与「Hermes」相关的搜索结果

🏫 想把 AI agent 真正做上线的看这里，Agentic System Course 用 22 章讲透生产级 agent 怎么设计、搭建和运维。 Agentic System Course 的 fork 已经接近一百个，而且整套课是写给你和你的 AI 一起读的，仓库里同时放了 AGENTS.md 和 CLAUDE.md。 以前学 agent 开发，要么跟着某个框架的教程一步步敲，换个技术栈就全废；要么零散看博客，记忆、多 agent 协作、成本控制各讲各的。 这门课只给骨架：把记忆与状态、多 agent 协调、外部接口、可观测性、成本与延迟、安全运维这些承重的主题和取舍讲清楚，具体代码交给你的 AI 按你的技术栈去补。最后一章是一张设计画布，直接拿来设计你自己的 agent。 还有个顺手的：仓库自带一个评审 skill，把你的 PRD、设计文档或 agent 代码丢给它，它先判断你做的是个人项目、团队工具还是面向客户的产品，再挑相关章节出报告，每条问题都带严重程度、证据、章节出处和修复建议。课程拿 OpenCode、Hermes Agent、OpenClaw、Paperclip 四个开源项目当参考实现。 用 agent 学 agent，这个思路挺对味。 GitHub：

使用 Hermes 和 Claude Opus 或者 Fable，有一种无力的兴奋感，这是 GPT 没有给我的。就是我给他描述一些我的痛点或者需求，一会儿的功夫回来，他就已经比我想的更远一点，做好了相关功能部署上线了。 兴奋的点是，又解决了我一个大的问题，没想到这么容易就解决了。 无力这点是在于：我是否还有存在的必要？ 从这一点上，GPT 可能更好一点，因为它做一步等一步，需要我催它反复地去做，给我找了一点存在感。

My first merge ever 👉🏼👈🏼 A year ago I didn’t even know what "PR" meant. Today something I built is part of the Hermes ecosystem, and it’s the first code I’ve ever submitted anywhere. As an engineering dropout, it blows my mind. It might not mean much to the average dev, but for a meat proxy like me, it’s a huge deal. Thank you @Teknium, @witcheer and the @NousResearch team for the Hackathon and for the incredible community you’ve built around your mission. Fuck tyrants. Open source will win 🪽

最近AI每天一个瓜，起起伏伏的，扯个题外话。今天 AI 圈里的几个熟面孔，其实早就和 Web3 有过交集。 先说 Sam Altman。除了 OpenAI，他也是 Worldcoin 的联合创始人。这个项目想解决一个在 AI 时代越来越实际的问题：隔着屏幕，怎么证明你是真人？ 英伟达这段更实在。早在 AI 公司抢 H100 之前，矿工就已经在买 GeForce 了。美国 SEC 的文件显示，挖矿是英伟达 2018 财年连续两个季度游戏 GPU 收入增长的重要因素。到了 2022 财年，英伟达光专用矿卡就卖了 5.5 亿美元。 还有个我最喜欢的冷知识。据「神鱼」回忆，Manus 创始人肖弘 2013 年还在华科读书时，就在早期比特币媒体「壹比特」实习过。十几年后，很多人才因为 AI Agent 第一次听说他。 OpenRouter 联合创始人兼 CEO Alex Atallah 以前就是 NFT 交易平台 OpenSea 的联合创始人兼 CTO。现在他做的 OpenRouter，让开发者用一个 API 就能调用不同公司的 AI 模型。从做 NFT 市场，到做模型市场，他两次创业都在做一件类似的事：把分散的供给接到一个入口。 Hermes Agent 背后的 Nous Research 也有一段挺有意思的历史。它拿过加密风投 Paradigm 的投资，还做了一个叫 Psyche 的分布式训练项目，用 Solana 协调分散在各地的机器一起训练模型。

