查資料 1 小時、寫稿 2 小時、審校 30 分鐘、配圖 20 分鐘。每個環(huán)節(jié)都得盯著前一個 AI 跑完才能開始下一個。我后來意識到，我不是在寫文章，我是在陪 AI 排隊。

這篇要解決的就是這件事：用 Hermes 搭一個 3 Agent 流水線，把調(diào)研、寫作、審校三件事拆給三個 AI 并行跑，整篇壓縮到 10 分鐘出初稿。

一、Hermes 是誰？跟 Claude Code 差在哪

用過 Claude Code 或 Cursor 的話，Hermes 上手幾乎沒成本。它就是一個跑在終端里的 AI 代理，但多了一層派發(fā)能力。

最直觀的對比：

• Claude Code / Cursor：你打開一個 tab，AI 在里面干活，干完你接著提需求。
• Hermes：你打開一個 tab，AI 叫出另外幾個 tab 一起干。Hermes 負責拆任務、傳上下文、收結(jié)果。

Hermes 比單 Agent 工具多出來的核心能力就三件：

1. 多 Provider 路由。一條命令切 OpenAI / Anthropic / Google / xAI 后端，業(yè)務代碼不用動。
2. 多 Agent 派發(fā)。delegate_task() 拉起子 Agent，每個子 Agent 獨立上下文，互不污染。
3. Skills 系統(tǒng)。把寫公眾號、做調(diào)研、出配圖 prompt 這些套路寫成 SKILL.md，Agent 加載就會用。

剩下的 toolsets（白名單授權(quán)）、profiles（多場景隔離）、depends_on（DAG 調(diào)度）都是配套的工程能力。

只想跑單 Agent 串行活，Claude Code 夠用。但凡你想讓多個步驟并發(fā)、讓上下文拆分不互相污染、讓工具按 Agent 最小授權(quán)，Hermes 的多 Agent 模型就是為這些場景做的。

二、10 分鐘起一個 3 Agent 流水線

不再繞彎子。咱們直接上手。

2.1 裝環(huán)境

# PyPI 一行裝（推薦新手）
pip install hermes-agent
# 啟動 REPL
hermes chat
# 切到你想用的模型
hermes config set provider anthropic
hermes config set model claude-sonnet-4

裝完跑 hermes tools 看下當前賬號可用的工具集。默認會有 browser / file / terminal / web / image_gen / delegation / search 這幾類。

2.2 寫一份 YAML 配置

Hermes 的精髓在 YAML 流水線配置文件。把 Agent 當成函數(shù)聲明，依賴關(guān)系寫在 depends_on 里，Hermes 自己按 DAG 排調(diào)度。

下面這份配置就是公眾號寫作流水線的最小可運行版本。5 個 Agent、5 個文件產(chǎn)物、鏈式 DAG 調(diào)度。

# =========================================================
# Hermes 多 Agent 流水線：公眾號寫作 5 步曲
# 跑法：hermes run --config hermes_agents.yaml --topic "Hermes 入門"
# =========================================================
agents:
  topic_scout:                     # 第 1 步：選題偵察兵
    model: anthropic/claude-sonnet-4
    toolsets: [web, search]        # 只給聯(lián)網(wǎng) + 搜索，文件操作不要開
    role: leaf                     # 關(guān)鍵：聲明 leaf，禁止遞歸 spawn
  researcher:                      # 第 2 步：資料研究員
    model: anthropic/claude-sonnet-4
    toolsets: [file, web]          # file 用來讀 01-topics.md、寫出 02-research.md
    role: leaf
  writer:                          # 第 3 步：執(zhí)筆寫手
    model: anthropic/claude-sonnet-4
    toolsets: [file, skills]       # skills 讓它能加載「公眾號寫作」技能
    role: leaf
  editor:                          # 第 4 步：審校編輯
    model: anthropic/claude-sonnet-4
    toolsets: [file]               # 最小集：只讓它改文件
    role: leaf
  illustrator:                     # 第 5 步：配圖提示詞
    model: anthropic/claude-sonnet-4
    toolsets: [skills]             # 用 image_gen 技能生成配圖 prompt
    role: leaf
pipeline:
  - call: topic_scout               # 入口節(jié)點，無需 depends_on
    goal: "為「{TOPIC}」出 3 個公眾號選題候選，輸出到 01-topics.md"
  - call: researcher
    goal: "基于 01-topics.md 整理 6 section 研究資料包到 02-research.md"
    depends_on: topic_scout
  - call: writer
    goal: "據(jù) 02-research.md 起草 2500-3000 字實操教程到 03-draft.md"
    depends_on: researcher
  - call: editor
    goal: "審校 03-draft.md，輸出三欄 Markdown 表格存到 04-review.md"
    depends_on: writer
  - call: illustrator
    goal: "為 03-draft.md 配 2-3 張圖，給出圖名+節(jié)點文字+用途"
    depends_on: editor

