# Hermes Agent FAQ 整理 30 題指南，涵蓋模型、記憶、訊息管道與自動化設定

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 原作者：witcheer (@witcheer) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥 · 日期：2026-09-01

> 原始來源：https://x.com/witcheer/status/2094481834939748611

## 證據與延伸閱讀

- [Hermes Agent FAQ 整理 30 題指南，涵蓋模型、記憶、訊息管道與自動化設定。](https://hermes-agent.nousresearch.com/docs) — 一手來源 · 最後核對：2026-09-01 · 支持主張：The FAQ consolidates concrete Hermes concepts, commands, limits, and operating patterns: hermes setup --portal, prompt-size, delegation.model, remote gateways, 64k context, channel and voice use, worktrees and review, and skill hygiene.
- [Hermes Agent FAQ — discord.gg（貼文明示來源）](https://discord.gg/nousresearch) — 一手來源 · 支持主張：The FAQ consolidates concrete Hermes concepts, commands, limits, and operating patterns: hermes setup --portal, prompt-size, delegation.model, remote gateways, 64k context, channel and voice use, worktrees and review, and skill hygiene.
- [nousresearch.com](https://hermes-agent.nousresearch.com/docs/user-guide/messaging/)
- [fast.io/resources/hermes-agent-review-2026](https://fast.io/resources/hermes-agent-review-2026/)

## 中文摘要

Hermes Agent FAQ 整理 30 題指南，涵蓋模型、記憶、訊息管道與自動化設定。

**入門觀念** FAQ 先釐清 Hermes 的基本單位：session 是一段對話，project 是以名稱分組的 workspace，profile 是擁有獨立設定、記憶、skills 與歷史的完整 Agent，Desktop app 中帶有名稱與頭像的 profile 則稱為 bot；gateway 是持續執行、把 Agent 連到 Telegram、Discord、WhatsApp 等服務的程序。四個核心檔案各有不同用途：

- `SOUL.md` 定義 Agent 是誰，只位於 `~/.hermes/`。
- `AGENTS.md` 定義單一專案的工作方式；在 git repo 中，Hermes 會從 repo 根目錄一路合併到目前工作目錄。
- `MEMORY.md` 儲存 Agent 學到的內容。
- `USER.md` 儲存 Agent 對使用者的認識。

前兩個檔案由使用者撰寫，後兩個由 Agent 維護。初次使用不必先安裝 skill；記憶、網路搜尋、瀏覽器控制、排程工作與 sub-agents 都是內建能力。社群反覆給出的建議是，直接挑一項真實日常工作交給 Agent，從一個具體摩擦點開始，而不是先研究所有功能。

**模型與啟動** 對沒有模型選擇經驗的使用者，FAQ 建議先使用 Nous Portal 的免費模型。執行 `hermes setup --portal` 可在一個指令中完成登入並設定 provider，模型選擇器也會依 provider 顯示整理過的清單，而不是塞入 300 個模型。之後可在任何對話輸入 `/model` 切換模型，但若在同一段對話中切換，prompt cache 會重設，下一則訊息必須以完整價格重新讀取整段對話，因此適合早點切換或開新 session。

Hermes 可連接 OpenRouter、Ollama、vLLM、llama.cpp server、SGLang、LM Studio、LocalAI，以及 30+ 家雲端 provider；任何 OpenAI-compatible endpoint 都可透過一個 provider 設定區塊指定 `base_url`。不過硬體、價格、模型、provider 與 UI 建議都可能變動，應依選定模型與部署方式重新驗證，FAQ 本身沒有提供獨立的效能或成本測量。

**本機模型限制** Hermes 的 Agent 工作需要 64,000-token context window，因為 system prompt、工具 schema、skills 索引與對話都會放進其中。FAQ 提供的起點是：24 GB GPU 可較舒適地執行量化的約 27B model 並容納完整 64k context；12 到 16 GB 適合較小模型；更低的記憶體則可考慮 API model，或採用 Agent 在雲端、必要時操作本機電腦的混合方式。

本機模型若只是用文字描述「正在呼叫工具」卻沒有實際動作，通常有兩個原因：伺服器沒有啟用 tool-calling，或模型本身不支援 tool／function calling。llama.cpp 需要 `--jinja`；vLLM 需要 `--enable-auto-tool-choice` 搭配 `--tool-call-parser`；SGLang 也需要對應的 parser 旗標。即使旗標正確，仍應先查模型卡是否明確提到工具呼叫支援。

本機第一次回覆可能需要數分鐘，因為模型必須先處理數萬個 token 的開場內容；這個 prefill 速度與產生文字的速度不同，而消費級 GPU 通常後者較快。第一輪完成後內容會被快取，後續回合通常較快。若 Agent 在任務中途遺忘內容，應檢查伺服器實際使用的 context 長度：Ollama 預設值可能低至 4,096 tokens，llama.cpp 在啟用平行 slot 時也會分割 context。FAQ 指示可設定 `OLLAMA_CONTEXT_LENGTH=64000 ollama serve`，或在 `llama-server` 使用 `-c 64000`，並在 Hermes 設定中對齊 `context_length: 64000`；再透過 `ollama ps` 確認 `CONTEXT` 欄位。

