不是又一个Agent：从Harness到Hermes
01 不是又一个Agent：从Harness到Hermes
Not Another Agent: From Harness to Hermes
OpenClaw热潮还没散，Hermes Agent就来了。它不是「又一个Agent工具」，而是Harness Engineering概念的
第一次产品化。
又来一个？
我理解你的疲惫。
OpenClaw在2025年底掀起了龙虾热。2600万用户，国内大厂纷纷跟进做自己的龙虾类产品。那段时间你的朋友圈大概
率被「我养了一只虾」刷过屏。龙虾热还没完全散去，又有一个新东西冒出来了。
2026年2月，Nous Research发布了Hermes Agent。两个月不到，GitHub stars飙到27000+。
你的第一反应可能是：龙虾我还没搞明白，又来？
我花了一周时间把Hermes从头到尾拆了一遍，发现它和OpenClaw走的是完全不同的路。Hermes不是又一个龙虾，它
在做一件我们一直在讨论但没人做成产品的事。
Harness Engineering是什么
如果你读过上一本橙皮书《Harness Engineering》，这部分可以跳过。没读过的话，30秒讲清楚。
2026年初，AI编程圈出现了一个共识：瓶颈不是模型，是环境。LangChain团队做了一个实验，用同一个模型（GPT-5.2-
Codex），只调整周围的「缰绳」配置，成绩从52.8%涨到66.5%，排名从Top 30跳到Top 5。模型一行没改。
Mitchell Hashimoto（Terraform的创造者）第一个给这件事命名：Harness Engineering。他的做法很朴素，每次AI犯
错，就加一条规则，让它永远不再犯同一个错。文件是活的，一直在长。
我在那本书里把Harness拆成了五个组件。这五个组件，是理解Hermes的钥匙。
五组件映射
Harness Engineering讲的是方法论，是「你应该给AI造什么样的缰绳」。但方法论有一个问题：执行全靠人。你得自己写
CLAUDE.md，自己配hooks，自己搭记忆系统，自己设计工作流。
Hermes做的事情是：把这五个组件全部内建了。
Harness五组件 手动实现方式 Hermes内建系统
指令层 手写CLAUDE.md / AGENTS.md Skill系统（markdown skill文件，自动创建+自改进）
约束层 配置hooks / linter / CI Tool permissions + sandbox + toolset按需启用
反馈层 人工审查 / 评估者Agent 自改进学习循环（完成任务后自动复盘优化）
记忆层 手动维护knowledge base 三层记忆（会话/持久/Skill）+ Honcho用户建模
编排层 自己搭多Agent pipeline 子Agent委派 + cron调度
看左列和右列的对比。左边全是手动操作，你得是一个有经验的工程师才能搭出来。右边是开箱即用，装完就有。
这就是Hermes和OpenClaw的本质区别。OpenClaw给你一套配置即行为的系统，你写SOUL.md，它变成你想要的样
子。它的记忆系统功能完善（Daily Logs + MEMORY.md + 语义搜索），Skill生态庞大，但主要靠人工编写和维护。
Hermes把这五个维度全部内建了，而且让它们自动运转。
概念连接：如果你用过Claude Code的CLAUDE.md + hooks + memory，你已经在手动实现Harness了。Hermes做的事
情是把这套手动流程变成了一个自动运行的系统。从「你给AI造缰绳」变成「AI自己给自己造缰绳」。
Nous Research为什么做这件事
做Hermes Agent的不是大公司，是一个开源AI研究实验室。
Nous Research在AI圈被形容为「开源社区中的神秘力量」。核心人物Teknium主导微调和数据集策划，早期靠Redmond
AI提供算力支持，团队规模一直不大。但他们做出来的Hermes模型家族（从8B到Hermes 4的14B/70B/405B），纯靠后
训练就达到了前沿水平。不需要从头预训练，不需要巨额算力预算。
这个理念延续到了Hermes Agent上：用开源工具+任意LLM API，个人也能部署媲美商业方案的AI Agent。MIT许可证，
完全开源。
他们的核心原则挺鲜明的。用户控制优先，模型是可控的（steerable），你可以按需调整行为，不受企业内容策略限制。
