AI Agent榜单解读与实操：Hermes、Claude Code、Codex接入DeepSeek指南

九月的AI Agent榜单一出来我所在的几个技术群立刻炸了锅。Hermes一路冲到第一把一堆曾经被吹上天的商业产品甩在身后Claude Code和Codex跟着挤进前十。说实话这个排名既让我有点意外又觉得是迟早的事——意外的是Hermes这个开源方案的关注度涨得这么快不意外的是“会写代码的Agent”正在成为多数人第一个真正用起来的落地场景。与其盯着榜单干看不如把它当成一次工具选型和技能补全的机会。这篇内容我会先拆一下榜单背后的信号再把Agent、LLM、AI模型这几个被用到快包浆的概念捋清楚然后带你把Hermes、Claude Code、Codex从安装到接入DeepSeek完整走一遍最后聊聊我踩过的坑和练手思路。不管你是被“从0到1搭建AI Agent”吸引来的新手还是想把手头工具换得更顺手的开发者这篇文章应该都能给你点实在的东西。1. 九月榜单解读谁在领跑AI Agent赛道1.1 榜单上的两个意外和一个必然先说Hermes排第一这件事。以往各种AI Agent榜单的头名位置基本被商业产品或明星创业公司的项目把持大家更愿意相信“有公司养着”的工具有保障。Hermes能冲上来说明社区评价体系正在发生变化现在的用户越来越在意一件事——这个Agent能不能跑在本地、能不能随便换后端模型、能不能按自己业务改逻辑。Hermes恰恰踩中了这几点轻量、开源、模型无关。你嫌商业产品API贵换DeepSeek你怕数据出门全部留在本地跑。这种自由度和可控性在个人开发者和中小企业里非常吃香。Claude Code和Codex进前十在我看来是必然。过去一年几乎所有和编程沾边的AI产品都在做同一件事从“聊天框里生成代码”转向“直接在你的项目里改代码、跑命令、读文件”。Claude Code是Anthropic在终端里做的Agent化编码助手Codex是OpenAI的CLI产品。它们把AI从“给你贴一段代码”的辅助工具变成了“替你执行开发任务”的智能体。这个方向一旦跑通程序员的工作方式会被重构所以它们排进前十一点都不奇怪。还有一个值得注意的信号这些工具都不约而同地支持接入第三方模型。Claude Code默认吃Claude系列Codex默认吃OpenAI系列但社区早就开始研究怎么把它们接到DeepSeek这类国产模型上。原因很简单成本。对个人开发者来说API账单才是真正的痛点。谁能用最低成本实现同样的效果谁就更容易被大众接受。1.2 AI Agent、LLM、AI模型别再傻傻分不清很多刚接触这个领域的朋友把AI Agent、LLM、AI模型混为一谈甚至有人问我“DeepSeek是不是Agent”。这个问题必须说清楚否则后面的实操你根本不知道自己在配什么。AI模型是一个很宽泛的概念泛指用数据训练出来的参数化系统能完成某种智能任务。LLM是其中专攻自然语言理解和生成的模型比如GPT系列、Claude系列、DeepSeek系列都属于大语言模型。它们的核心能力是“想”和“说”给你一段文本它预测下一个词生成合理的回答偶尔还能推理几步。AI Agent则是另一层概念。Agent是在LLM的基础上加上了感知环境、调用工具、规划任务、记忆状态这些能力形成一个能自主完成目标的系统。如果拿人来打比方LLM是大脑负责思考和语言表达Agent是完整的人除了大脑还有手、脚、眼睛能看任务清单、翻开浏览器、打开命令行、执行操作最后把结果汇报给你。大脑再聪明没有手也做不了饭模型再强没有工具调用能力也改不了你本地的代码。所以DeepSeek属于哪个DeepSeek本身是LLM不是Agent。它虽然也提供函数调用、JSON输出这些接口能力但你必须有一个Agent框架来调用它才能让它去操作代码仓库、发HTTP请求、读写文件。这就是为什么Hermes、Claude Code、Codex这类Agent框架现在这么受关注——它们是那个“身体”DeepSeek是替补上场的“大脑”。理解了这层关系你会发现网上那些“某某Agent接入DeepSeek”的教程本质上都是在做同一件事给这些工具换一个更便宜、更合胃口的大脑。2. 三个主角的定位与能力拆解2.1 Hermes为什么它能冲到第一Hermes拿第一很多人第一反应是“我没听过”。