這里有幾個細節(jié)需要注意一下：

• role: leaf 必須顯式寫。不寫默認是 general，子 Agent 自己會 spawn 孫子 Agent，token 幾分鐘燒光。
• toolsets 走白名單，能少一個就少一個。Editor 只給 file，連 web 都不開。
• depends_on 替代手寫串行，你只聲明依賴，Hermes 自己排調(diào)度。

2.3 嫌 YAML 不夠靈活？上 Python

YAML 適合配置固定的流水線。想動態(tài)生成任務、加條件分支、用 Python 拼裝任務列表，就走 delegate_task API。

下面這段 Python 是同樣的 5 步流水線，能看出它和 YAML 的對應關(guān)系。YAML 是聲明式，Python 是命令式，干的事一樣。

"""
Hermes 多 Agent 流水線 —— Python 入口
跑法：python run_pipeline.py
依賴：pip install hermes-agent
"""
from hermes_tools import delegate_task   # Hermes 官方派發(fā) API
# ----------------------------------------------------------------
# 1) 定義 5 個子 Agent 任務（順序由 depends_on 字段控制）
# ----------------------------------------------------------------
tasks = [
    {
        "goal": "你是 topic_scout。用戶主題：{TOPIC}。請用 web+search 工具調(diào)研，"
                "輸出 3 個公眾號選題候選到 01-topics.md。",
        "toolsets": ["web", "search"],
        "role": "leaf",                # 關(guān)鍵：明確 leaf，禁止遞歸
    },
    {
        "goal": "你是 researcher。據(jù) 01-topics.md 整理 6 section 資料包"
                "（核心概念/代碼/坑點/最佳實踐/參考/配圖）寫到 02-research.md。",
        "toolsets": ["file", "web"],
        "role": "leaf",
        "depends_on": ["topic_scout"],
    },
    {
        "goal": "你是 writer。據(jù) 02-research.md 起草 2800 字實操教程，"
                "輸出到 03-draft.md，必須有 YAML + Python 兩段代碼。",
        "toolsets": ["file", "skills"],
        "role": "leaf",
        "depends_on": ["researcher"],
    },
    {
        "goal": "你是 editor。審校 03-draft.md，輸出三欄 Markdown 表格"
                "（原文 / 問題 / 建議）到 04-review.md。",
        "toolsets": ["file"],
        "role": "leaf",
        "depends_on": ["writer"],
    },
    {
        "goal": "你是 illustrator。為 03-draft.md 配 2-3 張圖，"
                "給出圖名+用途+節(jié)點文字到 05-illustrations.md。",
        "toolsets": ["skills"],
        "role": "leaf",
        "depends_on": ["editor"],
    },
]
# ----------------------------------------------------------------
# 2) 一次性派發(fā)：Hermes 默認就是批派發(fā)，主 Agent 不阻塞
#    Hermes 會按 tasks 里的 depends_on 字段自動排 DAG，
#    沒有依賴的同級任務自動并發(fā)跑。
# ----------------------------------------------------------------
results = delegate_task(
    tasks=tasks,
    shared_context={"TOPIC": "Hermes Agent 入門：多 Agent 協(xié)作"},
)
# ----------------------------------------------------------------
# 3) 打印每個子 Agent 的 summary（調(diào)試用）
# ----------------------------------------------------------------
for r in results:
    print(f"[{r['agent']}] -> {r['summary']}")

注意我沒像一些老博客那樣寫 parallel=True。Hermes 的 delegate_task(tasks=[...]) 默認就是批派發(fā)，依賴關(guān)系由 depends_on 字段決定。它會自動識別哪些任務沒依賴、把沒依賴的扔到并發(fā)隊列里跑。parallel=True 是早期接口的遺留，新版 API 不用管。

跑完之后 results 是個列表，每個元素是 {"agent": ..., "summary": ..., "output_path": ...}。要拿哪個文件直接讀 output_path。

三、單 Agent 串行 vs 3 Agent 并行，差距有多大

跑通之后你大概率會問：不就比單 Agent 多個并發(fā)？真有那么神？

有。拿數(shù)據(jù)說話。

Anthropic 2024 年的多 Agent 調(diào)研系統(tǒng)報告里有一組數(shù)據(jù)：開放研究類任務（多跳問題、跨源綜合），多 Agent 架構(gòu)比單 Agent token 消耗約 4 倍，但準確率從基線 60% 提升到 90%+。