审查这事儿他们明确不做，声明模型是「unencumbered by censorship, neutrally aligned」。同时在创造力和数学、编
码、推理性能上都不妥协。
这些原则决定了Hermes Agent的设计取向：不是替你做决定，而是你设规则、它学规则、然后越做越好。控制权始终在
用户手里，执行的复杂度由系统承担。
不是替代，是递进
有一个常见的误解：Hermes要取代Claude Code或OpenClaw。其实不是，这三个工具解决的是不同层面的问题。
Claude Code做交互式编码。你坐在终端前，和它来回对话，实时协作。它是你的结对工程师。
OpenClaw做配置即行为。你写一个SOUL.md，它就变成你想要的样子。配置透明，生态成熟，ClawHub有44000+社区
Skill。
Hermes做自主后台+自改进。你不需要坐在它旁边。它自己跑，自己学，自己进化。24/7在线，通过Telegram或
Discord随时可达。
一个有意思的点是，这三个工具都采用agentskills.io标准，Skill可以互通。你在Claude Code里写的Skill，Hermes也能
用，反过来也一样。它们不是三条平行线，更像是一个生态里分工不同的三个角色。
核心建议
如果你只是写代码，Claude Code够用了。如果你想要一个7x24小时帮你看守任务、会自己变聪明的后台Agent，那就该
看Hermes了。
出厂就带缰绳
回到开头的问题：为什么这一次不一样？
龙虾热教会了普通人一件事：AI可以是「你养出来的」，不是「你打开就用的」。OpenClaw的SOUL.md、记忆系统、个性
化配置，让人第一次体验到什么叫「我的AI」。
但养虾的人也发现了一个问题：缰绳全得自己造。写SOUL.md，手动调技能，定期清理记忆。龙虾越用越好用，前提是
你愿意花时间喂它。
Hermes的思路不同：把缰绳直接焊进出厂设置，而且让缰绳自己长大。
你第一次和Hermes对话，它就开始自动写入记忆、自动提炼Skill、自动优化工作流。用的时间越长，它对你的理解越
深，做事的质量越高。不是你在训练它，是它在训练自己。
Hermes是第一个出厂就带缰绳的Agent。而且缰绳会自己长大。
Not Another Agent: From Harness to Hermes
OpenClaw热潮还没散，Hermes Agent就来了。它不是「又一个Agent工具」，而是Harness Engineering概念的
第一次产品化。
又来一个？
我理解你的疲惫。
OpenClaw在2025年底掀起了龙虾热。2600万用户，国内大厂纷纷跟进做自己的龙虾类产品。那段时间你的朋友圈大概
率被「我养了一只虾」刷过屏。龙虾热还没完全散去，又有一个新东西冒出来了。
2026年2月，Nous Research发布了Hermes Agent。两个月不到，GitHub stars飙到27000+。
你的第一反应可能是：龙虾我还没搞明白，又来？
我花了一周时间把Hermes从头到尾拆了一遍，发现它和OpenClaw走的是完全不同的路。Hermes不是又一个龙虾，它
在做一件我们一直在讨论但没人做成产品的事。
Harness Engineering是什么
如果你读过上一本橙皮书《Harness Engineering》，这部分可以跳过。没读过的话，30秒讲清楚。
2026年初，AI编程圈出现了一个共识：瓶颈不是模型，是环境。LangChain团队做了一个实验，用同一个模型（GPT-5.2-
Codex），只调整周围的「缰绳」配置，成绩从52.8%涨到66.5%，排名从Top 30跳到Top 5。模型一行没改。
Mitchell Hashimoto（Terraform的创造者）第一个给这件事命名：Harness Engineering。他的做法很朴素，每次AI犯
错，就加一条规则，让它永远不再犯同一个错。文件是活的，一直在长。
我在那本书里把Harness拆成了五个组件。这五个组件，是理解Hermes的钥匙。
五组件映射
Harness Engineering讲的是方法论，是「你应该给AI造什么样的缰绳」。但方法论有一个问题：执行全靠人。你得自己写
CLAUDE.md，自己配hooks，自己搭记忆系统，自己设计工作流。
Hermes做的事情是：把这五个组件全部内建了。
Harness五组件 手动实现方式 Hermes内建系统
