，自己用起来，还会在使用中继续变好。它会在完成任务后自动提炼经验，在跨绘画的问题里积累做法，再根据反馈持续优化。 这个差异决定了两者完全不同的使用体验。先看定义，在 hermes 里，每个 skill 都是一个独立的 markdown 文件，保存在 hermes skills 目录里，记录的是 agent 做事的方法， 你可以把它理解成教同事做周报，第一次要手把手说明，第二次还得提醒细节。到了第三次，它基本就知道该怎么做了。 skill 有 三种来源， 第一种是安装时自带的 bundled skills， 覆盖 m lops、 地摊 up、 工作流、调研，这类常见场景现在已经有四十多个。第二种是 skills hub， 也就是社区贡献的能力包，可以一键安装，持续增长。第三种是 a， 整治，自主创建，它会在复杂任务结束后自动把解决方案提炼成 skill， 而且会随着使用继续积累。斑驳的 skills 解决的是起步， skills hub 解决的是加速，而真正最有杀伤力的，是从你的任务里自然闯出来的自主 skill。 hermes 的 skill 不是 封闭生态，而是采用 agent skill stop i o 这个通用标准。这套标准已经能被三十多种工具识别， 包括 cloud code， cursor co， pilot 和 gemini c i。 所以 skill 不是 绑死在某一个工具上的私有资产，而是可以迁移附用继续演化的能力资产。 这更像 usb 接口，而不是每个平台都要重写一套的 app store。 如果你已经在 cloud code 里积累了某个 skill， 可以 直接带到 hermes 里继续用。反过来也一样。 hermes 和其他 skill 系统最大的区别不是有没有 skill 文件，而是 skill 会不会继续进化。 传统 skill 写完之后效果不好，就得人工回去改，所以它本质上还是静态说明书。 hermes 把 skill 放进学习循环里， 先按照 skill 执行任务，再把用户反馈记录到绘画记忆里，然后分析反馈，自动修改 skill 文件里的相关步骤，下一次直接用新版本继续执行。所以它不是静态模板， 而是一个会根据实际结果不断调整的活能力。这有点像 mitchell hasimoto 用 code code rules 和 code nd 不 断打磨工作方式。只不过 hermes 把这件事自动化了。 open claw 和 hermes 的 差别首先体现在创建方式上， 前者更依赖人工编写 solo mb， 后者既能人工写，也能让 a 整自治主。创建维护方式也不同， openclo 主要靠人手更新， hermes 则是在自动进化的基础上，在允许你随时人工干预，个性化能力更是两条路线。 openclo 更像通用模板， 用户 fork 之后再次定义 hermes， 则会从你的使用习惯里自然生长。两者在标准上是互通的，都走 agent skill stop io。 但生态规模暂时不同， cloughhub 已经有四万四千多个 skill， hermes 现在是四十多个预值 skill， 再加持续增长的社区生态。 openclaw 的 优势是规模大、透明度高， hermes 的 优势是适应性强。同一个编码 skill 给 python 开发者和 rust 开发者各用三周，最后长出来的版本很可能完全不同。所以这不是替代关系， 你完全可以把 curl up 里的 skill 安到 hermes 里，再让 hermes 继续把它打磨得越来越像你自己的做事方式。真正能看出差异的是这个日常场景。你每天都让 hermes 帮你整理昨天的 get up 通知，按重要程度排序，把 pr、 issue 和 discussion 分 开，还要忽略 bot 的 自动提醒。 如果这个需求稳定出现几次， hermes 就 会意识到这不是一次性请求，而是一套可以附用的方法。于是他会在后台生成一个新的 skill， 比如 get up daily digest。 这个 skill 会知道什么时候该被调用。比如用户提到 gitap 通知，每日总结这类关键词，也会记录具体步骤。