Hermes多Agent实操详解

来源：互联网 2026-07-18 06:24:14

Hermes通过多Agent流水线将调研、写作、审校拆分为并行任务，支持YAML配置或PythonAPI实现DAG调度，10分钟可完成初稿。相比单Agent串行，耗时节省33%，准确率提升至90%以上，且上下文分解更干净，Token总成本可控。实操需注意工具集最小化、显式声明role=leaf防止递归等要点。

查资料1小时、写稿2小时、审校30分钟、配图20分钟——每个环节都得等前一个AI跑完才能开始下一个。说到底，这哪是在写文章，分明是在陪AI排队。

这篇要解决的就是这件事：用Hermes搭一个3 Agent流水线，把调研、写作、审校三件事拆给三个AI并行跑，整篇压缩到10分钟出初稿。

长期稳定更新的攒劲资源： >>>点此立即查看<<<

Hermes多Agent实操详解

一、Hermes 是谁？跟 Claude Code 差在哪

如果你用过Claude Code或Cursor，Hermes上手几乎没成本。它就是一个跑在终端里的AI袋里，但多了一层派发能力。

最直观的对比：

Claude Code / Cursor：你打开一个tab，AI在里面干活，干完你接着提需求。
Hermes：你打开一个tab，AI叫出另外几个tab一起干。Hermes负责拆任务、传上下文、收结果。

Hermes比单Agent工具多出来的核心能力就三件：

多Provider路由。一条命令切OpenAI / Anthropic / Google / xAI后端，业务代码不用动。
多Agent派发。delegate_task()拉起子Agent，每个子Agent独立上下文，互不污染。
Skills系统。把写公众号、做调研、出配图prompt这些套路写成SKILL.md，Agent加载就会用。

剩下的toolsets（白名单授权）、profiles（多场景隔离）、depends_on（DAG调度）都是配套的工程能力。

只想跑单Agent串行活，Claude Code够用。但凡你想让多个步骤并发、让上下文拆分不互相污染、让工具按Agent最小授权，Hermes的多Agent模型就是为这些场景做的。

二、10 分钟起一个 3 Agent 流水线

不再绕弯子。咱们直接上手。

2.1 装环境

# PyPI 一行装（推荐新手）
pip install hermes-agent
# 启动 REPL
hermes chat
# 切到你想用的模型
hermes config set provider anthropic
hermes config set model claude-sonnet-4

装完跑hermes tools看下当前账号可用的工具集。默认会有browser / file / terminal / web / image_gen / delegation / search这几类。

2.2 写一份 YAML 配置

Hermes的精髓在YAML流水线配置文件。把Agent当成函数声明，依赖关系写在depends_on里，Hermes自己按DAG排调度。

下面这份配置就是公众号写作流水线的最小可运行版本。5个Agent、5个文件产物、链式DAG调度。

# =========================================================
# Hermes 多 Agent 流水线：公众号写作 5 步曲
# 跑法：hermes run --config hermes_agents.yaml --topic "Hermes 入门"
# =========================================================
agents:
  topic_scout:                     # 第 1 步：选题侦察兵
    model: anthropic/claude-sonnet-4
    toolsets: [web, search]        # 只给联网 + 搜索，文件操作不要开
    role: leaf                     # 关键：声明 leaf，禁止递归 spawn
  researcher:                      # 第 2 步：资料研究员
    model: anthropic/claude-sonnet-4
    toolsets: [file, web]          # file 用来读 01-topics.md、写出 02-research.md
    role: leaf
  writer:                          # 第 3 步：执笔写手
    model: anthropic/claude-sonnet-4
    toolsets: [file, skills]       # skills 让它能加载「公众号写作」技能
    role: leaf
  editor:                          # 第 4 步：审校编辑
    model: anthropic/claude-sonnet-4
    toolsets: [file]               # 最小集：只让它改文件
    role: leaf
  illustrator:                     # 第 5 步：配图提示词
    model: anthropic/claude-sonnet-4
    toolsets: [skills]             # 用 image_gen 技能生成配图 prompt
    role: leaf
pipeline:
  - call: topic_scout               # 入口节点，无需 depends_on
    goal: "为「{TOPIC}」出 3 个公众号选题候选，输出到 01-topics.md"
  - call: researcher
    goal: "基于 01-topics.md 整理 6 section 研究资料包到 02-research.md"
    depends_on: topic_scout
  - call: writer
    goal: "据 02-research.md 起草 2500-3000 字实操教程到 03-draft.md"
    depends_on: researcher
  - call: editor
    goal: "审校 03-draft.md，输出三栏 Markdown 表格存到 04-review.md"
    depends_on: writer
  - call: illustrator
    goal: "为 03-draft.md 配 2-3 张图，给出图名+节点文字+用途"
    depends_on: editor

这里有几个细节需要注意：

role: leaf必须显式写。不写默认是general，子Agent自己会spawn孙子Agent，token几分钟烧光。
toolsets走白名单，能少一个就少一个。Editor只给file，连web都不开。
depends_on替代手写串行，你只声明依赖，Hermes自己排调度。