直觀點拆開看。

由此我們可以得出幾個結(jié)論：

• 耗時省 33%。本流水線寫作和審校是鏈式依賴（寫作 depends_on 調(diào)研、審校 depends_on 寫作），不能硬并發(fā)。但 3 Agent 上下文拆分讓每個子 Agent 都能在前一個還沒完全結(jié)束時就啟動下一段準備。比如 writer 等調(diào)研結(jié)果時，editor 已經(jīng)把上次的 prompt 模板加載好，調(diào)研一回來就立刻接上。這才是省 33% 的真正機制，不是 DAG 并發(fā)。
• 上下文干凈。單 Agent 跑完一篇文章，context 里塞了選題、查到的所有網(wǎng)頁、中間稿、審校意見……再跑第二個任務就稀里嘩啦。3 Agent 拆分后，每個子 Agent 上下文清爽，幻覺率明顯降。
• Token 總成本沒爆炸。很多人聽到多 Agent 就擔心 token 翻 4 倍。其實單 Agent 串行重試的 token 浪費更猛，一次跑崩就得從頭再來。多 Agent 拆開能斷點重跑，省的是這個錢。需要注意的是，Anthropic 2024 報告里 4× 指的是單次調(diào)研任務內(nèi)部 token 增長（4 個并行調(diào)研員各跑一遍），而端到端多 Agent 任務總成本分攤后大約 1.4×，別混著說。

但多 Agent 不是萬靈藥。簡單任務（步驟 ≤ 3、上下文 ≤ 50k、工具 ≤ 3 個）用單 Agent 更省心。你硬上多 Agent 反而是給自己找事。

判斷標準很簡單：你的活能不能一句話講完目標。能，單 Agent；不能，多 Agent。

四、6 個最容易踩的坑

多 Agent 看著美好，新手實操 90% 的人都死在下面這幾個坑里。

坑 1：工具集開太多，context 撐爆

給某個子 Agent 同時勾上 browser + file + terminal + image_gen + delegation，結(jié)果光工具描述就吃掉 8k token，模型反應慢、還貴。

口訣：能少一個就少一個。Editor 只給 file，Researcher 只給 file + web，別貪。

坑 2：漏寫role="leaf"，子 Agent 遞歸 spawn

默認行為下子 Agent 自己也能 delegate_task。一不小心就 spawn 孫子 Agent，孫子再 spawn 曾孫，幾分鐘 token 燒光。

任何干完活就退出的子 Agent 都必須顯式 role: leaf。這個不能省。

坑 3：context 傳自然語言摘要，下游接錯

上游 Agent 給下游傳一句"參考上一份草稿"，下游 Agent 經(jīng)常接錯文件、讀錯段落。

約定：context 字段必須是文件路徑 + 字段名（如 02-research.md#section_2），別傳自然語言摘要。結(jié)構(gòu)化的好處是出錯時你能 grep 到具體哪一步掛了。

坑 4：SKILL.md寫成長論文

有人把整個內(nèi)部 wiki 塞進一個 skill，加載即占 5k+ token。Agent 干正事之前先消化半天規(guī)則。

口訣：單個 skill ≤ 500 token，只放硬約束 + 模板。詳細文檔放外鏈，讓 skill 觸發(fā)時再去查。

坑 5：沒設max_iterations，子 Agent 死循環(huán)

子 Agent 陷入"調(diào)工具 → 看結(jié)果 → 再調(diào)"死循環(huán)，一晚上燒掉 50 美金的真實案例不少。

每個子 Agent 任務都加 max_iterations: 10 上限。到點強制退出，寧可跑不完整也別燒錢。

坑 6：profile 隔離不嚴，skills 互相污染

把項目 A 的 skills 放到全局 ~/.hermes/skills/，項目 B 誤用導致模型行為漂移。比如你給代碼審查寫的 SKILL 跑去污染了公眾號寫作流水線，文章里開始出現(xiàn) git diff 風格的語言。

多 Agent/多項目場景下，必須用 ~/.hermes/profiles/<name>/ 嚴格隔離。每個 profile 獨立加載自己的 skills、plugins、cron、memories，互不串臺。

五、動手玩一下

6 步流水線 + 2 段代碼 + 6 個坑，整篇就是這些。

給你列個最小行動清單：

1. pip install hermes-agent
2. 復制上面那份 hermes_agents.yaml

到此這篇關(guān)于詳解Hermes多Agent實操的文章就介紹到這了,更多相關(guān)Hermes多Agent內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持腳本之家！

最新評論