没听过很正常但它代表了一类正在爆发的产品形态个人AI Agent框架。这类框架不做门槛极高的企业级平台也不绑定某个云服务而是给你一个能在本地跑起来的核心程序再让你自己接API、写工具、定规则。我对Hermes的评价是它把“属于自己”这个体验做到了极致。商业Agent产品会逼你留在它的生态里数据、配置、工具都是黑盒Hermes走的是另一条路——所有配置都是文件所有工具都是脚本所有数据都在你控制范围内。你甚至可以改它的源码来适配自己的业务这是很多追求可控性的开发者最看重的点。不过也要泼一盆冷水Hermes的安装体验还远称不上“一键完成”。它依赖Python环境、需要拉取模型配置、不同版本的包名也有变化你大概率会遇到装到一半报缺依赖的情况。但这也正是它适合拿来学习Agent原理的原因配置越赤裸你越能看清一个Agent到底做了什么。你会在后面的实操部分看到搭建这样一个框架并不需要老板级的技术背景耐心看日志、按文档走基本都能跑通。2.2 Claude Code把结对编程变成对话式指挥Claude Code是Anthropic推出的终端内AI编程Agent。用过它的人体会很一致它不是“内联补全”也不是“聊天窗生成代码”而是直接在终端里把一个项目交给你和AI共同管理。你可以让它“读一下这个模块的逻辑找到为什么测试挂掉顺手修掉”它会自己列出计划、逐个修改文件、运行验证命令把结果同步给你。它的优势在于对代码上下文的理解。Claude的长上下文能力让它可以一次吃进多个文件跨文件追踪问题。这对重构、补测试、解释遗留代码特别有用。很多团队的工作流已经从“开IDE、打开Copilot、复制粘贴”变成了“在终端里给Claude Code下命令”。这不是噱头而是实打实的效率提升。就安装而言Claude Code走的是npm路线官方建议全局安装之后在项目目录里直接执行。它有不少配置比如模型后端、自定义指令、权限模式。对新手来说最友好的用法是先在VSCode的集成终端里跑起来这样既能看到AI改代码的过程又能用编辑器对照着看理解起来会快很多。等熟悉了再切到纯终端模式效率能再上一截。2.3 CodexOpenAI系的新一代命令行助手Codex这个名字可能有些人先想到的是刷屏的ChatGPT Codex产品。这里需要区分一下那个是在云端浏览器里运行的任务执行器而这里说的Codex是OpenAI官方推出的CLI工具跑在本地终端里和Claude Code是同类产品。它继承了OpenAI系模型在代码生成上的优势同时把沙箱执行、文件读写、命令调用这些Agent能力都暴露在命令行下。Codex的典型用法是让它处理批量文件操作、写一次性脚本、做技术调研。你给它一个目标它会规划步骤、检查环境、执行命令遇到错误会自己尝试修复。这种“能自己动手”的产品形态对喜欢自动化的人来说非常上头。需要注意Codex目前默认依赖OpenAI的模型服务。但OpenAI的CLI在设计上保留了端点配置的空间社区也整理出了把Codex接到DeepSeek等服务的方案后面会给出具体的配置方法。如果你已经受够了DeepSeek官方Web对话在复杂任务上的局限给Codex换一个“大脑”你会发现它的潜力比想象中大。2.4 横向对比下面这个表格是我用下来的主观感受参数细节以官方最新文档为准工具定位默认模型安装方式最大优势适合人群Hermes通用个人Agent框架可插拔支持DeepSeek等源码/包管理器完全可控、可本地化、可深度定制想自己搭Agent、学习原理的人Claude Code终端编程AgentClaude系列npm长上下文理解、跨文件重构能力强需要长期维护中大型项目的开发者Codex终端编程AgentOpenAI系列npm沙箱执行、自动化脚本体验好喜欢命令行、追求自动化的人这里给一个选型建议如果主诉求是“把DeepSeek的能力包成一个能干活的手下”Hermes是最容易控制成本的如果你的痛点是“改老项目代码太费劲”先试Claude Code如果你每天有一堆重复性文件操作和脚本任务Codex会更顺手。工具没有绝对的优劣只有合不合适。3. 从0到1搭建AI Agent实操记录3.1 动手前先准备好这三样在开始装任何框架之前先把底层的三样东西准备好否则会有一半时间浪费在排查“为什么Key没生效”“为什么环境变量读不到”这类问题上。