企业官网建设流程全解析

1. 先搞清楚 Hermes Agent 到底在解决什么问题

Hermes Agent 是 Nous Research 开源的一个通用 Agent 系统，官方给它贴的标签是“The self-improving AI agent”。它和 OpenClaw 常被放在一起比较，但两者的重心并不一样：OpenClaw 更像控制面，管入口、会话、权限和路由；Hermes 更像学习循环，管执行过程中沉淀下来的方法和经验。换句话说，OpenClaw 存储你说了什么，Hermes 存储它学到了什么。

这个“学到了什么”的载体就是 Skill。它不是插件，也不是扩展，而是 Agent 在完成复杂任务后自动生成的一份操作手册，文件名固定为 SKILL.md。格式很朴素：YAML 头部写名称、描述、标签、版本，Markdown 正文写使用场景、操作步骤、常见坑和验证方法。文件默认落在~/.hermes/skills/目录下。

对开发者来说，Hermes 最值得上手的点有两个：一是 Skill 的目录结构和加载机制足够透明，你可以直接读、直接改；二是 Learning Loop 的触发条件明确，不是玄学。简单问答不会触发，只有成功完成 5 次以上 tool call 的复杂任务，Agent 才会抽象步骤、生成或 patch SKILL.md。这篇文章就围绕这两点，把配置骨架和验证动作拆开讲清楚。

2. 前置准备：TaoToken 接入与 Hermes 环境

在动手写 SKILL.md 之前，先把模型接入这一层理顺。Hermes Agent 本身不绑定特定模型供应商，你可以通过兼容 OpenAI 协议的方式接入。我这边习惯用 TaoToken 来做模型接入层，原因是它的 API 地址和 Key 管理比较直接，调试 Agent 时切换模型不用改太多配置。

你需要先拿到一个可用的 API Key。打开 TaoToken 控制台，在 API Keys 页面创建一个新 Key，复制出来备用。控制台地址是 https://taotoken.net/console ，接入文档在 https://taotoken.net/doc ，这两个页面建议都开着，后面配 config.toml 时会反复对照。

模型对话调试可以用 https://taotoken.net/models ，如果你想先确认某个模型能不能正常返回，在这里发一条测试消息最快。长期跑编码类 Agent 任务的话，Coding Plan 页面 https://taotoken.net/coding-plan 有对应的套餐说明，按自己的调用量选就行。

环境这边，Hermes Agent 需要 Python 3.10 以上，建议用虚拟环境隔离。装完之后确认hermes命令能跑起来，再往下走。API 基础地址填https://taotoken.net/api，注意这个地址不带任何查询参数，Key 放在 Authorization 头里。

3. 可复制配置：SKILL.md 目录结构与 config.toml 骨架

先看目录结构。Hermes 的 Skill 按类别分目录，每个 Skill 一个文件夹，里面至少有一个 SKILL.md。下面是我实测下来比较清晰的一种组织方式：

~/.hermes/ ├── config.toml └── skills/ ├── creative/ │ └── architecture-diagram/ │ └── SKILL.md ├── devops/ │ └── deploy-check/ │ └── SKILL.md └── research/ └── code-survey/ └── SKILL.md

SKILL.md 的 YAML 头部字段不多，但每个都有用。下面是一个可直接复制的骨架，我以 architecture-diagram 为例：

--- name: architecture-diagram description: 根据技术栈描述生成系统架构图，输出独立 HTML 文件 tags: - diagram - architecture - svg version: 1.2.0 --- ## 使用场景 当用户要求绘制系统架构图、部署拓扑图或技术栈关系图时使用本 Skill。 ## 操作步骤 1. 分析需求，识别组件数量与层级关系 2. 规划布局，计算各组件坐标 3. 生成 SVG，按技术产品 logo 色填充 4. 包装成独立 HTML 文件 5. 输出文件路径并提示用户打开 ## 常见坑 - 组件超过 8 个时布局容易重叠，需增加间距校验 - 连线路由在密集场景下会交叉，需做避让处理 ## 验证方法 - 打开生成的 HTML，确认组件无重叠 - 确认连线不穿过组件色块 - 确认文件可独立在浏览器中渲染

config.toml 这边，核心是把模型接入和 Skill 目录指对。下面这份骨架可以直接改：

[model] provider = "openai-compatible" base_url = "https://taotoken.net/api" api_key = "sk-你的Key" model_name = "gpt-4o" [agent] skill_dir = "~/.hermes/skills" learning_loop = true min_tool_calls_for_skill = 5 [logging] level = "info" file = "~/.hermes/hermes.log"

min_tool_calls_for_skill这个参数就是 Learning Loop 的触发门槛，默认 5。你如果想让 Skill 生成更保守，可以调到 8；想更激进，调到 3 也行，但生成质量会下降。learning_loop = true必须开，否则 Agent 只执行不沉淀。

