Hermes 优化参考#

⚠️ 本文由 Hermes 自主书写并发布。 Hermes Agent 是 Nous Research 开源的 AI 智能体（MIT 协议），跑在本地终端，有记忆、有技能、有定时任务。我把它部署在家里的 Mac mini 上，三个月内做了 8 轮强化，从”一个能聊天的命令行”变成了”能管服务器、查资料、做 PPT、出视频、自主干活的私人助理”。这篇记录每轮做了什么、踩了什么坑、对应的开源项目，以及可以直接抄的配置。

项目概览#

                        ┌─────────────────────────────┐
                        │        DeepSeek API        │
                        │   deepseek-v4-flash (LLM)  │
                        └─────────────┬───────────────┘
                                      │ OpenAI 兼容
        ┌─────────────────────────────┴───────────────┐
        │              Hermes Agent 0.20             │
        │  主循环 · 工具集 · skills(176) · cron      │
        └───┬─────────┬─────────┬─────────┬──────────┘
            │         │         │         │
    ┌───────┴──┐ ┌────┴────┐ ┌──┴─────┐ ┌─┴──────────┐
    │ agentmem │ │ 本地维基 │ │Qwen-MM │ │ 竹取客户端  │
    │ 记忆     │ │ 检索    │ │ 插件    │ │ Gateway API│
    └──────────┘ └─────────┘ └────────┘ └────────────┘

迭代总览#

迭代 1：初代部署（2026-05）#

做了什么#

clone 源码到 Mac mini，venv 隔离 Python 3.12，配好 DeepSeek API 就能跑。初代能力：对话、文件读写、shell 执行、联网搜索，和大部分 AI CLI 没区别。

关键配置#

# ~/.hermes/config.yaml（节选）
model:
  default: deepseek-v4-flash
  provider: opencode-go
agent:
  max_turns: 100
  gateway_timeout: 1800

选 DeepSeek 的理由很朴素：便宜（Flash 级模型几毛钱跑一天）、推理能力够用、OpenAI 兼容接口零适配成本。后来新增了备用 provider，主链路挂了自动切换。

踩坑#

1. Python 环境：macOS 自带 Python 3.9 太老，homebrew 的又太新，必须用项目自带 venv，否则装依赖撞系统包。Hermes 0.20 装完自带 venv，后续所有脚本都要指向它。
2. base_url：OpenAI 兼容接口的路径必须带 /v1，写漏了直接 401。这个错误我犯过不止一次。

迭代 2：持久记忆系统（2026-06）#

背景#

用了一个月，最大问题暴露：每次会话结束就失忆。昨天说好的事今天全忘，什么都要重新交代，像养了条金鱼。

方案#

接入 agentmemory v0.8.0（rohitg00/agentmemory ↗）——给 AI 智能体用的跨会话持久记忆库，Apache 2.0。它提供 40+ 个 MCP 工具和 6 个生命周期钩子（会话开始预取、回合同步、会话结束归档、压缩前保存、记忆写入、系统提示注入），检索精度在 LongMemEval 基准上 95.2%。

嵌入模型用本地 BGE-small（BAAI/bge-small-zh-v1.5），LLM 走 DeepSeek Flash，全程自托管，数据不出门。配置在 ~/.agentmemory/.env（敏感字段已脱敏）：

# LLM: DeepSeek（OpenAI 兼容）
OPENAI_BASE_URL=https://api.deepseek.com
OPENAI_MODEL=deepseek-v4-flash
# Embedding: 本地模型（DeepSeek 无 embedding 接口）
EMBEDDING_PROVIDER=local
# 知识图谱提取
GRAPH_EXTRACTION_ENABLED=true
GRAPH_EXTRACTION_BATCH_SIZE=8

效果#

质变。我家设备清单、运维规矩（“动 VM 前先说明等确认”）、各种账号信息的管理方式，它全都记得。聊天不用重复交代背景。

踩坑#

1. 工作目录必须固定：服务进程 CWD 变了，数据文件相对路径解析错，症状是 API 全部 404。修法：配置里显式固定项目路径，每次重启读它。
2. 双写机制：记忆同时写 memory 和 agentmemory 两处，必须同步，否则单边丢。后来专门做了双写工作流 skill。

迭代 3：读取 9 年日记，建立人格（2026-06）#

背景#

记忆系统解决了”记得住”，但没解决”认识我”。AI 知道我的设备清单，却不知道我是谁——从哪来、经历过什么、为什么是现在这个样子。我要的不只是一个工具，是一个懂我的助手。

方案#

把思源笔记里从初中到现在的 9 年日记全文导出（上千篇），走一条完整管线喂给 AI：

思源笔记日记 → 批量导出 Markdown → agentmemory 向量化入库
      → 人格提炼（成长轨迹/性格变化/兴趣演变/决策模式）
      → 沉淀为 persona skill，每次对话自动加载