第一一个模型API。这里用DeepSeek为例去开放平台申请一个API Key开通后记得充值。很多人觉得DeepSeek便宜就不用在意余额但实际上调用Agent框架时每轮任务都会连续多次调用模型一个任务烧掉几万token是常有的事余额清零会导致Agent跑到一半直接报错非常扫兴。Key千万不要硬编码在代码里通过环境变量传入防止误提交到仓库。第二一个可用的Python环境。Hermes这类框架大多依赖Python。建议用conda或者python自带的venv建一个独立环境不要直接装到系统Python里。我见过太多人因为系统Python被装乱了最后连pip都无法正常工作。独立环境的好处是装坏了删掉重来不影响机器上其他项目。第三一个统一的配置目录。把API Key、配置文件、工具脚本都放到一个固定位置比如~/.agents/下。Agent工具链会涉及多个配置文件和日志文件如果东放一个西放一个出了问题根本找不到哪个是对应哪个的。3.2 安装Hermes并接上DeepSeekHermes的安装方式取决于你拿到的版本。早期版本可以通过pip install hermes-agent安装新版可能直接拉GitHub仓库跑源码。这里不写死具体命令因为项目迭代速度很快一切以官方README为准。我的建议是选一个看起来最近还在更新的版本用git clone拉下来在虚拟环境里pip install -r requirements.txt比盲目用包管理器装最新版更稳妥。装好之后核心工作就一件事配置模型接入。以DeepSeek为例你需要在配置文件中指定模型提供方为deepseek模型名填官方提供的对话模型名称。用环境变量的方式传入Key类似这样export DEEPSEEK_API_KEY你的密钥然后在配置文件里把模型的provider指到DeepSeek再写上模型名和API端点地址。DeepSeek的接口兼容OpenAI格式所以很多框架里可以直接选OpenAI兼容模式然后把endpoint指向DeepSeek的地址。这两个的区别只是填法不同本质都指向同一个模型。配置完成后先不要急着搭建复杂功能跑一个最简单的对话测试让Agent说一句“你好报一下你的模型配置”。如果它能正常回答说明Key、模型、端点都通了。顺便说一句这一步就能看出你到底哪里错了——如果报鉴权失败那就是Key有问题如果报连接超时那就是endpoint写错了如果报格式不支持那是兼容模式没挑对。3.3 写一个最小可用的Agent很多人一听到“开发Agent”就以为要学那种复杂框架。其实Agent的核心循环非常简单就四步接收指令、让模型规划、调用工具、返回结果。我用纯Python写一个极其简化的版本不依赖任何Agent框架你会立刻理解原理。import json import os from openai import OpenAI client OpenAI( api_keyos.getenv(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com/v1, ) def get_current_time(): from datetime import datetime return datetime.now().strftime(%Y-%m-%d %H:%M:%S) def add_numbers(a: int, b: int) - int: return a b TOOLS { get_current_time: get_current_time, add_numbers: add_numbers, } def run_agent(user_request: str): messages [{role: user, content: user_request}] for _ in range(5): response client.chat.completions.create( modeldeepseek-chat, messagesmessages, tools[ { type: function, function: { name: get_current_time, description: 获取当前时间, }, }, { type: function, function: { name: add_numbers, description: 两个整数相加, parameters: { type: object, properties: { a: {type: integer}, b: {type: integer}, }, }, }, }, ], ) choice response.choices[0] if choice.finish_reason tool_calls: messages.append(choice.message) for tool_call in choice.message.tool_calls: func TOOLS[tool_call.function.name] args json.loads(tool_call.function.arguments) result func(**args) messages.append({ role: tool, tool_call_id: tool_call.id, content: json.dumps(result), }) else: return choice.message.content return 超过最大轮数未完成 if __name__ __main__: print(run_agent(现在几点顺便算一下17加25等于多少))这段代码里最关键的是tools参数。它把函数的名字、描述、参数格式告诉模型模型遇到自己不会做的事会返回一个“调用请求”而不是瞎编答案。你执行完函数后把结果塞回对话上下文模型再继续下一步。整个过程像一个外包团队你是客户模型是项目经理函数是执行人员。模型决定“需要谁干活”你这里负责“把人请过来”。跑通这个最小Agent后你对Hermes内部做的事就有了判断力。所谓Agent框架只是把这个循环做得更规范支持更多工具、挂了持久化记忆、能理解多步任务、带权限管理。原理就这么简单剩下的都是工程化。3.4 让Agent学会你的业务技能包开发思路Agent跟普通AI对话最大的区别在于它可以“学会你的业务”。Hermes这类框架通常有skills机制也就是把工具函数、提示词模板、甚至流程脚本打包成一组可复用的能力让Agent按需加载。你不需要让一个Agent学会所有事你只要教会它一件和你工作强相关的事。开发一个技能包我建议按三步走。第一步梳理业务里最重复、最需要外部信息的操作比如“把一段会议记录整理成周报”。第二步把它抽象成明确输入和输出的工具函数输入是原始记录输出是结构化周报。第三步给Agent写一份“使用说明”说明这个工具在什么场景下用、参数怎么填、输出格式有什么要求。这份说明会随信息一起发给模型所以写得越清楚模型越会正确调用。实操中我踩过的坑是把技能包做成一个巨大的prompt想要Agent自己理解。结果模型每次调用都变着花样解释这个任务压根不调用工具回答又长又不可靠。正确做法是prompt只负责解释“什么时候调用”真正的逻辑全部放进函数里函数内部把该处理的格式、边界情况都处理掉。模型只做“决定调用哪个工具”这一件事成功率会高很多。4. 编程Agent实战Claude Code与Codex的安装配置与排坑4.1 五分钟装好两个CLI工具Claude Code和Codex的安装方式非常相似都是通过npm全局安装装好后在任意项目目录里直接运行命令。前提是Node.js版本别太老建议装LTS版本省得遇到出莫名其妙的问题。# 安装 Claude Code npm install -g anthropic-ai/claude-code # 安装 Codex npm install -g openai/codex安装完成后在项目目录里输入工具自带的引导命令它会让你确认登录账号或配置API Key。如果你用的是模型提供方的订阅套餐就按官方提示走认证流程如果你打算用DeepSeek这类第三方API则跳过认证直接改环境变量。在Ubuntu这类Linux系统上有个常见问题npm全局安装的包命令找不到。通常是npm的全局bin目录没有加进PATH。