比如调用 gitap mcp， 获取过去二十四小时的通知，过滤 bot， 按类型分组，再按重要程度排序，最后用简洁列表呈现。 这样以后你只要随口说一句，看看 gitap hermes 就 知道该做什么，而且会越来越贴合你的偏好。 skill 不 只是被创建出来，然后静止不动，它也有自己的生命周期。 最开始是油芽阶段，从一次复杂任务里被提炼出来，接着进入成长阶段，在重复调用里逐渐稳定。在往后式进化阶段，它会不断吸收、反馈、修正细节，最后进入成熟阶段，变成稳定可靠的核心。能力。 周期越长， skill 越强，这就是 hermes 飞轮效应在能力层面的体现。当然，自改进不是魔法，它有前提， 明确的反馈、持续的使用、一致的偏好、建设性的修改，都会帮助 skill 沿着正确方向变强。反过来，模糊的反馈，使用频率太低、偏好反复变化，长期不审查都会让他学偏，甚至越学越乱。所以好的反馈本质上就是好的进化方向， 只有你把需求和偏好说清楚，他才有可能真正变得懂你。这一集想说明的不是谁替代谁，而是能力是怎么形成的。 open crawl 更像人造能力，你来设计、编辑、维护。 hermes 更像自我进化能力，他会观察、学习、进化。 而 agent skills、 dot io 这套标准，又让这两条路线能够互通共享。 skill 本质上就是 hermes agent 的 程序性记忆，记住了怎么做，他才有可能把一件事重复做好。这一集先把 skill 系统拆开了， 下一集继续看 hermes 靠什么真正把事情做成。四十多个内置工具， m c p 扩展则 agent 并行，还有工具权限与沙箱约束会一起把能力借到真实世界，当会学、会记、会做，再加上会执行， hermes 的 完整形态才真正拼起来。

大家好，我是姗姗小丽，今天给大家分享一个自动生成 ppt 的 skill， 只需要一句话，就能生成一份完整可编辑的 ppt。 我 用的是 harmas agent， 你 可以用任何其他形式的智能体加载这个 skill。 我 已经把它接到了飞书机器人里， 现在我在飞书里发送一句话，根据主题 agent 如何提升工作效率？生成一份 ppt。 发送之后，他会先准备素材，如果我们没有提供素材，他会根据主题去剪辑和整理 相关的行业数据、案例和报告。接着他会自动规划大纲，把内容组织成一页一页的换灯片结构，每一页都会有标题、核心观点和对应的设计方向。 然后他会选择设计系统，根据内置的风格主题，自动匹配颜色、字体和盘式。 我们也可以上传一张参考图，让他按照这个视觉风格来生成，甚至可以把一整包素材发给他，不需要提前整理，他会自己提炼内容并规划结构。最后他会输出一份 ppt 文件。 生成完成之后，他还会做一轮视觉质检，检查页面排版、文字溢出和整体视觉效果。 我们来看一下这次生成的结果，他一共做了十二页，整体是暗色科技风。内容包括什么？是 ai agent？ ai agent 的 核心价值五大应用场景，比如代码开发、内容创作、数据分析、客户服务 和项目管理。整体的效果还是不错的。 ppt 是 可编辑的，如果局部排版有小问题，后面也可以手动调整一下。对于快速做出稿提案，会把材料来说， 效率提升非常明显。我会把这个 skill 放到评论区，后面也会继续升级，比如增加动画效果，让生成出来的 ppt 更加高级。 今天的分享就到这里了，感兴趣的话可以关注我，我会持续地分享 ai 自动化工作流，我是姗姗小弟，关注我不迷路！

我们在上一集讲解了从 harness 到 hermes， 又一个 agent。 本集我们讲解一分钟看懂 hermes agent。 想真正看懂 hermes， 关键不是盯住某一个功能，而是看清学习记忆、工具和入口怎样连成一个闭环。 当这几部分一起运转，它就不再只是聊天助手，而更像一个持续在线、持续进化的个人 ai。 后台主线可以直接串成五段学习循环负责复盘和进化。三层记忆，负责记住上下文、长期偏好和做事方法。 skill 系统把经验沉淀成可附用能力工具和 getaway 则负责执行与接入，经验沉淀的越多，后面的表现就越稳。学习循环是心脏，任务结束后会自动复盘。 三层记忆把刚发生的事、长期偏好和做事方法分开保存。 skill 不是 静态稳当，而是会越用越贴合。