Kerwin AI Information

標籤: Hermes Agent

  • 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

    1. Clone 專案

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

    1. 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

    1. 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

    1. 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」

    1. 選一個持久化記憶的方式：

    2. 簡單：用 SQLite / 本地檔案存對話摘要與關鍵資料

    3. 進階：用向量資料庫（如 Chroma、Qdrant）存 embedding，讓 Agent 能在舊對話裡 retrieval

    4. 接公司內部 API：

    5. 為每個核心系統做一個工具（get_user_info, get_order_status…）

    6. 在工具描述裡寫清楚用途，讓模型知道何時該用

    7. 版本控制與演進建議：

    8. 把 Agent 設定（persona、工具列表）與「技能腳本」都放進 Git

    9. 每次大改前先開一個 branch，確保舊版 workflow 還能跑
    10. 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：

    1. clone 專案 + 跑通官方範例
    2. 為一個你已有的 Python 腳本包一個工具
    3. 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