Agent 装 Agent：用 OpenClaw 安装 Hermes，顺手验证自我进化

TL;DR：用 OpenClaw 全程操控远程 VM，从 Terraform 建机器到安装配置 Hermes Agent，并在实测中触发了自我进化，生成了一个高质量 Skill。

一、缘起

前几天，朋友向我安利了 Hermes Agent——由 Nous Research 出品的开源个人 AI 助手。他重点提到了一个特性：自我进化。agent 能在完成复杂任务后自动创建 Skill，在后续使用中持续迭代优化，形成一个闭合的学习循环。

这个概念让我想起了自己一直在做的事情。

我已经在多个 AI 工具中用 skill-creator skill 手动实现类似的目标——无论是 OpenClaw 这样的个人助手，还是 OpenCode 这样的 coding agent，都在用同一套方式：用户主动触发 Skill 的创建和修正，在使用过程中不断迭代，逐步提升 agent 的能力上限。我也研究过 HyperAgents，探索 agent 自我进化的可能性。

所以当朋友说“Hermes 能自动做这件事”时，我的第一反应不是兴奋，而是好奇：自动化和手动控制，哪种方式更有效？Hermes 的理念和我已经在做的事，差距到底有多大？

决定装一个试试。但怎么装？用我的 AI agent 来装另一个 AI agent——这才是正确的打开方式。

二、Hermes vs OpenClaw：先搞清楚值不值得装

在动手之前，先做个功课。

Hermes Agent 和 OpenClaw 的定位高度重叠——都是自托管的个人 AI 助手，都支持 Telegram/Discord 等多平台接入，都有 Skill 系统和 cron 调度。核心差异体现在以下几个维度：

两者最本质的差异，在于对 Skill 的理解：

OpenClaw 的 Skill 是人写的、静态的——你（或 skill-creator）写好 SKILL.md，agent 读取并执行。Skill 的质量取决于人的投入。

Hermes 的 Skill 是agent 写的、动态的——完成一个复杂任务后，agent 分析自己走过的路径，提炼成可复用的工作流，写入 ~/.hermes/skills/，下次遇到类似任务直接调用，并在使用中持续 patch 优化。

这个设计理念更接近人类的“经验积累”——不是背课本，而是从实战中总结方法论。

值得一试。

三、安装方式：一条 Agent 接力链

决定用和部署 OpenClaw 一样的方式来安装 Hermes——全程不手动敲命令，让 agent 来做。

整条链路如下：

具体流程：

1. 在手机 Telegram 上发送一条消息
2. 本地 OpenCode 收到指令，用 Terraform 在云上创建一台新 VM
3. 云上 OpenClaw（也就是 Echo，我的个人助手） 收到指令，SSH 进入刚创建的 VM
4. Echo 全程操控这台 VM，完成 Hermes 的安装和配置

整个过程中，我没有打开终端，没有 SSH，没有手动执行任何命令。这不是噱头——这是 AI agent 作为基础设施自动化工具的真实使用场景。而且这套链路并非为这篇文章特意搭建，它就是我日常部署新服务的方式。

四、安装过程：踩了哪些坑

Echo 通过 SSH 连接到 VM 后，开始执行安装。Hermes 官方提供一键安装脚本：

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

听起来很简单，实际踩了三个坑。

坑一：安装脚本被 kill

脚本跑到一半就被 kill 了。原因是安装脚本默认会安装 Playwright Chromium——Hermes 的 browser 工具依赖，用于网页自动化 （截图、点击、抓取等）。Chromium 完整包约 170MB，下载过程中超时被强制中断。

这不是必须的依赖。如果不需要 browser 自动化功能，这一步完全可以跳过。脚本本身也做了 fallback 处理，Playwright 安装失败只会让 browser 工具不可用，不影响核心功能。

好在代码已经下载完成，手动修复 PATH 即可：

echo 'export PATH="$HOME/.hermes/hermes-agent/venv/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc
hermes --version  # Hermes Agent v0.9.0