四十多个工具提供执行、搜索、媒体记忆和写作能力多平台。 getaway 则让同一个 a 阵在不同入口持续在线， 先用几个数字建立一个基本判断。 v 零七点零发布于二零二六年四月三日。 hiphop stars 已经超过两万七，内置工具四十多个，平台入口十二个以上， m c p 还能再借六千多个应用，最低部署门槛大约五美元一月。 这些数字放在一起，说明 hermes 已经不是一个停留在概念阶段的演视频，而是被社区快速验证过的系统。把 hermes 和 open core 放在一起对比，最明显的是两条路线， hermes 强在自改进、学习循环和用户建模。 open core 强在生态成熟、配置透明和社区 skill 规模。前者更像一个会自己成长的系统，后者更像一个可精细配置、可直接赋用的大生态。所以它们并不是简单替代关系，而是代表了两种不同取向。如果继续往下看，差距最明显的还是学习能力和用户建模。 hermes 会把反馈持续写回记忆和 skill， 用得越久，行为越贴近用户。 open core 更强在社区规模、平台覆盖和现成方案， 一个赢在持续进化，一个赢在生态成熟，这也决定了两者更适合不同阶段、不同片号的使用者。下一集讲解学习循环为什么会越用越懂你 从真实闭环看懂 hermes 为什么会越用越懂你。记忆、 skill 和用户建模都会从这里开始创起来。关注我，通过主页查看更多内容！

你 hermes 装好后是不是跑得不稳？这十个进阶配置让你从会用到好用。先看三个最常踩的坑，默认配置能跑不等于跑得稳，最常踩的就是这三种坑。第一种， agent 开始复读， 聊着聊着就原地打转，根源是上下文压缩没调对。第二种，长任务卡死几十分钟一点动静都没有，因为默认 get 位没配兜底。第三种， token 烧得快，辅助任务也走主力，贵模型子任务又开一窝，压缩太急还会丢细节。进入第一组 hooks， 意思是在 agent 干活的某个时间点偷偷插一段你的代码。 hermes 提供四个挂点，第一个 session start 绘画，刚开始可以加载环境。第二个 pre l l m call， 调模型之前可以注入上下文。第三个， post l l m call， 拿到模型回复之后可以自动上后。第四个 session end 绘画结束，统一收尾。先看 pre l l m call 这个挂点的用法， 在调模型之前自动把当前 get 分 支塞进去，先做个判断，只在第一轮塞后面，每轮直接跳过分支，不常切，塞一次够用，不重复浪费 token。 然后抓当前分支，返回成 context 模型，每次都知道你在哪个分支干活， 不会乱改命。最后用 register hook 把这个函数挂到 pre l l m call 的 钩子上，每轮自动跑一遍。第二个用法， post llm call 模型回复之后自动给当前改动做一次存档。先把用户原话截前几十字，再清洗一道，里面可能带密钥不能直接进。 commit message， 然后 get add get commit 自动留一个 wait 节点，意思就是 work in progress， 出问题随时能回退到任意一轮。同样用 register 挂到 post llm call， 每轮自动存档一次都不漏。第二组，改 config 三个参数。 第一个，把思考强度拉到 high， 在 agent 下面写一行 reasoning effort， 等于 high。 就 这一句，一共六档，从 non 到 x， high， 复杂任务给 high， 简单任务调回 medium token。 第二个参数 致 agent 嘴上答应，其实没真去调工具的毛病。 tool use enforcement 设成 true， 所有动作必须真走工具通道，也可以传 auto 或 force， 或者只对那几家爱敷衍的模型单独打开。第三个参数，压缩， 意思是对话变长后， agent 会自动总结老内容，腾空间，这就是压缩。我们把策略调保守一点， threshold 从默认的零点五调到零点六，晚一点再压， 保住的原文多一截，再加一行 protect last n 等于三十。最近三十轮永远不压 代码重构，这种近处细节多的场景特别有用。