企业官网建设流程全解析

1. 从“龙虾”到“爱马仕”：为什么你的 Agent 需要一次自进化 Harness 改造

如果你最近在折腾 AI Agent，大概率听过 OpenClaw 这个名字。2025 年底它靠“连接一切”的插件生态冲上 30 万 Star，很多人第一次感受到 Agent 能帮自己干活。但用久了你会发现一个尴尬的现实：它每次任务都是“失忆”的。今天你教它用某个内部 API 查数据，明天它照样从头问你一遍。除非你手动去写 AGENTS.md、SOUL.md、USER.md 那一堆配置文件，否则它永远停在原地。

Hermes 走的是另一条路。它的官方定位就一句话：“The agent that grows with you.” 翻成大白话就是——你用得越久，它越懂你。核心差异不在“它能做什么”，而在“它做完之后会发生什么”。OpenClaw 做完就结束，Hermes 做完会复盘、会提炼、会写技能、会改自己的技能文件。

这篇文章不讲空泛的架构图，我直接带你在本地跑通一次完整的自进化循环。你会拿到可复制的config.toml骨架、CC Switch 的配置片段，以及验证“自进化触发链路”是否真的生效的操作步骤。适合已经用过 OpenClaw 或任意 Agent 框架、想升级到“进化型”工作流的开发者。读完你能自己判断：我的场景到底该继续用连接型，还是切到进化型。

先说清楚一个概念。Harness 这个词在 Agent 语境里，指的是模型之外那一整套“让模型能稳定干活”的工程结构：约束层、记忆层、反馈层、编排层、工具层。手动 Harness 靠人写配置，自动 Harness 靠系统自己进化。Hermes 把五大组件全部内置并自动运转，这才是它接棒 OpenClaw 的真正原因。

2. TaoToken 前置：给 Hermes 接上稳定的模型调用底座

Hermes 本身是个 Agent 框架，它不生产模型，只负责调度模型。所以你要跑通自进化循环，第一步是给它一个稳定的模型调用入口。我实测下来，用 TaoToken 做底座比较省心，因为它同时兼容 OpenAI 和 Anthropic 两套协议，Hermes 里切换模型不用改代码。

你需要的三件套是：Base URL、API Key、Model ID。这三个东西在 Hermes 的config.toml里对应base_url、api_key、model三个字段。很多人卡在第一步就是因为把 Base URL 写成了官网首页，正确写法是 API 端点。

先拿到 Key。打开 https://taotoken.net/api-keys ，登录后创建一个新 Key，复制出来。注意这个 Key 只在创建时显示一次，丢了就得重建。

然后确认你的 Base URL。TaoToken 的 API 端点是https://taotoken.net/api，注意不要带任何多余路径。如果你用的是 OpenAI 兼容模式，Hermes 会自动在末尾拼/v1/chat/completions；如果你用 Anthropic 兼容模式，它会拼/v1/messages。两种模式在 Hermes 里通过provider字段区分。

Model ID 这块，你可以先去 https://taotoken.net/models 看一眼当前可用的模型列表。选一个你预算和延迟都能接受的，比如做自进化复盘这种任务，用中等能力的模型就够了，没必要上最贵的。因为自进化循环会频繁调用模型做“提炼技能”和“评估效果”，token 消耗比普通对话高不少。

这里有个坑要提前说：Hermes 的自改进学习循环默认会在任务结束后触发一次“复盘调用”，如果你的模型响应太慢，整个循环会卡住。所以建议给复盘单独配一个快模型，主任务用强模型。这个在后面的config.toml里我会给出双模型配置。

如果你还没决定用哪个模型，可以先到 https://taotoken.net/chat 里手动对话几次，感受一下不同模型的风格，再决定往 Hermes 里填哪个 Model ID。这一步花五分钟，能省掉后面反复改配置的麻烦。

