之前在做 AI Agent 落地时我最大的感受是单个 Agent 做点小任务很容易但一旦面对“多个步骤、多个角色、多个定时或被动触发任务”时就非常容易陷入各自为战的状态。Agent 之间没有统一的任务编排、没有后台常驻机制、没有可复用的技能库最后只能靠人工反复切换窗口、复制结果、手动组装。这篇文章要分享的是 Hermes Bot Mode这是一套让我把多个 AI Agent 真正“挂”起来协同工作的方案。我会从概念、环境准备、配置拆解、多 Agent 协同实战、常见问题和工程建议几个方面展开力争让你读完就能照着搭建一套自己的多 Agent 运行环境。1. Hermes Bot Mode 是什么1.1 从“单 Agent 问答”到“多 Agent 协同”先聊一个更容易理解的场景。你有一个 Agent它很擅长帮你写周报。你只需要把本周的工作内容丢给它它就能生成一段不错的总结。这是“单 Agent 问答”。后来你发现你还需要一个 Agent 帮你盯着线上日志发现错误自动归纳还需要一个 Agent 每天定时抓取业务数据、生成看板还需要一个 Agent 在外部系统推送告警时自动做初步定位。这时候问题就来了这些任务不是“用户打开对话框问一句”就能完成的它们需要长期运行、定时触发、按事件响应甚至需要多个 Agent 配合才能完成一条完整链路。Hermes Bot Mode 就是解决这个问题的。它可以让 Agent 以“机器人”或“后台守护任务”的方式持续运行而不是必须等用户手动发起对话。多个 Agent 可以在 Bot Mode 下被统一调度各自执行擅长的子任务再通过任务队列、事件触发、共享状态等机制完成协同。1.2 Hermes 的定位从目前社区和官方资料来看Hermes 是一套面向 AI Agent 开发与运行的基础设施平台它不只包含模型调用能力更强调 Agent 的运行管理、技能管理、桌面端交互、任务调度等工程化能力。围绕 Hermes 出现了几个高频词Hermes Desktop、Hermes Studio、Skills Hub、Hermes Agent、Hermes Bot Mode。Hermes Desktop桌面客户端偏日常交互和可视化管理。Hermes Studio偏向开发调试环境用来创建、测试 Agent 和技能。Skills Hub技能中心用来存放和复用 Agent 的能力单元。Bot Mode让 Agent 以常驻机器人形式运行的后台模式。Hermes Agent统称指运行在 Hermes 平台上的智能体。我们常说的“Hermes 智能体”其实是由“模型 提示词 技能 触发方式 状态管理”组成的一套完整运行单元。Bot Mode 则让这些运行单元不仅能实时对话还能自动化、批量化和后台化。1.3 Bot Mode 在工程上的价值从工程角度Bot Mode 至少解决了三类问题常驻问题很多自动化任务不应该依赖于“用户打开客户端”。Bot Mode 让 Agent 作为后台服务常驻可以按时、按事件被唤醒。协同问题多个 Agent 可以同时存在通过任务队列或共享存储协作而不是把大量逻辑塞进一个 Agent 的提示词里。复用问题Bot Mode 配合 Skills Hub可以把常用能力写成 Skill多个 Agent 共用降低重复开发成本。2. 环境准备与版本说明2.1 安装 Hermes Desktop 与 CLI因为 Hermes 本身迭代比较快官方安装方式可能会随版本调整。这里只讲通用思路先安装桌面端或 CLI 工具再通过命令行或图形界面初始化 Agent 环境。以 Windows 10 环境为例社区里讨论较多的是镜像源和依赖下载问题。如果你在win10安装 Hermes建议优先配置国内镜像源避免部分依赖下载超时。具体做法是在安装或更新依赖时把包管理器源切换到国内镜像例如 npm 或 pip 源。# npm 示例切换为国内镜像源 npm config set registry https://registry.npmmirror.com # pip 示例切换为国内镜像源 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple如果你在 macOS 上安装思路类似先确认系统包管理器Homebrew可用再安装 Hermes 依赖的运行时环境。需要特别提醒的是不同操作系统的安装步骤、依赖版本都不一样不要盲目复制网上过时的命令。最稳妥的方法是查看官方文档中“环境要求”一节再结合自己的系统版本调整。2.2 运行环境依赖根据实际项目需要Hermes 通常依赖以下几个基础环境依赖作用版本建议Node.js运行 CLI 和部分核心服务建议 LTS 版本具体按官方要求Python运行 Skill 脚本和数据处理任务建议 3.10 及以上Git拉取技能库和项目仓库官方最新稳定版即可Docker用于依赖隔离和扩展服务可选视任务类型而定版本这里我不敢给你写死一个数字因为 Hermes 在不同阶段的依赖要求确实会变。比较好的做法是先执行 Hermes 自带的“环境检查”命令如果有或直接看官方文档的 requirements 章节。2.3 概念补充Hermes Studio 与 Skills Hub写代码之前先理解两个概念。