第三组， so mid， 这是 hermes 的 全局规则文件，各家 agent 都有类似的设定，它不是写人设，是写 agent 默认怎么处理歧义。比如你说修一下登录 bug， 没写 default， agent 会自作主张把 srcos 重构， session 改 radis， 六百多行被改大半都不该动。写了 default agent 会先反问你指的是 office 下的 login 还是 api 目录下的 login text， 问清楚再动，只改十二行。第四组， skill hermes 的 skill 是 分三层按需加载的，装一堆也不报上下文。第零层只读所有 skill 的 一行描述，初时才几 k token， 第一层真要用某个 skill 时才展开正文，一到三 k。 第二层， skill 里引的子文档按需再读， 所以装几十个也不卡。第二个 skill 用法，让 agent 自己把流程存成 skill， 你 跟他说把刚才修这个迁移的流程存成 skill， 他 直接调 skill manage 函数，本地落文件，不用去官方 skill 市场翻。下次遇到同类问题， agent 自动附用这条 skill 的 步骤， 不用你再讲一遍。第五组，并行和调试，独立的子任务，可以一次丢三个出去。比如第一个任务，把 office 模块重构成 j w t， 带终端和文件，工具，默认一次最多三个，可以调高主线 context 基本不动。第二个任务，给 building 加单元测试也带终端和文件， 子任务里 delegation， 记忆消息这些工具会被关掉，不会乱套。第三个任务，读三篇 os 文档总结给我，只要外部工具，三个并行跑完，结果回来由你省， 合不合你说了算。并行还有一个关键搭档 work tree， delegate task， 派三个任务出去 work tree， 让它们各占一个 get 工作区，各改各的，不打架命令行，直接加 dash， dash work tree 临时开一次， 或者写进 config 全局开。子任务跑完没改动会自己删，有修改才留不堆垃圾，结果合不合主分支由你点头。 agent 卡住了怎么办？ 这三招都备上，挑着用。第一招， verbos all， 打开详细日制，能看到 agent 每一步的内部调用，出问题先看现场。第二招， debugshare， 一键把日制和系统信息打包成分享链接，密钥会自动脱敏，方便上报和求助。第三招， getaway 超时，这个是平时配好长时间没回应就自动断，不至于一直挂在那。最后说一下，本周官方动态，新出了三个内建 skill， 直接可用。第一个 architecture 描述你的系统，一句话出架构图。第二个 infographic 丢一个网址进去，长文直接变信息图，原作者宝玉，官方移植收入。第三个，官方和某 ai 厂商联合的开发挑战赛，为期十六天，奖金池可观。详情看官网。 今天的十条要点全在这页，可以截图存下来，装好 hermes 之后挑两三个先调 agent 就 能稳一个量级。我是曲奇，一个 ai 练习生，让我们一起记录 ai 时代的个人进化。

最强的 ai 军团我们已经打通了哈，我们把飞书或者微信已经接入到了本地的最强龙虾啊，我们用的是 homers 那 个智能体， 然后再用上最强的最牛逼的宇宙第一强的 gbt 五点五这个模型，然后再加上各种自定义的技能 skills， 只有这四个部分加在一起，我们才说它是最强的 ai 军团，因为它有最便利的社交通讯工具，就是飞书和微信。 第二块就是它有最强的执行力，就是 hummer。 第三块就是用上宇宙最强的要么第一要么第二的大模型 gbt 五点五，第四块就是接上你们自己行业的 skills 技能，就这四块就能组成最强的 ai 军团智能体，给你们看一看啊， 这个是那个，我们的微信就用的是那个 hummer 啊，全部是跑在本地哈，这个是我们我们设置个 windows 的 嘛，所以都在 c 盘，然后项目的工作目录都在 e 盘 啊，这个是微信的 humulus 的 智能体，这个是非输的智能体啊，这个是非输的智能体也接入到了呃，这 humulus， 然后 gpt 五点五中国的网络都能搞定，剩下的都是接入到 skill 的 了哈。