3. 可复制配置：config.toml 骨架 + CC Switch 片段

这一节是全文的核心，你直接抄就行。Hermes 的配置文件默认在~/.hermes/config.toml，如果你用 Docker 部署，就是容器里的/root/.hermes/config.toml。下面这份骨架我按“能跑通自进化循环”的最小可用集来写，每个字段都标了作用。

# ~/.hermes/config.toml # Hermes 自进化 Harness 最小可用配置 [agent] name = "hermes-local" workspace = "~/.hermes/workspace" log_level = "info" # ---------- 模型调用底座 ---------- [model] provider = "openai" # 或 "anthropic" base_url = "https://taotoken.net/api" # 注意不要带 /v1 api_key = "sk-你的TaoToken密钥" model = "你的主任务模型ID" # 从 taotoken.net/models 选 # 复盘专用快模型，自进化循环高频调用 [model.review] provider = "openai" base_url = "https://taotoken.net/api" api_key = "sk-你的TaoToken密钥" model = "你的快模型ID" # ---------- 三层记忆 ---------- [memory.session] backend = "sqlite" db_path = "~/.hermes/session.db" fts5_enabled = true max_turns_per_session = 50 [memory.persistent] backend = "chromadb" path = "~/.hermes/persistent" embedding_model = "all-MiniLM-L6-v2" [memory.skill] path = "~/.hermes/skills" auto_learn_enabled = true min_tool_calls_to_create_skill = 5 version_control = "git" # ---------- 自进化开关 ---------- [evolution] enabled = true auto_skill_creation = true auto_skill_evolution = true [evolution.triggers] failure_rate_threshold = 0.1 # 失败率 >10% 触发 user_feedback_threshold = 2 # 低分反馈 ≥2 次触发 [evolution.circuit_breaker] enabled = true max_failed_improvements = 3 cooldown_minutes = 30 # ---------- 安全边界 ---------- [security.sandbox] enabled = true type = "docker" workspace_access = "ro" max_commands_per_minute = 10 timeout_seconds = 30 [security.approval] require_user_approval = true dangerous_patterns = [ "rm\\s+-rf\\s+", "DROP\\s+(TABLE|DATABASE)", "sudo", "chmod\\s+777", "\\|\\s*sh", "dd\\s+if=/dev/zero" ] # AI 不可修改的区域 [evolution.immutable_configs] paths = [ "security.sandbox", "security.approval.dangerous_patterns", "evolution.immutable_configs" ]

这份配置里最关键的是[evolution]段和[model.review]段。前者决定自进化循环开不开，后者决定循环跑得快不快。我踩过的坑是：一开始只配了主模型，结果每次任务结束后的复盘调用都走同一个慢模型，一个循环要等两分钟。后来拆出review模型，循环时间降到 20 秒以内。

接下来是 CC Switch 的配置片段。CC Switch 是用来在多个模型供应商之间快速切换的工具，Hermes 配合它用，可以在“主任务用强模型、复盘用快模型”之间自动切换。配置文件在~/.cc-switch/config.json：

{ "providers": [ { "name": "taotoken-main", "base_url": "https://taotoken.net/api", "api_key": "sk-你的TaoToken密钥", "model": "你的主任务模型ID", "protocol": "openai" }, { "name": "taotoken-review", "base_url": "https://taotoken.net/api", "api_key": "sk-你的TaoToken密钥", "model": "你的快模型ID", "protocol": "openai" } ], "routing": { "default": "taotoken-main", "review": "taotoken-review" } }

注意base_url三处必须完全一致，都是https://taotoken.net/api。我见过有人主配置写对了，CC Switch 里手滑写成https://taotoken.net/api/v1，结果 404。三件套（Base URL + Key + Model ID）在任何一处出现，都要保证完整且一致。

配置写完，跑一次hermes init --check验证语法。如果输出config valid，说明骨架没问题。如果报unknown field，多半是你抄的时候多了空格或少了引号。