日记不只是当资料存，还要提炼。基于全文做了人格层面的结构化：我的成长轨迹（新疆长大、一路读书到现在的城市）、性格怎么变的、兴趣怎么演化的（从折腾硬件到写代码）、遇到事情习惯怎么决策。这些提炼结果固化成 persona skill，AI 每次对话都能调用。

效果#

这轮之后它才真正”认识”我。知道我的过去，所以能理解我现在为什么焦虑、为什么某些日子对我特别重要；知道我的语言习惯，所以接得住我的梗、写得出我的调性。写文章、做 PPT 时语气都不用教，它自己就知道该用什么风格。这也是为什么这篇博客它能”代笔”——不是因为它会写文章，是因为它读完了我九年的生活。

踩坑#

1. 隐私边界要手动划：日记里有大量非常私人的内容。喂给 AI 之前必须想清楚：哪些可以进长期记忆、哪些只该出现在会话上下文。我最终只让提炼结果（人格层）长期驻留，原始日记文本按需检索，不给它”全文背诵”的能力。
2. 格式转换：思源是私有格式，导出要转 Markdown，附件要单独复制，目录层级要手动重建。首次批量导出遇到重复路径文档互相覆盖，重导一次才好。

迭代 4：Skill 技能体系化（2026-06 起，持续加）#

背景#

AI 每次干活像新手：查 NAS 要现场想命令，做 PPT 从零摸索。踩过的坑没沉淀，每次重新教。

方案#

把可复用流程写成 skill（Markdown，含触发条件、步骤、踩坑记录），Hermes 任务匹配时自动加载。现在 176 个 SKILL.md，按 40+ 分类目录组织：

~/.hermes/skills/
├── creative/        # PPT、视频、图片、写作
├── devops/          # VPS、NAS、路由器、Windows 远程
├── productivity/    # 文档、表格、微信读书
├── fund/            # 基金持仓、申购、赎回
├── infrastructure/  # 部署、内网穿透、闭环执行
├── research/        # 知识库、RAG、论文
├── software-development/  # 客户端开发、模型路由
└── ...（40+ 目录）

日常工作量（按 skill 分类）#

做 PPT：先出网页版 HTML，再转可编辑 pptx 双流程。竞赛路演 14 页方案、单位教材风格红色模板都这么出。改标题、换配色、调排版一句话的事。

出视频：remotion 用 React 写视频——代码生成动画、字幕、数据可视化，改个数字重渲染，不手动剪帧。参考 remotion-dev/remotion ↗。B 站视频总结走 bilibili-subtitle 抓字幕文本。

看 PDF / 处理文档：pdf 生成合并拆分填表、ocr-and-documents 用 pymupdf + tesseract 把扫描件转可检索文本、docx 直接读写 Word。单位 PDF 通知转 Word 一分钟。

运维网络设备（用得最多）：

以前这些全要自己 SSH 敲命令，现在一句”看看 NAS 存储还够不够”它自己查完汇报。

其他：blog-ops 发博客（写文→frontmatter→一键 push 部署→上线）、fund-* 查持仓/申购/赎回（真实交易流程）、weread 微信读书、zlib-download 找电子书、siyuan 读写思源笔记、spreadsheet 出表格。连 Switch 模拟器、掌机备份都有 skill。

“人类化文本”（去 AI 味）移植 blader/humanizer ↗ 规则；Agent 工作流拆解思路学 Claude Code：大任务拆小步、每步验证、失败重试。

踩坑#

skill 不维护就是负债。用的时候发现缺步骤必须立刻 patch，否则下次踩同一坑。现在用一次补一次，176 个就是这么攒出来的。

迭代 5：本地知识库（2026-08）#

背景#

联网搜索慢（1~3s）、结果飘、偶尔被限流。AI 回答事实性问题需要可靠依据。

方案#

把整个中文维基百科 dump（154.7 万条目）拉到本地，三层索引：

服务是 FastAPI，跑在 localhost：

# 本地维基服务（节选）
TEXT_DIR = Path(os.path.expanduser("~/wikipedia-dump/text"))
DB_PATH = os.path.expanduser("~/wikipedia-dump/wiki.db")
COLLECTION = "zhwiki"

def load_model_and_col():
    import chromadb
    from fastembed import TextEmbedding
    model = TextEmbedding("BAAI/bge-small-zh-v1.5")
    client = chromadb.PersistentClient(path=DB_DIR)
    col = client.get_collection(COLLECTION)
    return model, col

数据管线：解 bz2 dump 抽正文 → 建 sqlite + FTS5 → 向量化。chroma 库落盘 1.7GB。

内存账：16G 的 Mac 上精选 15 万条向量集，约 500MB 常驻；全量 154.7 万条要 3~5GB，太挤。算清楚再上规模。

效果#

事实性问题先查本地维基，与已有知识交叉验证，一致才判对，有出入才联网。准确率上来了，搜索配额也省了。回答”相对论”这类问题秒出，搜”时空弯曲”能命中正文，语义检索也能捞相关条目。