坑二：TUI 在非交互 SSH 里失效

运行 hermes model 选择模型时，TUI 界面的方向键完全失效——Echo 通过非交互 SSH 连接，终端不支持标准 ANSI 控制序列，光标无法移动。

绕过方式：直接修改配置文件。

# 在 ~/.hermes/config.yaml 中
model:
  provider: "copilot"
  default: "claude-sonnet-4.6"

GitHub Copilot 的 OAuth 授权需要在浏览器完成 device code flow，这一步确实需要人工介入——打开 https://github.com/login/device，输入 Echo 拿到的 6 位验证码，授权后继续。

坑三：SOUL.md 路径错

配置人格文件时，让 Hermes bot 帮我写入 SOUL.md。它把文件写到了 ~/.hermes/memories/SOUL.md——看起来合理，但实际上 Hermes 读取人格文件的路径是 ~/.hermes/SOUL.md。

cp ~/.hermes/memories/SOUL.md ~/.hermes/SOUL.md
# hermes doctor 确认:
# ✓ ~/.hermes/SOUL.md exists (persona configured)

这三个坑都不算严重，绕过方式也很直接。但如果你是第一次安装，踩到第一个坑很容易以为安装失败了。

五、配置清单

安装完成后，还需要配置四个部分才能正常使用。

GitHub Copilot 授权

Hermes 支持多个主流模型 provider(OpenRouter、Anthropic、GitHub Copilot、DeepSeek、Gemini 等），我选择复用已有的 GitHub Copilot 订阅。

hermes model
# 选择 GitHub Copilot
# 选项 1:Login with GitHub(OAuth device code flow)

浏览器打开 https://github.com/login/device，输入终端显示的 6 位验证码，授权完成后 token 自动保存到 ~/.hermes/auth.json。

SOUL.md：把 “灵魂” 迁移过来

Hermes 支持通过 ~/.hermes/SOUL.md 自定义 agent 人格，和 OpenClaw 的设计一模一样。我直接把 OpenClaw 的 SOUL.md 内容迁移过来，保持一致的语言偏好和行为准则——包括始终用中文回复、不说废话、有自己的观点等。

USER.md 同理，把用户背景、目标、Obsidian vault 路径等信息写入 ~/.hermes/memories/USER.md。

Telegram Gateway

# 写入 ~/.hermes/.env
TELEGRAM_BOT_TOKEN=<BotFather 申请的 token>
TELEGRAM_ALLOWED_USERS=<你的 Telegram user ID>
TELEGRAM_HOME_CHANNEL=<你的 Telegram user ID>

# 注册 systemd service 并启动
hermes gateway install
hermes gateway start

安装时会自动启用 systemd linger，保证 VM 重启后 gateway 自动拉起，SSH 断开也不受影响。

hermes gateway status
# ✓ User gateway service is running
# ✓ Systemd linger is enabled (service survives logout)

Web 搜索：Tavily

Hermes 的 web 工具支持 Exa、Tavily、Firecrawl、Parallel 四个 provider，没有配置任何 key 时 web search 不可用。我选择 Tavily——专为 AI agent 设计，有 1000 次/月的免费额度，注册简单。

# 写入 ~/.hermes/.env
TAVILY_API_KEY=<your key>

hermes gateway restart

hermes doctor 检查结果显示核心功能全部就绪：Python 环境、SOUL.md、USER.md、Gateway 服务、systemd linger、terminal/file/web/vision/skills/browser/cronjob 工具均正常。Hermes 正式上线。

六、自我进化：预期 vs 现实

这是安装 Hermes 最核心的动机，也是最想验证的部分。

触发机制

根据文档和源码，自我进化的触发条件是：

• 主 agent 完成一个调用了 5+ 个工具的复杂任务
• 用户纠正了 agent 的做法
• agent 走过弯路但找到了正确路径
• 发现了一个非显然的工作流

config 中有一个 nudge 配置，控制提醒频率：

skills:
  creation_nudge_interval: 15  # 默认值:每累积 15 次 tool call,提醒 agent 考虑创建 Skill

