本地部署 Hermes Agent：打造會成長的專屬 AI 助理

📌 本文重點

Hermes Agent 幫你把零散腳本變成長期共事的本地 AI 助理

核心是模組化 Agent、工具調用與長期記憶設計

今晚就能跑起第一個專職 Agent，逐步接腳本與內部系統

Hermes Agent 要解決的事很單純：幫你把「一堆零散的 AI 工具 + 腳本」，整理成一個會記憶、會學習、能長期陪你工作的本地 AI 助理。

專案連結：https://github.com/NousResearch/hermes-agent

核心功能：它跟一般 Agent 框架哪裡不一樣？

Hermes Agent 的關鍵，不是「能不能叫 LLM 寫程式」，而是怎麼把它變成一個可以長期共事的 Agent。下面三個核心設計，是你決定要不要採用它時最值得看的一段。

💡 關鍵： Hermes Agent 的設計重點在「長期共事與成長」，而不是一次性的自動化腳本。

1. 模組化 Agent：一個框架養多個專職助手

多數像 LangChain、AutoGen 的用法，是「專案導向」：

你先有一個目標（爬資料、寫報告）
再拼一條 Chain 或一組 Agent 協作

Hermes Agent 反過來：先有一個固定的人格 / 角色，再依需求加能力。

實際上你可以：

建一個 ResearchAgent：只管幫你找資料、整理重點
一個 CodeAgent：負責修 bug、寫測試
一個 OpsAgent：每天早上拉資料、產報表寄給你

架構上，它把一個 Agent 拆成幾塊：

Profile / Persona：這個 Agent 是誰、擅長什麼
Tools：它能調用哪些工具（API、資料庫、shell、Python 腳本…）
Memory / Skills：過去學到的東西、可重複使用的任務流程

你可以先只開一個最簡單的 Agent，之後慢慢加工具，讓它越來越懂你的工作流，而不用每個新專案都重寫一套 Chain。

可行動：想像一下，你現在桌面上有哪兩個「常做但不想做」的工作，可以各拆成一個 Agent？寫下名字，後面實作會用得到。

2. 工具調用：把「你會的事」都變成它的工具箱

Hermes Agent 支援類似 OpenAI function calling 的工具呼叫模式，但更偏向「長期維護」的設計：

工具用 Python 寫一個函式就行
透過結構化的 schema 告訴模型：這個工具是幹嘛的、要什麼參數
Agent 會根據任務，自動決定要不要用工具、用哪個工具、多次串聯

這代表你可以很快把現有腳本變成工具：

讀 Notion / Confluence / Obsidian 資料
呼叫公司內部 REST API
對 PostgreSQL / MySQL / DuckDB 下查詢
跑你原本就有的 ETL 或報表腳本

與其每次手動開 terminal 跑腳本，你只要跟 Agent 說：「幫我產出本週銷售報表，照上次格式寄給 A、B、C」，它會用工具補完細節。

可行動：列出你現有最常用的 1–2 個 Python 腳本／內部 API，等等會示範怎麼把其中一個包裝成 Hermes 的工具。

3. 記憶與長期學習：越用越像你的專屬助理

Hermes Agent 的 slogan 是「The agent that grows with you」，核心是記憶與技能抽象：

短期記憶：一次對話內的上下文、工具使用結果
長期記憶：跨對話保存的重點資訊（你常用的資料來源、專案結構、偏好格式）
技能學習：對常見任務的「解題路徑」可以被抽出來，下次直接套用，而不是每次都重新探索

實際效果是：

第一次要它寫測試，你可能要講得很細
第三次之後，它知道專案架構、測試風格，提示可以短很多
長期下來，它就像專門懂你的專案的「半自動同事」

💡 關鍵： 同一個 Agent 會隨使用次數累積記憶與技能，提示成本會隨時間明顯下降。

可行動：想一個你希望 Agent 逐漸學會的任務，例如「幫我維護這個 Side Project」，後面可以把相關 repo、規則慢慢餵給它，形成長期記憶。

適合誰用？幾個今晚就能跑起來的場景

1. 個人知識管理：把本地筆記變成可對話的知識庫

場景：你用 Obsidian/Notion 存了很多筆記，但查資料時還是要開搜尋、翻一堆頁。

用 Hermes Agent 可以：

做一個 KnowledgeAgent
工具：讀本地 .md 檔、全文檢索、建立向量索引
任務：
「幫我列出這個月我學過的 LLM 評估方法，附連結」
「整理跟 X 專案相關的 meeting notes，產出一頁總結」

