1. 从 OpenClaw 到 Hermes Agent为什么值得迁移如果你正在用 OpenClaw龙虾管理日常的 AI 工作流大概率已经积累了不少记忆条目和自定义技能。但当 Hermes Agent 发布之后迁移这件事就变得很具体了它不是换一个聊天窗口而是把「记忆 技能 后台自我审视」这套机制整体升级。Hermes Agent 是 Nous Research 开源的自主 AI Agent 框架核心设计理念只有一句话——用得越久它越强。它通过 Memory 记住你的偏好和项目上下文通过 Skill 把重复操作沉淀成可复用流程再通过 Nudge Engine 在后台定期审视哪些信息值得写入、哪些流程值得固化。这篇文章面向三类人一是已经在用 OpenClaw、想平滑迁移到 Hermes 的用户二是想用 GLM-5.1 作为主力模型、但不想被单一厂商绑定的开发者三是希望把 Agent 跑在服务器上、通过统一 API 通道管理密钥的团队。我会交付一份可复制的config.toml与settings.json骨架、TaoToken 统一 Key/API 通道的接入写法以及迁移后 Memory 与 Skill 的验证动作。整个过程按「先跑通、再优化」的顺序推进每一步都有可执行的命令和预期结果。需要提前说明的是Hermes 的配置文件在不同版本中可能是config.yaml或config.toml本文以config.toml为主骨架同时给出settings.json的等价写法你可以根据自己安装的版本二选一。核心思路不变——把模型通道、记忆路径、技能目录三件事配置清楚迁移就完成了 80%。2. TaoToken 前置统一 Key 与 API 通道在配置 Hermes 之前先把模型通道准备好。Hermes 支持 20 个 Provider模型无关是它最大的优势之一。但如果你同时用 GLM-5.1、DeepSeek、Kimi 等多个模型逐个管理 API Key 会很麻烦。我的做法是通过 TaoToken 统一管理 Key 和 API 通道这样在 Hermes 里只需要配置一个 base_url 和一个 key切换模型时改模型名即可。TaoToken 的 API 地址是https://taotoken.net/api官网是https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content。你需要在控制台创建一个 API Key然后把它写进 Hermes 的环境变量文件。具体操作路径是登录后进入控制台在 API Keys 页面新建一个 Key复制保存。这个 Key 就是后续所有模型调用的统一凭证。这里有一个关键点Hermes 的 Provider 配置支持自定义 base_url。也就是说你不需要为每个模型单独填一个厂商的地址而是统一指向 TaoToken 的 API 通道由它来路由到具体模型。这样做的好处是密钥只有一份切换模型只改模型名不用改配置结构。对于需要长期运行、频繁切换模型的 Agent 场景这个设计能省掉大量重复配置工作。如果你还没有 Key可以先到模型对话页面体验一下通道是否通畅确认能正常返回结果后再去控制台创建正式 Key。对于长期编码和 Agent 场景建议直接看 Coding Plan 页面它针对高频调用做了额度优化。接入文档里有完整的参数说明和示例请求配置前扫一眼能避免很多低级错误。3. 可复制配置config.toml 与 settings.json 骨架这一节是全文的核心交付。我会给出两份骨架config.toml适合较新版本的 Hermessettings.json适合偏好 JSON 配置的场景。两份配置的语义一致你选一份用即可。配置文件的默认位置在~/.hermes/目录下密钥放在~/.hermes/.env。先看config.toml骨架。重点看[models]和[providers]两段它们决定了模型通道怎么走# ~/.hermes/config.toml [agent] name hermes-main soul_file ~/.hermes/SOUL.md memory_file ~/.hermes/MEMORY.md user_file ~/.hermes/USER.md skills_dir ~/.hermes/skills [providers.taotoken] type openai-compatible base_url https://taotoken.net/api api_key_env TAOTOKEN_API_KEY [models] main glm-5.1 auxiliary_summary deepseek-v4 auxiliary_memory deepseek-v4 