执行npm bin -g看看输出路径如果不在PATH里加一行export PATH...:$PATH到.bashrc即可。另外如果遇到权限报错不要加sudo硬闯那是npm本身目录权限的问题建议重新安装一个Node版本管理器来管理环境。4.2 VSCode里怎么用得更顺手两个CLI工具默认都在终端里跑但配合VSCode使用更有效率。我的方案是直接在VSCode的集成终端里运行让AI修改的文件实时刷新在编辑器里随时可以对照改动。你不需要装额外的插件只要保证VSCode的集成终端和你终端环境一致。比较关键的是环境变量配置。如果你想把模型换成DeepSeek建议把相关的环境变量写进项目的.env文件再用dotenv或者终端加载。Windows用户可能更省事直接系统环境变量里设置macOS和Linux用户注意每次打开新终端时环境变量要来源固定最好写进 shell 配置文件否则你在终端A配好了换一个终端又丢。还有一些细节两个工具都支持在项目里放配置文件用来声明哪些目录允许AI修改、哪些是只读、是否允许AI执行哪些命令行操作。我第一次用的时候图省事全部放行结果AI把git历史里的敏感信息翻出来贴给了模型。从那以后我把个人配置目录设为只读给Agent划了一个明确的活动范围。这种限制看似麻烦实际上能避免很多安全事故。4.3 低价平替把Claude Code和Codex接到DeepSeek很多人想用Claude Code和Codex的工程能力但不想承担对应官方模型的账单。好消息是这两个工具都保留了自定义模型端点的入口通过环境变量或配置文件可以把后端从官方服务切到DeepSeek。先说Codex。Codex的CLI支持OpenAI兼容端点你只需要把模型服务地址和Key传给它。以DeepSeek为例大概率是设置OPENAI_BASE_URL和OPENAI_API_KEY再指定模型名。注意不同版本可能会读不同的变量名如果不生效用工具自带的调试参数输出配置信息看它到底在请求哪个地址。Claude Code这边的路子类似只不过它原本面向的是Anthropic兼容协议。社区通常通过本地转发网关的方式把Anthropic格式的请求转换后再发给DeepSeek。这个转发服务本身是完全合法、在本地运行的开发工具类似一个API翻译层。配置要点是把Claude Code的API基础地址指向你本地启动的网关服务然后网关负责统一鉴权和转发。这类方案在网上有成型项目名字你肯定搜得到照着文档配一遍就能用一半不到的成本享受同样的Agent体验。这里有个良心建议接第三方模型时务必确认DeepSeek的模型在函数调用和工具选择上足够稳定。编程Agent依赖大量结构化输出如果模型能力跟不上工具调用的成功率会直线下降表现就是Agent改几行代码就停下来胡说。遇到这种情况不是你配置错了而是这个模型不适合当前场景换回官方模型试试便知。4.4 高频报错切换Codex端点时提示本地服务连接失败在配置过程中我见过最频繁的报错是使用CC Switch这类图形化切换工具时把模型端点切到Codex后工具提示本地服务连接失败并附上一串以/responses结尾的报错。很多人在这一步会怀疑自己是不是把服务地址填错了于是反复改配置结果问题依旧。这个报错的核心原因并不复杂CC Switch的本质是一个本地端点切换服务。当你把目标切到Codex时它需要在本地起一个服务来承接Codex请求并负责转发到真实的模型后端。报“连接失败”说明这个本地的转发服务没有成功启动而不是Codex本身有问题。排查思路按优先级来。先看服务有没有起来打开系统的端口监听查看命令确认预期端口是否处于监听状态如果没有服务就没启动成功。再看日志CC Switch一般会输出详细日志错误信息里会直接写明是端口占用还是配置里的模型名不被后端支持。最后检查配置文件很多人会在配置里把DeepSeek的模型名填成其他格式或者把端点路径写多了一层服务启动时校验不过自然连接失败。我自己的修复经历是端口被另外一个本地调试服务占用了。改掉CC Switch的监听端口后一切恢复正常。如果你也遇到启动失败先别翻来覆去改模型配置优先检查端口、进程、日志这三个地方解决问题的速度会快很多。