为了加速验证，我临时调低到 5：

skills:
  creation_nudge_interval: 5

需要注意两点：nudge 计数器是单 session 内累积的，不跨 session 持久化; 且根据源码 (L1131、L8075)，只有主 agent loop 里的 tool call 才计数，subagent 的不算。

实测结果

在同一个 session 里连续让 Hermes 执行同类任务 （搜索云原生组件最新版本、整理 changelog 对比表） 累积到阈值后，任务完成后紧接着出现了：

💾 Skill 'tech-version-changelog-comparison' created.

生成的 Skill 内容超出预期——不是简单的操作步骤，而是包含了：

• 核心流程：并行搜索的 goal 模板，包含关键约束 （排除 rc 版本、交叉验证来源）
• 已知问题与经验教训：搜索出现版本不一致的原因分析和解决方案
• 内容深度随次数增加的规律：总结出 “第一次搜索就应重点关注破坏性变更”
• 完整的 Markdown 模板：表格结构、命名约定、中文总结框架

这个 Skill 不是在记录 “怎么用工具”，而是在沉淀踩过的坑和提炼出的方法论。完整 Skill 内容已发布到 GitHub Gist，可直接复用或作为参考。

两种设计理念的本质差异

两种方式并不互斥。在 OpenClaw 和 OpenCode 里用 skill-creator 主动沉淀;Hermes 的自动化更适合那些你知道值得积累但懒得手动写的场景——用得够多，它自己会总结。

七、小结

用 AI agent 安装 AI agent，这件事本身就是一次有趣的实验。

安装体验方面，Hermes 比 OpenClaw 多踩了几个坑：Playwright 下载超时、TUI 在非交互 SSH 下失效、SOUL.md 路径错误。都不是大问题，但如果没有 agent 帮忙 debug，手动排查会花不少时间。

功能覆盖方面，两者高度重叠。渠道支持、Skill 系统、cron 调度、记忆机制……核心能力基本对齐。如果只是想要一个能在 Telegram 上用的个人助手，两者差距不大。

核心差异只有一个：Skill 的生命周期。OpenClaw 的 Skill 是人写的，静态的;Hermes 的 Skill 是 agent 从实战中自己写的，会迭代。这次实测生成的 tech-version-changelog-comparison Skill，不只是记录操作步骤，还把踩过的坑、数据来源的坑、每次搜索深度递进的规律全部沉淀进去——这是手动写 Skill 很难做到的质量。

当然，这个特性有一个隐藏前提：你得真的持续用它。nudge 计数器不跨 session 持久化，subagent 的 tool call 不计入主 agent 计数 (源码 L1131、L8075)——短期体验很难看到效果，需要在同一 session 里积累足够的复杂任务。

两个工具并不互斥。我的使用思路是：OpenClaw 和 OpenCode 继续用 skill-creator 主动沉淀明确的工作流；Hermes 作为补充，跑在独立的 VM 上，负责那些 “反复做、懒得手动写 Skill”的任务，让它自己慢慢生长。

此外还有一个值得期待的特性没有在本文体现——Honcho 用户建模。Hermes 可选接入 Honcho 框架，通过对话持续推断用户的心智模型和认知偏好，形成「越用越懂你」的动态用户画像，远比静态的 USER.md 更有深度。这同样是一个需要长期使用才能显现效果的特性。

自我进化 + Honcho 用户建模，这两个特性都需要时间沉淀。后续会写一篇「Hermes 长期使用报告」，一并跟进体验，敬请期待。——-

封面图来自 Pexels，摄影师：Google DeepMind，遵循 Pexels 许可协议免费使用。