auxiliary_skill glm-5.1 [models.routing] default_provider taotoken [compression] enabled true threshold 0.8 target_ratio 0.5 [delegation] enabled true max_spawn_depth 2 [security] secret_redaction true smart_approvals true对应的settings.json等价写法如下字段名做了 JSON 化处理语义完全一致{ agent: { name: hermes-main, soul_file: ~/.hermes/SOUL.md, memory_file: ~/.hermes/MEMORY.md, user_file: ~/.hermes/USER.md, skills_dir: ~/.hermes/skills }, providers: { taotoken: { type: openai-compatible, base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY } }, models: { main: glm-5.1, auxiliary_summary: deepseek-v4, auxiliary_memory: deepseek-v4, auxiliary_skill: glm-5.1, routing: { default_provider: taotoken } }, compression: { enabled: true, threshold: 0.8, target_ratio: 0.5 }, delegation: { enabled: true, max_spawn_depth: 2 }, security: { secret_redaction: true, smart_approvals: true } }密钥文件~/.hermes/.env只需要一行TAOTOKEN_API_KEYsk-你的实际Key这里有几个参数值得解释。type openai-compatible表示走 OpenAI 兼容协议TaoToken 的 API 通道支持这个协议所以 Hermes 可以直接对接。api_key_env指向环境变量名而不是把 Key 硬编码在配置文件里这样配置文件可以安全地分享或提交到版本库。auxiliary_summary和auxiliary_memory用轻量模型是因为上下文压缩和记忆摘要属于高频低难度任务用便宜模型能显著降低成本。compression.threshold 0.8表示上下文用到 80% 时触发压缩压缩到原来的 50%这个比例在长对话场景下比较平衡。注意如果你安装的 Hermes 版本读取的是config.yaml把上面的 TOML 结构转成 YAML 即可字段名不变。不要同时保留两份配置文件否则可能出现配置覆盖。4. 验证请求从 doctor 到 Memory 与 Skill 检查配置写完之后不要急着开始聊天先按顺序做四步验证。这四步能帮你确认通道、记忆、技能三个子系统都正常工作。第一步跑hermes doctor。这个命令会逐项检查 Python 版本、依赖完整性、模型配置有效性、工具链状态。如果模型通道配置有误它会直接报出来。预期结果是全部绿色通过。如果有红色报错按提示修复修完再跑一次。第二步验证模型通道是否真的通。进入对话模式后发一条最简单的请求hermes然后在对话里输入你好请用一句话介绍你自己并告诉我你当前使用的模型名称。如果返回结果正常说明 TaoToken 通道和 GLM-5.1 模型都通了。如果报 401检查.env里的 Key 是否正确如果报 404检查base_url是否写成了https://taotoken.net/api注意结尾不要多加斜杠。第三步验证 Memory 是否写入。在对话里给一条明确的偏好信息记住我是一名 AI 算法工程师主力模型用 GLM-5.1团队做医疗对话大模型。然后退出对话查看记忆文件cat ~/.hermes/MEMORY.md cat ~/.hermes/USER.md预期结果是MEMORY.md里出现你刚才说的项目信息USER.md里出现用户画像相关条目。这里要理解一个设计Hermes 采用 Frozen Snapshot 机制新写入的记忆只在下一个会话生效。所以如果你在当前会话里问它「我刚才说了什么」它可能不记得这是刻意的设计不是 bug。新开一轮对话就能看到效果。第四步验证 Skill 是否生成。Skill 的自动生成需要触发条件通常是同一任务调用工具超过 5 次、或遇到错误并成功克服、或用户纠正了 Agent 的做法。