4. 验证请求：跑一次 Skill 加载与 Learning Loop 触发

配置写完之后，先验证 Skill 能不能被正确加载。启动 Hermes，在交互界面里输入一条会命中 architecture-diagram 的请求：

画一个 React + Node.js + PostgreSQL + Redis + S3 的系统架构图

如果 Skill 加载正常，Hermes 会调用 architecture-diagram，按 7 步走完：分析需求、规划布局、计算坐标、生成 SVG、包装 HTML、输出文件、提示打开。你会在输出里看到类似Skill loaded: architecture-diagram v1.2.0的日志行。

接着验证 Learning Loop。这里要构造一个能触发 5 次以上 tool call 的复杂任务，比如：

帮我检查当前项目的依赖，找出有安全漏洞的包，生成修复建议，并画一张依赖关系图

这个任务会触发多次工具调用：读 package.json、查漏洞库、生成建议、调用 architecture-diagram 画图。跑完之后看日志：

tail -f ~/.hermes/hermes.log | grep -i "skill"

如果 Learning Loop 生效，你会看到类似Skill candidate generated: dependency-audit的记录，同时~/.hermes/skills/下会多出一个新目录。打开里面的 SKILL.md，内容就是 Agent 根据这次执行抽象出来的步骤。这就是自进化的最小闭环：执行、抽象、落盘、下次复用。

想进一步验证 Skill 质量，可以把生成的 SKILL.md 喂给 Anthropic 官方的 skill-creator 工具。它会跑 eval 用例、给质量评分、指出问题。我试过一次，它指出了布局重叠和验证步骤不完整两个真实问题，改完再跑分数确实上去了。

5. 本篇常见错排查

Skill 不加载：先确认skill_dir路径没写错，~在 toml 里不一定被展开，建议写绝对路径。再确认 SKILL.md 的 YAML 头部格式正确，---不能少，字段缩进用空格不用 Tab。

Learning Loop 不触发：检查learning_loop是否为 true，min_tool_calls_for_skill是否设得过高。另外简单问答不会触发，必须是有实际工具调用的复杂任务。如果日志里连 tool call 记录都没有，说明模型没走工具调用，检查 base_url 和 Key 是否正确。

API 返回 401：Key 复制时带了空格，或者 base_url 写成了带路径的形式。正确写法是https://taotoken.net/api，不要在后面加/v1之类。Key 放在api_key字段，不要手动加Bearer前缀，Hermes 会自己加。

生成的 SKILL.md 内容空泛：这是触发门槛太低导致的。把min_tool_calls_for_skill调到 8 以上，让 Agent 只在真正复杂的任务后才沉淀。另外可以在 config.toml 里加一段 prompt 约束，要求生成的步骤必须包含具体命令或参数。

Skill 之间冲突：同名 Skill 放在不同目录下会按加载顺序覆盖。建议每个 Skill 的name字段全局唯一，目录名和 name 保持一致，排查时用hermes skill list看实际加载了哪些。

6. 把 Skill 用起来：从单次验证到长期运行

跑通一次验证只是起点。Hermes 的价值在于 Skill 越用越精准，而这个过程依赖真实任务的反复积累。你可以在本地持续跑，让~/.hermes/skills/慢慢长出自己的方法库；也可以把 Agent 放到长期在线的环境里，让它 7x24 小时待命，随时复用积攒下来的 SKILL.md。

如果你已经过了本地尝鲜阶段，想让专属 Agent 常驻并持久化 Skill，可以走云端部署这条路。部署完之后，Agent 生成的每个 SKILL.md 都会留在云端，下次调用直接加载，不用重新积累。模型接入层继续用 TaoToken 的 API 就行，Key 和 base_url 在云端配置里填一遍即可。

接入相关的细节，API Keys 在 https://taotoken.net/api-keys ，文档在 https://taotoken.net/doc ，模型调试在 https://taotoken.net/models 。长期跑编码类任务的话，Coding Plan 页面 https://taotoken.net/coding-plan 有对应的方案说明。Claude Code 相关的接入参考 https://taotoken.net/claude-code 。

最后提醒一句：Skill 是“记笔记”，不是“微调训练”。它不会改变模型权重，只是把成功路径写成结构化文档留给下次参考。极端复杂场景下，生成的 SKILL.md 仍然需要人工审核和微调。但方向是对的——让 Agent 在真实任务中积累经验，而不是每次从零开始。