🚀 گوگل یک PDF نه‌صفحه‌ای درباره Harness Engineering منتشر کرده؛ مفهومی که به نظرم باید هر کسی که با AI Agent کار می‌کند، جدی بگیرد. فرمول اصلی ساده است: Agent = Model + Harness یعنی مدل هوش مصنوعی به‌تنهایی ایجنت نیست. چیزی که آن را به یک نیروی اجرایی قابل‌اعتماد تبدیل می‌کند، زیرساختی است که دور آن می‌سازیم. اما این زیرساخت از چه چیزهایی تشکیل می‌شود؟ ۱. Guides: قوانین و دستورالعمل‌هایی که تجربه شکست‌های قبلی را به دانش دائمی تبدیل می‌کنند. ۲. Sensors: تست‌ها، Linterها و ابزارهای اعتبارسنجی که اجازه نمی‌دهند هر خروجی اشتباهی به مرحله بعد برود. ۳. Agentic Loop: چرخه برنامه‌ریزی، اجرا، بررسی و اصلاح؛ با محدودیت بودجه و امکان ارجاع به انسان. ۴. External Memory: حافظه‌ای خارج از مدل برای حفظ تصمیم‌ها، وضعیت پروژه و دستاوردهای جلسات قبلی. ۵. Permissions: کنترل دسترسی ایجنت به ابزارها و تعیین مرز استقلال آن. ۶. Observability: ثبت و پایش تمام فعالیت‌ها، هزینه‌ها، خطاها و تلاش‌های مجدد. اما داستان اینجا تمام نمی‌شود! چند پروژه متن‌باز برای ورود عملی به این حوزه: 🔹 Google Harness² 🔹 Learn Harness Engineering 🔹 Awesome Agent Harness 🔹 Harness Engineering و حالا یک مفهوم جذاب‌تر: Graph Engineering تصور کن چند ایجنت مستقل داشته باشی که هرکدام Harness مخصوص خودشان را دارند. یکی تحقیق می‌کند، دیگری تحلیل می‌کند، سومی کدنویسی می‌کند و چهارمی خروجی را اعتبارسنجی می‌کند. حالا اگر یکی شکست بخورد، شکستش می‌تواند به سیگنالی برای اصلاح عملکرد بقیه تبدیل شود. اینجا دیگر با یک چت‌بات یا ایجنت ساده طرف نیستیم؛ با یک سیستم اجرایی چندایجنتی روبه‌رو هستیم. یک نکته که نباید فراموش کنیم: Hermes را می‌توان به‌عنوان محیط اجرای ایجنت در نظر گرفت؛ جایی که ابزارها، مهارت‌ها، حافظه و گردش‌کارها کنار هم قرار می‌گیرند. Harness Engineering کمک می‌کند این محیط را قابل‌کنترل، قابل‌اندازه‌گیری و قابل‌اعتماد کنیم. به نظرم آینده متعلق به کسانی نیست که صرفاً مدل قوی‌تری انتخاب می‌کنند؛ بلکه متعلق به کسانی است که سیستم بهتری دور مدل می‌سازند. مدل، مغز است؛ Harness، سیستم اجرایی؛ و Graph، شبکه همکاری مغزهاست.

我终于知道 Qwen4-27B 和 Qwen4-Next-Flash 迟迟不推出来的原因了。 昨天阿里只放了个限时两周的 Qwen4-Max API，大家苦等的开源权重连个影子都没有。直到我看到 Hermes 团队在 Hugging Face 挂出来的这张模型卡，瞬间懂了： 他们居然直接拿阿里开源的 Qwen3.8-27B 当底座，喂了 5300 万 token，模型卡第一行就贴脸开大：在这套中国模型上强化西方价值观。 这波操作我真服气了： 硅谷大厂全闭源，美国想训个西方价值观模型，居然不得不拿中国开源模型当底座。这哪叫消除偏见，分明就是把杭州的大脑换头成了旧金山的嘴。 社区做的无审查微调早就不稀奇了，但高调植入西方价值观贴脸赚流量，这简直把用心做开源的 Qwen 团队架火上烤。 真把开源搞没了，Hermes 团队以后就对着 OpenAI 和 Claude 的闭源 API 搞价值观换头吧。

这是 Hermes Desktop 的一个数据分析插件。把 Excel、CSV 或 JSON 表格放进去，AI 会先帮你找几个切入角度，在页面旁边给出标题和三五张图表建议，由你勾选采用。

6/ 真正高效的用法，不是争论哪个 Agent 最强，而是把正确的任务交给正确的 Agent。 Grok Bot负责知识工作，Muse处理网页事务，Hermes提供控制权，Dot管理长期项目。 即使只能选择一个，它们也足以成为日常主力。关键是开始真正使用，而不只是阅读别人如何使用。

1/ Dot、Muse、Grok Bot、Hermes都很强，但没有一个能包打天下。 它们分别擅长项目管理、网页任务、知识工作和高度定制。用错场景，能力会大打折扣；分配到合适的任务，才真正像拥有一支AI团队。 4个 Agent 应该怎么选👇

Having some fun doing my own Grok Bot @bot ( Dots, Muse ) alternative with @tan_stack start, @pidotdev + @Cloudflare durable objects! 💅 - Multi-harness Support - Multi Decision Room Routing ( Jev, LLM Judge, Roundtable ) - Memory for Bots, Rooms & Global - Reactions 👍 - Daemon runs locally + web on cloudflare - File Support with R2, Room data & Bot Data exportable on CF durable. Will open-source next week hopefully, so give a follow & stay tunned. I was going to use some open-source alternatives or fork them, but most of them are damn sloppy, my ideia is to use this for myself since OpenClaw & Hermes lack group collaboration & a proper mobile / responsive design. Dots is not available in EU, Grok is "locked" to grok models but for me its still the best in terms of UX/UI overall so congrats to Cursor & Xai Team :p