今晚就能做的最小版本：

先不管向量資料庫，只寫一個工具：給定關鍵字，在一個資料夾裡用 grep 或 Python 搜尋文字，回傳找到的段落
讓 Agent 用這個工具找資料 + 組合答案，你得到一個「能全文搜尋你筆記、附整理」的聊天助理

💡 關鍵： 即使不建向量資料庫，只用全文搜尋工具也能立刻把舊筆記升級成「可對話知識庫」。

2. 專案協作機器人：懂 repo 結構、會寫測試的小隊友

場景：你在一個中型 repo 開發功能，最常做的是：

找相關 module
看舊實作怎麼寫
照既有風格補測試

用 Hermes Agent 可以：

建 DevAgent，給它：
工具：讀檔案、在 repo 內全文搜尋、執行測試、跑 ruff 或 pytest
記憶：專案目錄結構、常用 pattern、測試風格
工作流：
「這個 PR 變更幫我看一遍，列出可能爆的地方」
「幫這個新 function 補上 pytest，照之前我們的 pattern」

今晚就能做的最小版本：

做一個工具：給檔名 + 行號範圍，回傳該段程式碼
一個工具：在 repo 裡 rg 關鍵字
再用 Hermes Agent 替你「問 repo」，比一般 Code Assistant 更懂上下文（因為記憶可以長期保留）

3. 定時報表與小型自動化：每天幫你跑例行公事

場景：你每週要手動：

打 API 拉數據
用 pandas 處理
貼到 Google Sheet 或寄 Slack

用 Hermes Agent 可以：

做 OpsAgent：
工具：呼叫內部 API、跑處理腳本、寄 email/Slack webhook
任務：
- 「每天 9 點幫我跑一次報表 A，失敗時 ping 我」

今晚就能做的最小版本：

先只做一個「手動觸發」的 Agent：
工具：呼叫你現有的報表腳本，回傳路徑或結果
每次要報表時，開 chat 說：「幫我產本週報表」
之後再加排程（crontab / systemd / Airflow 都行）

怎麼開始：從 clone 到跑起第一個 Agent

以下以本機開發環境為例（Linux / macOS / WSL 都可）。詳細以官方 Repo 為準：NousResearch/hermes-agent

步驟一：安裝與啟動最小可用 Agent

Clone 專案

bash git clone https://github.com/NousResearch/hermes-agent.git cd hermes-agent

建立虛擬環境並安裝依賴

bash python -m venv .venv source .venv/bin/activate # Windows 改用 .venv\Scripts\activate pip install -r requirements.txt

設定 LLM API Key（先用你有的即可，如 OpenAI / Anthropic / 本地模型）
新增 .env（或依官方文件的設定方式）：

env OPENAI_API_KEY=你的_key

啟動範例 Agent
官方通常會附 demo / example，假設有：

bash python examples/simple_agent.py

終端機應該會出現一個互動提示，你可以直接輸入：

「幫我總結一下這個資料夾裡 README 的重點」

可行動：先照 repo README 跑通官方範例，不要一開始就改架構；確定 Agent 能穩定對話後，再進入下一步。

步驟二：加一個你自己的工具（以讀檔案為例）

假設你想讓 Agent 讀本地 markdown 筆記，我們新增一個最小工具：

# tools/read_file.py
from pydantic import BaseModel

class ReadFileInput(BaseModel):
    path: str

async def read_file_tool(args: ReadFileInput) -> str:
    try:
        with open(args.path, "r", encoding="utf-8") as f:
            return f.read()
    except FileNotFoundError:
        return f"檔案不存在：{args.path}"

再在 Agent 設定裡掛上這個工具（實際寫法依官方 framework 為準）：

from tools.read_file import read_file_tool, ReadFileInput

agent.register_tool(
    name="read_file",
    description="讀取本地文字檔內容，適合用來看筆記或程式碼。",
    func=read_file_tool,
    args_schema=ReadFileInput,
)