**成本與記憶** Agent 每次 session 都會先支付固定的 prompt 成本，包括 system prompt、工具 schema、skills 索引與記憶。`hermes prompt-size` 可離線逐 byte 顯示這份固定負擔，使用者可搭配 `hermes tools` 移除未使用的工具集、解除安裝不會載入的 skills，並讓 `AGENTS.md` 保持精簡。未使用的 skill 透過 progressive disclosure 僅載入一行索引，成本幾乎為零，但不是完全為零；安裝 100 個從未使用的 skills 仍會讓開場內容變肥。

記憶會立即寫入磁碟，但只在 session 開始時載入 system prompt，因此中途新記下的資訊要到下一個 session 才會完整可見。記憶是小型、人工挑選的儲存區，約有幾千個字元、約 8 到 15 筆項目；使用者可直接用自然語言要求修正，例如說明某項事實錯了、應改記為另一個內容，也能詢問 Agent 記得哪些與某主題有關的資訊。不同 profile 不應直接共用同一批記憶檔案，若兩個 Agent 同時寫入，可能把彼此的內容混成沒有人真正撰寫的狀態；共享知識應交給外部記憶 provider。記憶回答「不用提醒它也該知道什麼」，session history 則保留完整且可搜尋的討論，Agent 可用 `session_search` 查詢。

**遠端與持續運作** 若 Hermes 執行在不會休眠的伺服器，使用者可在 Desktop app 的 `Settings → Gateways → Remote gateway` 輸入伺服器 URL，登入後從筆電操作。伺服器端需讓 `hermes serve` 持續執行，可使用 systemd 或 tmux 等能在登出後存活的方式；把 backend 綁定到可連線位址時，系統會自動啟用驗證。帳號密碼只適合受信任網路或 Tailscale 等 VPN；若服務可從公開網際網路連入，應改用「Sign in with Nous Research」，這是需要人工核對的安全設定，不宜直接照搬到未確認的環境。

Hermes 內建 20+ 訊息平台整合，包括 Telegram、WhatsApp、Discord、Slack、Signal、Microsoft Teams 與 Google Chat 等。啟動 gateway、配對帳號後，同一個 profile 的記憶、session 與 skills 可跨手機和筆電延續，Agent 也能執行工作、傳送檔案與回覆語音訊息。 recurring jobs 可由自然語言建立，例如要求每天早上 7 點檢查資訊來源並把摘要送到 Telegram；每次執行都會在新 session 中工作。要讓夜間排程生效，必須有持續開機的 VPS、家用電腦或 Hermes Cloud；筆電休眠時不會自行完成任務。

**程式開發與協作** 使用 `hermes --worktree` 可讓 session 在獨立的 git worktree 與 branch 中工作，避免碰觸主要 checkout；同一 repo 若要平行處理，可讓不同 Agent 各自使用 worktree。Hermes 也會在工作期間建立檔案變更 checkpoint，`/rollback` 可列出並還原變更，`/diff session` 可一次檢視該 session 修改的內容。

`/review` 會派出擁有獨立 context 的 reviewer Agent。它會開啟 PR、閱讀 diff 並實際執行程式，而不是只根據原本 Agent 的摘要判斷。平行工作則預設一次啟動三個 subagents，每個都有隔離的 context；搭配 worktrees，可以讓多個 Agent 同時在同一 repo 的不同 branch 上處理獨立任務。主 Agent 也能透過 `delegation.model` 把背景工作交給較便宜的 model，同時保留主對話使用較強模型；cron、壓縮與標題等輔助任務也各自有 model slot。

**生態與清理** skill 是教 Agent 執行特定工作流程的文件，plugin 則擴充 Desktop app 的視窗或 UI，MCP 用來連接遵循共同協定的外部工具伺服器。初期不需要三者；使用者可先示範一次工作流程，再用 `/learn` 將其整理成 Agent 能持續使用的 skill。內建 curator 會在 skill 閒置 30 天後標記為過時，90 天後封存，但不會刪除；封存資料仍可從 archive folder 復原，釘選的 skills 不會被處理。記憶則可直接要求 Agent 合併重複項、移除過時內容。

FAQ 最後也承認，kanban 的簡潔性、記憶架構與遠端設定摩擦仍是團隊持續處理的議題。這份內容更接近經社群驗證、再對照文件的入門地圖，而非保證所有 Hermes Agent 工作流程、硬體建議或成本結果都能在每種部署中重現。

## 標籤

教學資源, Hermes Agent, Hermes, Ollama, vLLM, llama.cpp, SGLang, LM Studio, LocalAI, OpenRouter, Discord