全面超越「龙虾」的「爱马仕」，给国产Agent上了一课

回顾AI Agent这一年多的发展轨迹，我们看到了一个清晰的演进脉络：从「展示想象力」到「解决真问题」。OpenClaw用「AI自动控制电脑」的愿景打开了用户的想象空间，Hermes则开始收拾Agent落地之后留下的一系列工程难题。两者的境遇并非简单的胜负之分，而是代表了AI Agent发展的两个必经阶段——先让人看到可能性，再让人信任它能稳定工作。对于正在这条路上探索的开发者而言，或许该是时候把注意力从「Agent能做什么」转向「Agent怎样做对」了。

自我验证：解决「既当运动员又当裁判」的根本矛盾

Nous Research开发的Hermes（爱马仕）正在重新定义开源Agent的标准。最新发布的v0.18.0版本带来了两项关键升级：Mixture-of-Agents（MoA）多智能体协作架构和基于证据的Agent自我验证机制。这两项看似并不惊艳的更新，却直击当前AI Agent面临的核心痛点——可靠性与可验证性。

多智能体协作：不止于「人多力量大」

用过AI Agent的用户可能都遇到过这种哭笑不得的场景：让Agent修改一段代码，它回复「问题已解决」，但实际运行发现连构建都没有通过；或者让它整理一份资料，它声称已完整覆盖所有来源，仔细核对却发现好几条关键事实根本没有验证。这并非模型故意撒谎，而是其内在机制的必然缺陷——负责执行任务的是它，负责判断任务是否完成的还是它。

从「我觉得完成了」到「这是证据，所以可以结束」

Hermes v0.18.0引入了基于证据的验证机制。在处理编程任务时，系统会主动运行测试、检查构建结果和文件状态，将这些客观结果作为完成依据。更值得关注的是新增的completion contract功能：用户可以预先定义任务的退出条件，Agent必须达到这些条件才能停止执行循环。这意味着过去的Agent是说「我觉得做完了」，而Hermes则会补上一句：「这是测试结果，这是生成的文件，这是完成条件，所以这件事可以结束了。」这种设计哲学的转变，实际上呼应了Anthropic等头部公司一直在倡导的Loop工程理念——目标驱动的执行循环。

透明化的学习循环

除了验证机制，v0.18.0还完善了两项用户期待已久的功能——/learn和/journey。Hermes一直强调其学习循环能力，可以将完成任务时积累的方法整理成可复用的Skill。但此前这套学习过程多少有些黑箱——Agent学到了什么、为什么形成这套方法、错误经验有没有被保存，用户几乎无从得知。现在用户可以直接让Hermes从网页、文件夹或已完成的工作流中提取知识，通过/journey查看、修改甚至删除这些经验。桌面端还增加了记忆图谱功能，将Agent长期积累的内容可视化呈现。

如有侵权，请联系删除。