之後你就可以跟 Agent 說：

「請讀 notes/ai/hermes-agent.md，幫我整理成 5 個 bullet points。」

可行動：把上面工具改成你需要的腳本，例如呼叫公司 API、或對資料庫下查詢，先做一個，成功後再慢慢擴充。

步驟三：保存記憶、接內部系統，讓它真正「隨你成長」

選一個持久化記憶的方式：
簡單：用 SQLite / 本地檔案存對話摘要與關鍵資料
進階：用向量資料庫（如 Chroma、Qdrant）存 embedding，讓 Agent 能在舊對話裡 retrieval
接公司內部 API：
為每個核心系統做一個工具（get_user_info, get_order_status…）
在工具描述裡寫清楚用途，讓模型知道何時該用
版本控制與演進建議：
把 Agent 設定（persona、工具列表）與「技能腳本」都放進 Git
每次大改前先開一個 branch，確保舊版 workflow 還能跑
用 README 記錄：這個 Agent 現在會做哪些事、還有哪些坑

可行動：先挑一個「你每週一定會做」的任務，為它做一個專門 Agent，並在 README 寫下：

它會用到哪些工具

成功完成任務需要哪些資料

未來想追加哪些能力

小結：把 Hermes Agent 當成「長期共事的同事」，不要當玩具

Hermes Agent 的價值，不在於多炫的 Prompt，而在於：

你可以為每個常見任務，做一個專職 Agent
把腳本和內部 API 收進同一個工具箱
用記憶與技能，讓它越來越懂你的工作方式

從今晚可以做的三件事開始：

clone 專案 + 跑通官方範例
為一個你已有的 Python 腳本包一個工具
幫其中一個重複性工作建一個專職 Agent

只要你願意每週花一點時間「教它」，這個本地部署的 Hermes Agent，會越來越像一個熟悉專案脈絡、能幫你扛瑣事的長期同事。

🚀 你現在可以做的事

打開 GitHub，clone 下來 NousResearch/hermes-agent，跑通 README 範例

挑一個現有 Python 腳本或內部 API，按照文中範例包成一個 tool

為一個最常做的重複性工作，寫出一個專職 Agent 的 persona 與需要的工具清單

本地部署 Hermes Agent：打造會成長的專屬 AI 助理

核心功能：它跟一般 Agent 框架哪裡不一樣？

1. 模組化 Agent：一個框架養多個專職助手

2. 工具調用：把「你會的事」都變成它的工具箱

3. 記憶與長期學習：越用越像你的專屬助理

適合誰用？幾個今晚就能跑起來的場景

1. 個人知識管理：把本地筆記變成可對話的知識庫

2. 專案協作機器人：懂 repo 結構、會寫測試的小隊友

3. 定時報表與小型自動化：每天幫你跑例行公事

怎麼開始：從 clone 到跑起第一個 Agent

步驟一：安裝與啟動最小可用 Agent

步驟二：加一個你自己的工具（以讀檔案為例）

步驟三：保存記憶、接內部系統，讓它真正「隨你成長」

小結：把 Hermes Agent 當成「長期共事的同事」，不要當玩具

留言

發佈留言取消回覆

更多文章

自我優化 LLM Stack 實戰架構

用 GlycemicGPT 把血糖變成可讀故事

5 分鐘做出你的 Claude 專屬小 Agent

當 ChatGPT 想看你的帳本：先用，再質疑

本地部署 Hermes Agent：打造會成長的專屬 AI 助理

核心功能：它跟一般 Agent 框架哪裡不一樣？

1. 模組化 Agent：一個框架養多個專職助手

2. 工具調用：把「你會的事」都變成它的工具箱

3. 記憶與長期學習：越用越像你的專屬助理

適合誰用？幾個今晚就能跑起來的場景

1. 個人知識管理：把本地筆記變成可對話的知識庫

2. 專案協作機器人：懂 repo 結構、會寫測試的小隊友

3. 定時報表與小型自動化：每天幫你跑例行公事

怎麼開始：從 clone 到跑起第一個 Agent

步驟一：安裝與啟動最小可用 Agent

步驟二：加一個你自己的工具（以讀檔案為例）

步驟三：保存記憶、接內部系統，讓它真正「隨你成長」

小結：把 Hermes Agent 當成「長期共事的同事」，不要當玩具

留言

發佈留言 取消回覆

更多文章

自我優化 LLM Stack 實戰架構

用 GlycemicGPT 把血糖變成可讀故事

5 分鐘做出你的 Claude 專屬小 Agent

當 ChatGPT 想看你的帳本：先用，再質疑

發佈留言取消回覆