你可以手动触发一次帮我写一个 Python 脚本统计当前目录下所有 JSONL 文件的行数然后运行它把结果告诉我。Agent 会调用文件操作和代码执行工具。完成后查看技能目录ls ~/.hermes/skills/ hermes skills list如果看到新生成的技能文件说明 Skill 子系统工作正常。技能文件是SKILL.md格式包含名称、描述、触发词和流程步骤。你可以打开看看 Agent 是怎么把你的操作沉淀下来的。5. 本篇常见错排查迁移过程中最容易踩的坑集中在配置和迁移两个环节。下面按报错现象分类整理。报错一hermes doctor提示模型配置无效。最常见原因是.env文件没有被加载。Hermes 读取环境变量的顺序是先读~/.hermes/.env再读系统环境变量。如果你把 Key 写在了系统环境变量里但没写进.env某些版本可能读不到。解决办法是统一写进~/.hermes/.env然后重载 shellsource ~/.zshrc或source ~/.bashrc。报错二请求返回 401 Unauthorized。检查三件事Key 是否复制完整有没有漏掉前缀、Key 是否已过期、.env里变量名是否和配置文件里的api_key_env一致。变量名大小写敏感TAOTOKEN_API_KEY和taotoken_api_key是两个不同的变量。报错三请求返回 404 或连接超时。检查base_url是否写成了https://taotoken.net/api。不要写成https://taotoken.net/api/v1或结尾带斜杠除非接入文档明确说明需要。不同 Provider 的路径规范不同以文档为准。报错四迁移后 Memory 为空。从 OpenClaw 迁移时如果用了--preset user-data只迁移用户数据不含密钥这是正常的。检查迁移命令是否执行成功hermes claw migrate --dry-run先预览再实际执行。迁移完成后OpenClaw 的原始数据不会被删除所以即使迁移失败原来的数据还在。迁移内容包括人格文件、记忆数据、自建技能、命令审批白名单、各平台 API Key、TTS 资源和工作区指令。自建技能会导入到~/.hermes/skills/openclaw-imports/目录。报错五Skill 不生成。先确认skills_dir路径存在且有写权限。然后确认触发条件是否满足——单次任务工具调用次数不够、或者任务太简单都不会触发技能生成。可以手动跑一个多步骤任务来触发。另外Nudge Engine 默认计数器阈值是 10达到阈值才会触发一次记忆写入或技能生成所以不是每次对话都会立刻产生新技能。报错六切换模型后记忆丢失。这是误解。模型切换不影响已积累的记忆和技能因为记忆存在本地文件里和模型无关。如果你觉得「记忆丢了」大概率是 Frozen Snapshot 机制导致的——新记忆要下一个会话才生效。新开一轮对话即可。提示遇到任何问题第一反应是跑hermes doctor80% 的问题它能直接告诉你答案。如果 doctor 全绿但还有问题再检查hermes model确认 Provider 配置或跑hermes setup重新初始化。6. 迁移后的长期使用与 CTA迁移完成、验证通过之后接下来就是让它跑起来积累。我的建议是先把 SOUL.md 写好这部分值得花 15 分钟认真写。SOUL.md 定义了 Agent 的人格、沟通风格、专业领域和你的身份信息。写好了后面的每一次对话都在这个基础上积累。没有 SOUL.md 的 Hermes 就像一个没有性格的通用助手每次对话都要重新解释你是谁。然后是日常使用中的两个习惯。一是定期看/insights --days 7它相当于给你的 AI 助手出一份周报总结这周学到了什么、哪些技能被频繁调用、哪些任务模式在重复。二是定期看~/.hermes/skills/目录你会发现 Agent 自动把很多重复操作沉淀成了标准流程。我用下来最常用的两个自动生成技能是「日报生成」和「简历筛选」因为这两个操作确实每天都在做。如果你在配置过程中遇到通道或接入问题可以直接看接入文档和 API Keys 页面里面有完整的参数说明。如果你想先验证模型通道是否通畅模型对话页面可以快速试一条请求。对于需要长期跑编码和 Agent 任务的场景Coding Plan 针对高频调用做了额度优化比按量计费更划算。最后说一个我踩过的坑不要同时保留config.toml和config.yaml两份配置文件。Hermes 的加载顺序在不同版本里可能不同同时存在会导致配置覆盖表现为「我明明改了配置但没生效」。统一用一份改完跑一次hermes doctor确认再开始对话。这个习惯能帮你省掉大量排查时间。