指令层 手写CLAUDE.md / AGENTS.md Skill系统（markdown skill文件，自动创建+自改进）
约束层 配置hooks / linter / CI Tool permissions + sandbox + toolset按需启用
反馈层 人工审查 / 评估者Agent 自改进学习循环（完成任务后自动复盘优化）
记忆层 手动维护knowledge base 三层记忆（会话/持久/Skill）+ Honcho用户建模
编排层 自己搭多Agent pipeline 子Agent委派 + cron调度
看左列和右列的对比。左边全是手动操作，你得是一个有经验的工程师才能搭出来。右边是开箱即用，装完就有。
这就是Hermes和OpenClaw的本质区别。OpenClaw给你一套配置即行为的系统，你写SOUL.md，它变成你想要的样
子。它的记忆系统功能完善（Daily Logs + MEMORY.md + 语义搜索），Skill生态庞大，但主要靠人工编写和维护。
Hermes把这五个维度全部内建了，而且让它们自动运转。
概念连接：如果你用过Claude Code的CLAUDE.md + hooks + memory，你已经在手动实现Harness了。Hermes做的事
情是把这套手动流程变成了一个自动运行的系统。从「你给AI造缰绳」变成「AI自己给自己造缰绳」。
Nous Research为什么做这件事
做Hermes Agent的不是大公司，是一个开源AI研究实验室。
Nous Research在AI圈被形容为「开源社区中的神秘力量」。核心人物Teknium主导微调和数据集策划，早期靠Redmond
AI提供算力支持，团队规模一直不大。但他们做出来的Hermes模型家族（从8B到Hermes 4的14B/70B/405B），纯靠后
训练就达到了前沿水平。不需要从头预训练，不需要巨额算力预算。
这个理念延续到了Hermes Agent上：用开源工具+任意LLM API，个人也能部署媲美商业方案的AI Agent。MIT许可证，
完全开源。
他们的核心原则挺鲜明的。用户控制优先，模型是可控的（steerable），你可以按需调整行为，不受企业内容策略限制。
审查这事儿他们明确不做，声明模型是「unencumbered by censorship, neutrally aligned」。同时在创造力和数学、编
码、推理性能上都不妥协。
这些原则决定了Hermes Agent的设计取向：不是替你做决定，而是你设规则、它学规则、然后越做越好。控制权始终在
用户手里，执行的复杂度由系统承担。
不是替代，是递进
有一个常见的误解：Hermes要取代Claude Code或OpenClaw。其实不是，这三个工具解决的是不同层面的问题。
Claude Code做交互式编码。你坐在终端前，和它来回对话，实时协作。它是你的结对工程师。
OpenClaw做配置即行为。你写一个SOUL.md，它就变成你想要的样子。配置透明，生态成熟，ClawHub有44000+社区
Skill。
Hermes做自主后台+自改进。你不需要坐在它旁边。它自己跑，自己学，自己进化。24/7在线，通过Telegram或
Discord随时可达。
一个有意思的点是，这三个工具都采用agentskills.io标准，Skill可以互通。你在Claude Code里写的Skill，Hermes也能
用，反过来也一样。它们不是三条平行线，更像是一个生态里分工不同的三个角色。
核心建议
如果你只是写代码，Claude Code够用了。如果你想要一个7x24小时帮你看守任务、会自己变聪明的后台Agent，那就该
看Hermes了。
出厂就带缰绳
回到开头的问题：为什么这一次不一样？
龙虾热教会了普通人一件事：AI可以是「你养出来的」，不是「你打开就用的」。OpenClaw的SOUL.md、记忆系统、个性
化配置，让人第一次体验到什么叫「我的AI」。
但养虾的人也发现了一个问题：缰绳全得自己造。写SOUL.md，手动调技能，定期清理记忆。龙虾越用越好用，前提是
你愿意花时间喂它。
Hermes的思路不同：把缰绳直接焊进出厂设置，而且让缰绳自己长大。
你第一次和Hermes对话，它就开始自动写入记忆、自动提炼Skill、自动优化工作流。用的时间越长，它对你的理解越
深，做事的质量越高。不是你在训练它，是它在训练自己。
Hermes是第一个出厂就带缰绳的Agent。而且缰绳会自己长大。