Hermes Studio 可以理解成 Agent 的“开发工作台”。你在 Studio 里可以创建 Agent、调试提示词、测试技能、查看运行日志。它偏向开发态。Skills Hub 是“技能仓库”。一个 Skill 本质上是一个可复用的能力单元比如“读取 Elasticsearch 日志”“生成周报 PPT”“调用企业微信机器人发消息”。Skill 可以被多个 Agent 引用也可以从仓库中安装别人写好的 Skill。在 Bot Mode 中一个 Agent 往往会挂载多个 Skill。这样做的好处是Agent 本身只负责“思考”和“决策”真正的操作能力由 Skill 提供。比如 Agent 判断“需要查看最新错误日志”时它会调用名为fetch_es_error_logs的 Skill而不是自己在提示词里猜日志内容。3. Agent、Skill 与 Bot Mode 的核心关系3.1 Agent 与 Skill 的区别很多刚开始接触 AI Agent 开发的读者会混淆这两个概念。Agent 是“大脑 调度器”。它接收任务拆解步骤决定调用哪些技能最终汇总结果。Skill 是“手脚”。它是具体执行函数、脚本、API 调用逻辑的封装。用一个类比Agent 是项目经理Skill 是项目成员。项目经理不一定要会写所有代码但他要知道什么时候该找谁、什么时候该用哪个工具。在 Hermes 中一个简单的 Agent 定义会包含Agent 的名称、描述、人格或行为准则。可用的模型配置。挂载的 Skill 列表。运行模式对话模式、Bot Mode 等。触发规则定时、事件、手动。3.2 Bot Mode 的工作机制Bot Mode 的核心特征是“后台常驻”。当你启动一个 Bot Agent 后它并不会直接进入对话框而是作为一个后台任务运行器等待被触发。触发方式通常有定时触发比如每天早上九点执行一次日志分析。事件触发比如收到 webhook 告警后执行定位流程。队列触发多个 Agent 之间通过任务队列传递信息前一个 Agent 的输出作为后一个 Agent 的输入。手动触发你仍然可以通过命令手动唤醒某个 Bot。在这种设计下多 Agent 协同就变得非常自然。你可以把一条完整业务链路拆成多个节点每个节点由一个 Agent 负责再通过 Bot Mode 的触发机制和队列机制把它们串成一条流水线。3.3 多 Agent 协同的三种典型模式编排模式一个主 Agent 负责拆解任务把子任务分发给多个专业 Agent最后统一汇总。流水线模式Agent A 的输出结果直接作为 Agent B 的输入。适合存在先后依赖关系的任务处理。竞争模式多个 Agent 分别从不同角度处理同一任务最后选取置信度最高的结果。适合需要交叉验证的场景。在这三种模式中Bot Mode 更多承担的是“运行底座”的角色。它负责保证每个 Agent 稳定运行并让它们之间能够按规则通信。4. Bot Mode 实战让多个 Agent 协同工作4.1 初始化项目结构为了便于理解我们模拟一个真实需求需求每天晚上 23:00 自动分析当天 Elasticsearch 中的业务日志。流程Agent A 拉取指定索引的错误日志Agent B 对错误日志做聚合分类Agent C 生成分析报告并发送到企业微信或钉钉群。目标三个 Agent 在 Bot Mode 下协同完成无需人工干预。先创建项目结构hermes-bot-demo/ ├── config/ │ └── hermes.config.yaml ├── skills/ │ ├── fetch_es_logs/ │ │ └── main.py │ ├── classify_errors/ │ │ └── main.py │ └── send_report/ │ └── main.py ├── agents/ │ ├── agent_a_log_fetcher.yaml │ ├── agent_b_error_classifier.yaml │ └── agent_c_report_sender.yaml ├── data/ │ └── .gitkeep └── .env这个结构遵循了“配置与代码分离”“技能复用”的原则。4.2 编写 Bot Mode 主配置在config/hermes.config.yaml中可以定义 Bot Mode 的全局行为例如默认工作目录、日志级别、任务队列类型、定时任务时区等。# config/hermes.config.yaml bot: mode: enabled timezone: Asia/Shanghai log_level: info task_queue: type: local max_concurrent: 5 schedule: timezone: Asia/Shanghai skills: paths: - ./skills agents: configs: - ./agents注意这里展示的是配置思路。Hermes 不同版本的字段命名可能不同你需要以实际版本为准。关键在于理解“Bot Mode 是一个全局开关所有 Agent 都运行在这个模式下”。