2.3 嫌 YAML 不够灵活？上 Python

YAML适合配置固定的流水线。想动态生成任务、加条件分支、用Python拼装任务列表，就走delegate_task API。

下面这段Python是同样的5步流水线，能看出它和YAML的对应关系。YAML是声明式，Python是命令式，干的事一样。

"""
Hermes 多 Agent 流水线 —— Python 入口
跑法：python run_pipeline.py
依赖：pip install hermes-agent
"""
from hermes_tools import delegate_task   # Hermes 官方派发 API
# ----------------------------------------------------------------
# 1) 定义 5 个子 Agent 任务（顺序由 depends_on 字段控制）
# ----------------------------------------------------------------
tasks = [
    {
        "goal": "你是 topic_scout。用户主题：{TOPIC}。请用 web+search 工具调研，"
                "输出 3 个公众号选题候选到 01-topics.md。",
        "toolsets": ["web", "search"],
        "role": "leaf",                # 关键：明确 leaf，禁止递归
    },
    {
        "goal": "你是 researcher。据 01-topics.md 整理 6 section 资料包"
                "（核心概念/代码/坑点/最佳实践/参考/配图）写到 02-research.md。",
        "toolsets": ["file", "web"],
        "role": "leaf",
        "depends_on": ["topic_scout"],
    },
    {
        "goal": "你是 writer。据 02-research.md 起草 2800 字实操教程，"
                "输出到 03-draft.md，必须有 YAML + Python 两段代码。",
        "toolsets": ["file", "skills"],
        "role": "leaf",
        "depends_on": ["researcher"],
    },
    {
        "goal": "你是 editor。审校 03-draft.md，输出三栏 Markdown 表格"
                "（原文 / 问题 / 建议）到 04-review.md。",
        "toolsets": ["file"],
        "role": "leaf",
        "depends_on": ["writer"],
    },
    {
        "goal": "你是 illustrator。为 03-draft.md 配 2-3 张图，"
                "给出图名+用途+节点文字到 05-illustrations.md。",
        "toolsets": ["skills"],
        "role": "leaf",
        "depends_on": ["editor"],
    },
]
# ----------------------------------------------------------------
# 2) 一次性派发：Hermes 默认就是批派发，主 Agent 不阻塞
#    Hermes 会按 tasks 里的 depends_on 字段自动排 DAG，
#    没有依赖的同级任务自动并发跑。
# ----------------------------------------------------------------
results = delegate_task(
    tasks=tasks,
    shared_context={"TOPIC": "Hermes Agent 入门：多 Agent 协作"},
)
# ----------------------------------------------------------------
# 3) 打印每个子 Agent 的 summary（调试用）
# ----------------------------------------------------------------
for r in results:
    print(f"[{r['agent']}] -> {r['summary']}")

注意，这里没有像一些老博客那样硬写parallel=True。Hermes的delegate_task(tasks=[...])默认就是批派发，依赖关系由depends_on字段决定。它会自动识别哪些任务没依赖、把没依赖的扔到并发队列里跑。parallel=True是早期接口的遗留，新版API不用管。

跑完之后results是个列表，每个元素是{"agent": ..., "summary": ..., "output_path": ...}。要拿哪个文件直接读output_path。

三、单 Agent 串行 vs 3 Agent 并行，差距有多大

跑通之后你大概率会问：不就比单Agent多个并发？真有那么神？

有。拿数据说话。

Anthropic 2024年的多Agent调研系统报告里有一组数据：开放研究类任务（多跳问题、跨源综合），多Agent架构比单Agenttoken消耗约4倍，但准确率从基线60%提升到90%+。

直观点拆开看。

Hermes多Agent实操详解

维度	单Agent串行	3 Agent并行
步骤	调研 → 写作 → 审校（必须等前一步）	调研 ‖ 写作（依赖调研）→ 审校
耗时	60s + 90s + 30s = 180s	60s ‖ 90s → 30s = 120s
上下文	单上下文80k token（所有东西塞一起）	拆3份上下文，各30k token
准确率	基线60%	90%+（Anthropic 2024多Agent调研报告，原文baseline ~60%）
Token总成本	1×	约1.4×（端到端，分摊后；内部单次调研4×）

由此可以得出几个结论：

耗时省33%。本流水线写作和审校是链式依赖（写作depends_on调研、审校depends_on写作），不能硬并发。但3 Agent上下文拆分让每个子Agent都能在前一个还没完全结束时就启动下一段准备。比如writer等调研结果时，editor已经把上次的prompt模板加载好，调研一回来就立刻接上。这才是省33%的真正机制，不是DAG并发。
上下文干净。单Agent跑完一篇文章，context里塞了选题、查到的所有网页、中间稿、审校意见……再跑第二个任务就稀里哗啦。3 Agent拆分后，每个子Agent上下文清爽，幻觉率明显降。
Token总成本没爆炸。很多人听到多Agent就担心token翻4倍。其实单Agent串行重试的token浪费更猛，一次跑崩就得从头再来。多Agent拆开能断点重跑，省的是这个钱。需要注意的是，Anthropic 2024报告里4×指的是单次调研任务内部token增长（4个并行调研员各跑一遍），而端到端多Agent任务总成本分摊后大约1.4×，别混着说。

但多Agent不是万灵药。简单任务（步骤 ≤ 3、上下文 ≤ 50k、工具 ≤ 3个）用单Agent更省心。硬上多Agent反而是给自己找事。

判断标准很简单：你的活能不能一句话讲完目标。能，单Agent；不能，多Agent。