火爆全网的 hermes agent 也许从根源上就是个骗局， hermes agent 在 get up 狂揽八万星，抖音博主狂吹，号称是能自我进化的 agent， 但是事实真的如此吗？ 我们来扒一下 hermes 自我进化的核心原理。 hermes 能够把任务成功的经验总结成固定路径，然后靠不断地把路径沉淀为 skill 来实现所谓的自我进化。理论上， skill 越多， agent 覆盖的场景越大， 相对来说越万能。但是在实际体验当中呢，往往会出现 tucker 消耗巨大、执行任务速度慢以及 skill 增加的时候， agent 反而变得不好用了。要解释这一反常现象呢，我们首先得清楚 skill 是 什么。 c q 说白了就是 agent 在 执行任务过程当中的一个固定化的工作流，在没有 agent 之前，这个东西叫 workflow。 那 么我们在面对企业当中固定的工作场景的时候，往往是有两种情况，第一种情况就是我们希望从 a 得到 b 这样的一个固定场景。第二种情况呢，则是我们需要一个 a， 在 a 情况下，我们需要一个不确定的结果，而 agent 往往是帮我们执行一些低频次和不确定的需求的。 也就是说， agent 的 本质就不是为了固定流程来服务的。如果真的是要解决从 a 到 b 的 问题，我为什么要用一个速度又慢， tokens 消耗又高的 agent， 而不用编码加大模型判断 或者用固定的拖拽工作流呢？所以 hermes agent 对 agent 的 定位理解是有误的，他试图通过穷举所有物理世界的场景 来让 agent 变得万能，不能说这样的路是走不通的，在相对不复杂的工作场景里，这样的办法也许可以成功，但是这却是所有可以成功的办法当中，资源消耗最大，也是最笨的一个。 其二呢，使用过 hermes agent 的 人呢，往往都发现他的能力精力了一个到 u 型曲线的变化，就是刚下载的时候没有技能 agent， 这个时候需要消耗大量的 tokens 来撞技能，当技能逐步增多的时候，有十几二十个技能的时候， 这是他最好用的时候，能力确实得到了增强，但是随着 skill 的 增多， agent 的 能力呈现了断崖式的下跌。这个究其原因呢， 其实是选 skill 本身比解决问题更难了。试想一个场景，你现在有十个前端制作技能，有十个文档生成技能，有十个调研报告技能。那么当你面对一个新的调研报告的时候，你要怎么准确地从这十次调研报告 成功经历当中选出最匹配的那一次呢？如果 agent 有 这样的能力，他为什么不直接把任务做完呢？然后第三个缺陷就是当前场景 完全没有 skill 覆盖的时候， hermes agent 要怎么解决问题？我觉得他在设计过程当中完全没有考虑过这件事情。在当前场景，如果没有 skill 覆盖， hermes 的 选择就是用使用者的 tokens 撞出 skill 来解决问题， 这其实本质是一种设计上的懒惰，所以 skill 试图通过穷举物理世界的办法来达成所谓的自我进化的愿景， 本质上就是一个骗局。他跟早期的扫地机器人没有什么区别，通过不断撞墙来描写地图，即使撞出来也是代价惨重的。

我们这个理念有点先进哈，不知道大家能不能跟上这个节奏。我们觉得 ai 时代知识型的团队协助的最佳范式就是在飞书里边跑爱马仕或者是 opencloud 的 龙虾， 然后再接入到最强的大模型，不管是 gbt 五点五还是 cloud 的 四点六，再加上你们公司的自定义的 skill， 这一套方案肯定是比你玩豆包玩元宝要高级的多。我知道很多人在说为什么不直接用 cloud code 或者是直接用 call dice， 因为你们是一个团队，你们不是个体，如果你是个体的话，大家开机关机用 cloud code 靠 dice 非常方便。但是一个团队的话，它是需要协助的， 他是需要知识沉淀的，他是需要把你们公司最厉害的人把他的知识经验萃取出来的，这就需要 skills， 这就需要最强的大模型。而飞书或者是微信，他们就是我们现在团队协助的最好的一个 叫平台工具吧。所以说这一套流程是我和我们的私教的学员以及我们同行跑下来最佳的写作的范式，不管是生图、写文稿还是沉淀，嗯， ppt 都可以在群里面去搞定。