4.3 创建 Agent 配置接下来创建三个 Agent。Agent A 负责从 Elasticsearch 拉取日志。# agents/agent_a_log_fetcher.yaml name: log_fetcher description: 拉取 Elasticsearch 中的业务错误日志 model: deepseek skill: - fetch_es_logs triggers: cron: 0 23 * * * enabled: true parameters: es_index: business-log-* query: level:ERRORAgent B 负责对错误日志做聚合分类。# agents/agent_b_error_classifier.yaml name: error_classifier description: 对错误日志进行分类归纳 model: deepseek skill: - classify_errors triggers: queue: true depends_on: log_fetcher parameters: categories: - database - network - business_exceptionAgent C 负责生成报告并发送到群机器人。# agents/agent_c_report_sender.yaml name: report_sender description: 生成每日日志分析报告并推送通知 model: deepseek skill: - send_report triggers: queue: true depends_on: error_classifier parameters: webhook_url_env: REPORT_WEBHOOK_URL这段配置体现了流水线协同Agent A 定时启动输出结果给 Agent BAgent B 处理完再交给 Agent C。4.4 编写 Skill 核心代码4.4.1 fetch_es_logs 技能这个 Skill 的作用是连接 Elasticsearch查询指定索引的错误日志并把结果写成 JSON 文件方便下一个 Agent 读取。# skills/fetch_es_logs/main.py import os import json import requests from datetime import datetime, timedelta ES_HOST os.getenv(ES_HOST, http://localhost:9200) ES_INDEX os.getenv(ES_INDEX, business-log-*) QUERY os.getenv(ES_QUERY, level:ERROR) def fetch_logs(): today datetime.now().strftime(%Y.%m.%d) index_name f{ES_INDEX}-{today} url f{ES_HOST}/{ES_INDEX}/_search body { query: { bool: { must: [ {query_string: {query: QUERY}} ] } }, size: 500 } response requests.post(url, jsonbody, timeout30) response.raise_for_status() hits response.json().get(hits, {}).get(hits, []) logs [] for hit in hits: source hit.get(_source, {}) logs.append({ timestamp: source.get(timestamp), level: source.get(level), message: source.get(message), service: source.get(service, unknown) }) output_path data/raw_logs.json with open(output_path, w, encodingutf-8) as f: json.dump(logs, f, ensure_asciiFalse, indent2) return {status: ok, count: len(logs), output_path: output_path} if __name__ __main__: result fetch_logs() print(json.dumps(result, ensure_asciiFalse))这段代码使用的是通用requests请求 Elasticsearch REST API没有依赖 Hermes 内部 SDK因此你可以直接在本机测试。4.4.2 classify_errors 技能这个 Skill 会把上一步拉下来的日志按照错误类型做简单分类。