下面是一个速查表供遇到问题时直接对照现象可能原因处理办法服务无法启动端口被占用换一个空闲端口能启动但请求超时后端模型地址配置错误核对端点地址和路径鉴权报错API Key没设置或无效检查环境变量确认Key所属服务工具调用频繁失败模型对函数调用支持不佳换官方模型或更稳定的兼容模式切换后无响应本地日志服务已崩溃重启本地服务查看崩溃日志5. 进阶AI Agent开发的学习路径与练手项目5.1 一个Agent的组成结构从最小Agent一路走过来现在可以站在更高维度看一个完整Agent的组成。它通常包含六个部分模型推理核心、工具调用层、记忆系统、知识库、编排器、反馈闭环。模型推理核心负责“理解指令、生成计划、输出决策”。工具调用层是Agent的双手封装了所有它可执行的动作。记忆系统分为短期和长期短期记忆是当前任务的上下文长期记忆则让Agent记住项目偏好、历史决策。知识库让Agent能查阅私有文档不再只能依赖训练数据。编排器是大脑中的“项目经理”决定先做哪一步、哪步失败了怎么重试。反馈闭环则负责执行结果回收把工具输出、报错信息、测试结果带回上下文让Agent自我修正。理解了这六个部分你就知道学习Agent开发该往哪里使劲了不是背一个框架的API而是理解每个模块在整体里扮演什么角色。任何框架无非是这六个模块的某种具体组合。5.2 适合练手的三个小项目如果你学完这些还是觉得空我建议直接动手做三个小项目。第一个是“邮件摘要Agent”。给定一批邮件文本Agent负责按主题分类、提取关键信息、生成待办。这个项目练的是工具调用和结构化输出。第二个是“项目代码评审Agent”。把GitDiff喂给Agent让它找潜在bug、提改进建议、检查测试覆盖。这个项目练的是Agent在真实代码上下文里的规划和判断能力最好配合Claude Code一起做。第三个是“自动汇报Agent”。定时跑一个脚本收集系统状态或业务数据调用模型生成图文报告再通过企业聊天机器人接口推送到群里。这个项目练的是Agent和外部系统集成做完它会非常“有成就感”因为你真的拥有了一个自己打造的数字员工。做练手项目时有一个原则先从“单步工具调用”开始再过渡到“多步任务规划”。一上来就做一个需要调四个工具才能完成的复杂Agent很容易被模型规划能力不足打击到。让Agent先完成一件只调一个工具的小事把稳定性和可观测性做好再逐步加复杂度。5.3 AI Agent与PLC编程值得留意的交叉场景把Agent和PLC编程放在一起是我最近观察到的比较有趣的方向。传统PLC程序以梯形图、结构化文本为主调试和注释往往非常依赖老师傅经验。Agent在这个场景里能做几件事对报警日志做自然语言分析和故障分类、把看不懂的旧逻辑生成结构化解释、根据设备状态数据辅助判断可能原因。这种交叉场景的价值在于工业现场不缺数据、不缺逻辑缺的是能把数据和逻辑翻译成“人话”的中间层。Agent恰好擅长这件事。当然它目前还到不了直接生成生产级PLC代码的程度更不可能替代安全评审。但作为一个辅助分析工具它已经能让调试工程师少翻很多手册。如果你身处传统工控行业我强烈建议把AI Agent当成一个“逻辑注释助手”来用而不是指望它直接接管产线。6. 一些零碎但重要的心得体会折腾了这么多工具我最深的体会是别在工具选型上花太多时间选一个能装上、能跑通、能解决眼前问题的比什么都重要。Hermes、Claude Code、Codex各有各的优点但它们本质上都在做同一件事——把模型能力绑定到你的工作流里。你今天纠结用哪个不如先把一个用熟。第二点体会是关于成本的。很多人不敢玩Agent是因为怕API费用失控。实际上如果你用DeepSeek这类高性价比模型并且给Agent加上明确的“最大调用轮数”限制单次任务成本低到可以忽略。真正烧钱的不是模型调用而是你反复调试一个错误配置带来的无效token消耗。所以每次动手前花两分钟检查Key、端点、模型名其实是在省钱。最后一点不要追全自动。我见过不少人上来就想做一个“丢需求进去就完成整个项目”的Agent结果被现实反复打脸。正确的用法是让Agent先做局部任务比如改一个函数、补一条测试、总结一篇文档。你用着用着就会发现它对工作流的改变比你想象的要大而且一切都在你自己的可控范围内。世界上没有完美的Agent只有一个你越用越懂你、你越改越合手的工具。迈开第一步把上面任意一个工具装起来今天就是你AI Agent实战的开始。