迭代 6：视觉能力（2026-08）#

背景#

主模型 DeepSeek 纯文本，看不了图。发截图过去只能干瞪眼。

方案#

两条路配合：

1. auxiliary.vision 机制：Hermes 检测到主模型无视觉，自动把图转给 Qwen3-VL（API 中转），返回文字描述。日常看图、截图 OCR 够用。
2. QwenLM/Qwen-MM-Plugins ↗ core（2026-08-12 接入）：本地 MCP 工具集，7 个工具：

MCP 注册在 config.yaml，uvx 托管：

# ~/.hermes/config.yaml（节选）
mcp_servers:
  qwen-mm-plugins-core:
    command: uvx
    args: ["--from", "qwen-mm-plugins-core", "mcp-server-core"]

踩坑#

1. MCP 配置完必须重启 Hermes 才加载，改完就测会以为没生效。
2. 插件是”搬运视觉信息”不是”开眼”：纯文本模型永远需要辅助模型兜底，两者是分工不是替代。

迭代 7：自主闭环执行器（2026-08）#

背景#

以前”它干→我检查→我写反馈→它改”来回拉扯，验收耗光我的时间。

方案#

写了个 bash 闭环：run-loop.sh，最大 6 轮：

agent干活 → 确定性验收(verify.sh) → Chrome截图 → 视觉验收(审美清单)
   ↑                                              │
   └────── FAIL 带反馈文件喂回 agent 修复 ←────────┘

verify.sh 做机器可判的检查：目录页面存在、HTML 结构完整、不依赖外网资源（静态站必须自包含）、其余按任务书定制。视觉验收用 Chrome 截图 + 视觉模型对照 aesthetic-checklist.md 逐项打分，能区分”截图范围伪影”和”真实页面缺陷”。

跑在便宜的 DeepSeek 推理上，无限重试不心疼。核心代码就一句循环：

# run-loop.sh 关键片段
for ROUND in $(seq 1 "$MAX_ROUND"); do
  # 1. agent 干活/修复（带反馈文件）
  eval "$HERMES_CMD \"$PROMPT\"" | tee "$LOGDIR/round${ROUND}_agent.log"
  # 2. 确定性验收
  ./verify.sh "$OUT" "$PAGE" || { 写反馈文件; continue; }
  # 3. 截图 + 视觉验收
  ...
done

效果#

晚上丢任务，第二天早上收成品。测试任务第一轮就过确定性和视觉双重验收，验收员还正确识别了一次截图伪影而非误报。把”AI 自觉”换成”确定性脚本兜底”，可靠性才有保障。

迭代 8：自研客户端「竹取」（2026-08）#

背景#

终端不方便，手机上没入口，QQ 网关体验粗糙。干脆自己写。

方案#

Flutter 客户端「竹取」，Android + macOS 双端：

# ~/taketori/pubspec.yaml（节选）
environment:
  sdk: ^3.12.1
dependencies:
  flutter: { sdk: flutter }
  http: ^1.6.0
  shared_preferences: ^2.5.5
  markdown: ^7.3.1

UI：苹果毛玻璃 + Telegram 级动画。消息入场是弹性曲线 TaketoriMotion.pop（Cubic(0.34, 1.4, 0.64, 1) 带回弹），滑入 14px + 缩放 0.96→1。配色暖纸亮 #F8F4ED + 印章蓝 #537D96 + 暖玫瑰 #C99AAF，整套按我审美调的，全程拒 Material。

通信：对接 Hermes Gateway API，主路径走 /v1/runs 异步接口——退出 App 再回来任务还在后台跑（用 /v1/runs 实现，零改 Hermes 源码）。外网走 SSH 反隧 + 反向代理 + 证书，任何网络都能连。通知在 RunCompleted 时发，内容是 AI 回复实际文本，不是”有新消息”这种空话。

坑都记在 skill 里了：hermes-client-dev 覆盖 SSE 流式解析（event 行 + data 行两结构）、多会话并行、macOS 构建踩坑、HTTP 客户端空闲超时默认比服务端 SSE 心跳短导致断连（改长后修复）。

开源依赖#

这轮主要是自研，唯一的外部依赖是 Hermes 的 Gateway API（NousResearch/hermes-agent ↗）。

方法论总结#

8 轮迭代，套路其实就几条：

1. 痛点驱动：失忆、不认识我、没依据、看不了图、我没时间盯——每个强化都有真实痛点，不为技术而技术
2. 先本地后云端：记忆、日记、知识库、视觉预处理全自托管，只有推理走 API
3. 确定性优先：能写脚本就不靠 AI 自觉——闭环验证、cron 兜底、双写记忆，把”AI 可能忘”变成”系统保证”
4. 坑要沉淀：踩过的坑立刻 patch 进 skill，176 个技能就是这么攒出来的，让踩坑变成资产
5. 隐私边界手动划：日记这类高敏数据，只让提炼结果长期驻留，原始文本按需检索

三个月，8 轮，一台 Mac mini，一堆开源项目，一个自己写的客户端，外加九年的日记。每条能力都有出处，每个坑都有回填。折腾自托管 AI 的朋友可以参考，能少踩几个坑。