# skills/classify_errors/main.py import json from collections import Counter def classify(): with open(data/raw_logs.json, r, encodingutf-8) as f: logs json.load(f) categories Counter() samples {} for log in logs: message log.get(message, ) if timeout in message or timed out in message: cat network_timeout elif database in message.lower() or sql in message.lower(): cat database_error elif null in message.lower() or exception in message.lower(): cat business_exception else: cat unclassified categories[cat] 1 samples.setdefault(cat, []).append(log) output { total: len(logs), categories: dict(categories), sample_logs: {k: v[:3] for k, v in samples.items()} } with open(data/classified_logs.json, w, encodingutf-8) as f: json.dump(output, f, ensure_asciiFalse, indent2) return output if __name__ __main__: result classify() print(json.dumps(result, ensure_asciiFalse, indent2))4.4.3 send_report 技能这个 Skill 负责把分类结果生成一段 Markdown 报告并推送到群机器人 webhook。# skills/send_report/main.py import json import os import requests def send(): with open(data/classified_logs.json, r, encodingutf-8) as f: data json.load(f) webhook_url os.getenv(REPORT_WEBHOOK_URL, ) if not webhook_url: print(未配置 REPORT_WEBHOOK_URL本次不推送) return lines [## 每日日志分析报告, ] lines.append(f今日日志总量{data[total]}) lines.append() lines.append(### 错误分类) for cat, count in data[categories].items(): lines.append(f- {cat}: {count}) markdown \n.join(lines) # 这里以钉钉/飞书类 webhook 为例实际格式按平台调整 payload { msgtype: markdown, markdown: { title: 每日日志分析报告, text: markdown } } response requests.post(webhook_url, jsonpayload, timeout15) response.raise_for_status() return {status: sent, message: markdown} if __name__ __main__: result send() print(json.dumps(result, ensure_asciiFalse, indent2))4.5 配置环境变量在项目根目录创建.env文件存放敏感信息和环境相关配置。# .env ES_HOSThttp://localhost:9200 ES_INDEXbusiness-log-* ES_QUERYlevel:ERROR REPORT_WEBHOOK_URLhttps://your-group-bot-webhook-url注意.env不要提交到 Git 仓库。建议在.gitignore中添加.env。4.6 启动 Bot Mode启动命令目前没有统一标准但一般思路是先检查配置、再启动 Bot 服务。# 进入项目根目录 cd hermes-bot-demo # 检查配置是否能被正确解析 hermes config validate --config config/hermes.config.yaml # 启动 Bot Mode hermes bot start --config config/hermes.config.yaml如果启动成功你可以通过状态命令查看 Agent 运行情况。hermes bot status预期输出大致会包含已注册的 Agent 列表。每个 Agent 的状态running / idle / error。