4. 验证请求：跑通一次完整的自进化循环

配置就绪后，我们要验证的不是“Agent 能不能对话”，而是“自进化触发链路能不能跑通”。这一步很多人跳过，结果用了两周发现技能目录一直是空的。

先启动 Hermes：

hermes run --config ~/.hermes/config.toml

启动后你会看到日志里出现memory layer initialized、evolution loop armed两行，说明三层记忆和自进化循环都加载了。如果只看到第一行，检查[evolution] enabled是不是true。

接下来制造一个“值得被提炼”的任务。自进化的触发条件之一是“工具调用 ≥5 次”。所以我们给 Agent 一个需要多步操作的任务，比如：

hermes task "帮我把 ~/data 目录下所有 csv 文件合并成一个，并统计每列的空值率"

这个任务会触发文件遍历、读取、合并、统计等多个工具调用。任务执行时你盯着日志，会看到tool_call计数往上走。当计数超过 5，任务结束后日志里应该出现：

[evolution] task completed, tool_calls=7 [evolution] skill candidate detected [evolution] writing skill to ~/.hermes/skills/csv-merge-nullrate.md

看到这三行，说明自进化循环真的触发了。去~/.hermes/skills/目录下看一眼，应该多了一个 Markdown 文件。打开它，里面是 Agent 自己总结的“合并 CSV 并统计空值率”的方法论，包含步骤和注意事项。

然后验证“跨会话召回”。新开一个会话，问一个相关但不完全相同的问题：

hermes task "上次那个 csv 合并的脚本，能改成处理 tsv 吗"

如果 Agent 直接引用了刚才那个 skill 文件的内容，而不是从头问你“什么是 csv”，说明 FTS5 全文检索和技能召回都生效了。日志里会出现skill recalled: csv-merge-nullrate。

最后验证“技能自改进”。对刚才的任务给一个低分反馈：

hermes feedback --last --score 1 --comment "空值率统计应该排除全空列"

连续给两次低分（user_feedback_threshold = 2），第三次任务结束后，日志里应该出现skill evolution triggered，然后~/.hermes/skills/csv-merge-nullrate.md的内容会被自动修改，加入“排除全空列”的逻辑。你可以用git log在 skills 目录里看到这次自动提交。

到这里，一次完整的“执行 → 提炼 → 召回 → 改进”循环就跑通了。整个过程不需要你手动写任何 skill 文件，这就是自动 Harness 和手动 Harness 的本质区别。

5. 本篇常见错排查：401、local proxy failed、reading choices、OAuth

自进化循环跑不通，九成问题出在模型调用层，而不是 Hermes 本身。下面这几个报错我都在真实环境里遇到过，按顺序排查基本能解决。

报错一：401 Unauthorized

Error: model request failed: 401 Unauthorized

这是 Key 的问题。先确认config.toml里api_key字段没有多余空格，然后确认这个 Key 在 https://taotoken.net/api-keys 里还是 active 状态。如果 Key 没问题，检查base_url是不是写成了https://taotoken.net/api/（末尾多了斜杠），有些 HTTP 客户端会把双斜杠当成路径错误，导致鉴权头没带上。正确写法就是https://taotoken.net/api，不带末尾斜杠。

报错二：local proxy failed

Error: local proxy failed: connection refused

这个报错通常出现在你本地配了某个转发工具，但工具没启动。Hermes 本身不需要任何本地转发，它直接请求base_url。如果你看到这个错，先检查环境变量里有没有HTTP_PROXY、HTTPS_PROXY之类的设置，有的话临时 unset 掉再启动 Hermes。另外 Docker 部署时，容器内的localhost指向容器自己，不是宿主机，如果你在配置里写了localhost相关的地址，改成实际可达的地址。