最近一次触发时间。任务队列长度。如果你安装的版本命令不同可以通过hermes bot --help查看当前版本支持的子命令。4.7 验证流程为了确认流程是否正确你可以先手动触发一次 Agent A。hermes agent run log_fetcher然后查看data/raw_logs.json是否生成。接着可以手动运行 Agent B 和 Agent C。hermes agent run error_classifier hermes agent run report_sender当手动链路全部跑通后再恢复 Bot Mode 的定时任务这样能避免“定时任务触发后才发现技能代码有 bug”的尴尬。5. 多 Agent 协同设计从示例到真实场景5.1 用 Bot Mode 编排日志分析场景上面那个示例本质上是一条“定时日志分析流水线”。但真实的业务往往比三条流水线复杂。比如日志数据量非常大需要先做数据过滤再进入 AI 分析。一部分 Agent 需要调用内部 API需要独立的身份鉴权。分析结果不仅要推送给群机器人还要写入工单系统或知识库。这时候我们可以在流水线中插入更多的专业 AgentAgent D 负责调用企业内部 API 查询关联工单Agent E 负责把最终结论写入知识库。每个 Agent 只负责一个窄而专的任务通过 Bot Mode 串成一条完整链路。5.2 事件驱动的 Agent 协同并不是所有任务都适合定时触发。有些场景需要“被动响应”。比如外部监控系统发现 ES 集群状态变为黄色通过 webhook 通知 Hermes Bot Mode。Bot Mode 接收到事件后自动唤醒一个“ES 运维 Agent”这个 Agent 会执行检查集群状态、定位分片问题、生成处置建议等操作。事件驱动的配置思路是在 Agent 的triggers中启用 webhook 或事件监听。# agents/agent_es_ops.yaml name: es_ops description: ES 异常事件响应 Agent model: deepseek skill: - es_cluster_check - es_issue_analyze triggers: event: true event_type: webhook endpoint: /webhook/es-health收到 webhook 后Hermes 会唤醒es_opsAgent并把请求体中的告警内容作为上下文传给 Agent。这种方式特别适合做故障响应、告警降噪、工单流转等场景。5.3 通过 REST API 让 Agent 智能分析日志很多人问“AI Agent 怎么和 Elasticsearch 结合”本质上有两种做法做法一把 ES 查询逻辑封装成 SkillAgent 只负责理解用户意图、组装查询条件。上面示例已经演示了这种思路。做法二让 Agent 直接调用 ES REST API根据用户自然语言生成 DSL 查询。这要求 Agent 有较强的指令理解能力和工具调用能力而且需要做好权限控制防止生成危险查询。对于生产环境我更推荐第一种做法。原因很简单第一种做法把查询逻辑限制在 Skill 内部Agent 能做的事情是可控的第二种做法虽然灵活但一旦 Agent 生成一个全索引聚合查询很可能压垮 ES 集群。5.4 协同任务中的上下文传递多 Agent 协同的难点不只是每个人完成自己的任务还在于“下游 Agent 如何拿到上游 Agent 的结果”。在 Bot Mode 中我们可以用两种方式传递文件传递上游 Agent 把结果写入data/目录下的 JSON 文件下游 Agent 读取该文件。队列消息上游 Agent 把结果作为消息投递到指定队列下游 Agent 从队列消费。对于小规模任务文件传递更直观、更容易排查问题。对于实时性要求高、数据量大的任务消息队列更合适。你可以根据你的场景灵活选择。6. 常见问题与排查思路Bot Mode 在落地时最常遇到的问题主要集中在依赖安装、配置解析、任务触发和网络访问几个方向。问题现象常见原因解决思路hermes cloning repository 失败Git 仓库地址不可达、凭证过期、网络受限检查 Git 凭证、更换仓库源、确认网络策略启动 Bot Mode 报错Node.js 或 Python 版本不兼容参考官方文档确认版本要求统一环境版本定时任务不触发时区配置错误、cron 表达式写错检查 schedule 时区、本地验证 cron 表达式Agent 之间数据对不上上游输出字段名与下游读取字段不一致约定 JSON 结构使用data/目录的固定文件名ES 查询超时查询范围太大或集群负载高在 Skill 中限制查询条数、增加超时时间、合理使用索引过滤webhook 事件未进入 Agent事件类型配置错误、endpoint 路径不对查看 Bot Mode 日志确认请求是否到达服务6.1 hermes cloning repository 失败怎么办这个报错出现频率很高。可能原因有几种网络无法访问仓库地址。本机 Git 凭证过期。技能依赖的子模块仓库不存在。排查步骤建议如下手动执行git clone看能否正常克隆。如果git clone可以但 Hermes 不行检查 Hermes 的下载代理配置。如果是国内网络环境问题尝试把技能仓库地址换为镜像地址或确认是否需要配置合法的内网代理。6.2 启动失败端口或资源冲突如果 Hermes Bot 服务需要监听本地端口而该端口已被占用就会启动失败。排查方式# 查看端口占用情况Linux / macOS lsof -i :端口号 # Windows PowerShell netstat -ano | findstr 端口号解决办法是杀掉占用进程或修改 Hermes 配置中的监听端口。6.3 Bot Mode 状态正常但任务不执行这种情况通常不是“Agent 挂了”而是“没有触发条件”。你需要检查定时任务的时间表达是否正确。是否手动禁用了 Agent。是否有前置依赖未完成。任务队列是否堵塞。建议先查看 Bot Mode 的运行日志确认 Agent 是否被正常调度。7. 最佳实践与工程建议7.1 配置管理Bot Mode 的配置应该纳入版本管理但环境信息一律使用环境变量。像 Elasticsearch 地址、webhook token 这类信息绝对不要写死在配置文件里。# 不推荐 parameters: es_host: http://192.168.1.100:9200 # 推荐 parameters: es_host_env: ES_HOST这样在不同环境之间切换时只需要修改.env不需要动代码和配置模板。7.2 技能设计Skill 要尽量设计成“单一职责”。一个技能只做一件事输入和输出都明确。比如fetch_es_logs只负责“拉日志”classify_errors只负责“分类”send_report只负责“发送”。这样做的好处是调试方便哪个环节出错一目了然。复用方便其他 Agent 需要“拉日志”时可以直接挂载同一个 Skill。替换方便换了消息推送服务后只需要修改send_report不影响其他 Agent。7.3 异常处理与幂等性在 Bot Mode 中定时任务可能会因为网络抖动、ES 超时等原因失败。如果任务被设计成“失败后重试”必须保证任务本身是幂等的。最简单的方式是在 Skill 的输出文件中写入任务批次 ID下游 Agent 判断如果已经处理过当前批次就跳过。import hashlib def make_batch_id(logs): raw .join([log.get(timestamp, ) log.get(message, ) for log in logs]) return hashlib.md5(raw.encode()).hexdigest()7.4 日志与可观测性不要只打印success或failed。建议在每个 Skill 的返回结果里带上关键统计信息比如处理条数、耗时、输出文件路径。方便 Bot Mode 做任务回执和问题追溯。我在实际项目中会给每个 Skill 都加上status和summary字段{ status: ok, summary: { total: 120, classified: 118, failed: 2 }, output_path: data/classified_logs.json }7.5 权限最小化Agent 能访问的系统越多风险越大。在给 Agent 配置 Elasticsearch、数据库或内部 API 时建议使用只读账号。限制可以访问的索引或表。单独申请独立的 API token不要使用个人账号。定期轮换密钥。这一点在云上和内部系统同样重要。Agent 一旦被提示词注入攻击或日志污染如果没有权限控制后果会非常严重。7.6 生产环境灰度发布如果你要在生产环境使用 Bot Mode不建议一次性把所有 Agent 全部上线。更好的做法是先在测试环境跑通单 Agent。再启动 Bot Mode观察定时任务和事件任务是否能稳定执行。接着串联两个 Agent验证数据传递。最后再上完整链路。这个过程虽然慢但能帮你把每一层的问题都提前暴露出来。7.7 关注模型成本与执行效率多个 Agent 协同意味着多次模型调用。如果每天执行多次模型成本会明显上升。建议能不用模型的地方尽量不用模型比如日志分类可以用规则先过滤只有无法分类的日志才交给模型。控制 Agent 的上下文长度只传递必要信息。对定时任务设置结果缓存避免重复分析相同数据。8. 下一步可以做些什么如果你刚接触 Hermes Bot Mode建议按这个顺序动手先安装 Hermes Desktop 或 CLI熟悉基础命令然后创建一个最简单的 Agent让它以 Bot Mode 方式启动配置一个每分钟触发一次的定时任务确认触发正常后再添加一个 Skill让 Agent 能在触发时执行真实操作最后再创建第二个、第三个 Agent通过文件或队列方式串联起来。这套路径看上去简单但能帮你把环境、配置、触发、技能开发、数据传递这些环节都走通。有了这个基础再往事件驱动、外部系统集成、多 Agent 编排这些方向扩展会顺畅很多。先把一个 Agent 跑起来再让一群 Agent 跑起来你会发现所谓“多 Agent 协同”核心不在于模型有多强而在于运行机制是否可靠。