报错三：reading choices

Error: reading choices: unexpected end of JSON input

这个报错说明模型返回了空响应或非 JSON 格式。常见原因是 Model ID 写错了，请求打到了一个不存在的模型上，服务端返回了错误页而不是 JSON。去 https://taotoken.net/models 核对一下你填的 Model ID 是否在列表里。另一个原因是provider字段和实际协议不匹配，比如你填了anthropic但 Base URL 走的是 OpenAI 兼容端点，返回格式对不上。把provider改成openai再试。

报错四：OAuth 相关错误

Error: oauth token expired

Hermes 某些版本会尝试用 OAuth 方式鉴权，但 TaoToken 用的是 API Key 模式。如果你看到 OAuth 报错，说明配置里混入了 OAuth 相关的字段。检查config.toml里有没有oauth_token、refresh_token之类的键，全部删掉，只保留api_key。然后在 CC Switch 的config.json里也确认protocol是openai或anthropic，不是oauth。

报错五：自进化循环不触发

日志里没有任何[evolution]开头的行。先确认[evolution] enabled = true，再确认min_tool_calls_to_create_skill没有被你调得过高（默认 5）。如果任务确实调用了 5 次以上工具但没触发，检查[evolution.circuit_breaker]是不是处于熔断状态——连续 3 次改进失败后会冷却 30 分钟，日志里会有circuit breaker open。等冷却结束或把max_failed_improvements临时调大。

排查顺序建议：先看 401，再看 base_url，再看 Model ID，最后看 evolution 开关。这四步能覆盖 95% 的问题。

6. 长期编码与 Agent 工作流：把自进化 Harness 用起来

跑通一次循环只是开始，真正有价值的是把它变成日常。如果你打算长期用 Hermes 做编码或 Agent 任务，有几个实践建议。

第一，给不同任务类型配不同的模型路由。写代码用强模型，复盘和技能提炼用快模型，这个在[model.review]里已经配好了。如果你任务量大，可以考虑上 Coding Plan，把模型调用成本压下来，具体可以看 https://taotoken.net/coding-plan 。

第二，定期检查~/.hermes/skills/目录。自进化会不断往里写文件，时间长了可能积累一些低质量技能。建议每周用git log看一眼自动提交记录，把明显没用的 skill 删掉。Hermes 不会自动删除技能，只会新增和修改，所以人工清理是必要的。

第三，安全边界不要动。[evolution.immutable_configs]里列的那些路径，是防止 AI 自己改自己的安全规则。我见过有人为了“让 Agent 更自由”把security.sandbox从 immutable 列表里删掉，结果 Agent 在一次任务里尝试执行rm -rf被沙箱拦了，但因为它能改沙箱配置，第二次就绕过去了。这个口子绝对不能开。

第四，如果你想在 Claude Code 或类似工具里复用这套 Harness 思路，可以参考 https://taotoken.net/doc 里的接入文档，把 Base URL 和 Key 填进去，Model ID 选一个支持长上下文的。Claude Code 的配置文件和 Hermes 不通用，但三件套的逻辑是一样的。

第五，自进化循环的 token 消耗比普通对话高，因为每次任务结束都要额外调一次复盘模型。如果你发现账单涨得快，先把auto_skill_evolution关掉，只保留auto_skill_creation，等技能库稳定了再开进化。或者把复盘模型的max_tokens调小，复盘不需要长篇大论。

最后说一个我自己的用法：我把 Hermes 挂在服务器上，用 cron 每天凌晨跑一次“技能库整理”任务，让它自己回顾过去 24 小时的技能文件，合并重复的、删除过时的。这个任务本身也会触发自进化，相当于 Agent 在“睡觉时”整理自己的记忆。跑了一周后，技能库从 40 多个文件精简到 18 个，召回准确率反而提升了。

如果你还没开始，现在就可以按第 3 节的配置抄一份，跑第 4 节的验证流程。第一次看到 Agent 自己写出 skill 文件的时候，你会明白“进化型”和“连接型”的差距到底在哪。