项目档案库 / SDK

Hermes Agent 自我进化系统：使用 DSPy+GEPA 自动优化技能与提示词 | 安装使用指南

Hermes Agent Self-Evolution 是一个无需 GPU 的自动化进化系统，利用 DSPy 和 GEPA 算法优化 Hermes Agent 的技能、工具描述和系统提示。适用于开发者系统化提升 Agent 性能，页面提供项目定位、安装步骤、使用命令及技术实现细节，每次运行成本约 2-10 美元。

5,373PythonStar 于 2026年4月12日2026年9月19日更新

查看 GitHub 仓库

AI 总结

Hermes Agent Self-Evolution 是一个基于 DSPy 和 GEPA 算法的自动化进化系统，通过反射式搜索无 GPU 优化 Hermes Agent 的技能、提示词和代码，每次运行成本仅 2-10 美元，显著提升 Agent 性能。

中文项目介绍

Hermes Agent Self-Evolution 是一个专为 Hermes Agent 设计的自我进化系统，旨在自动化优化其核心组件，包括技能文件、工具描述、系统提示和工具代码。项目解决手动调优 LLM Agent 组件效率低下、缺乏系统化方法的问题，通过分析执行轨迹理解失败原因，并生成针对性改进，从而降低人工成本并提升性能。系统采用 DSPy 框架结合 GEPA（遗传-帕累托提示进化）算法，无需 GPU 训练，仅依赖 API 调用完成变异、评估和选择，每次优化运行成本约 2-10 美元。当前已实现 Phase 1 技能文件的优化，支持基于合成数据或真实会话历史（如 Claude Code、Copilot）生成评估集；Phase 2 至 Phase 5 分别规划了工具描述、系统提示、代码进化及持续改进循环，其中代码进化将集成 Darwinian Evolver 引擎。技术特征包括双引擎架构（DSPy+GEPA 处理文本，Darwinian 处理代码）、严格的约束门机制（测试套件、大小限制、缓存兼容、语义保持）以及通过 PR 提交变更的人工审查流程。适用场景涵盖开发者希望系统化提升 Hermes Agent 特定技能（如 github-code-review）的性能，或基于历史会话数据持续优化 Agent 行为。

详细信息与使用说明

1. 项目定位与用途

Hermes Agent Self-Evolution 是 Nous Research 推出的自动化优化系统，专为 Hermes Agent 设计。其核心用途是通过遗传-帕累托提示进化（GEPA）与 DSPy 框架，自动进化并优化 Agent 的技能定义、工具描述、系统提示片段及工具实现代码，从而减少人工调优工作量，提升 Agent 在复杂任务中的表现。项目定位为一个无需 GPU 的轻量级进化引擎，所有操作通过 LLM API 调用完成，适合集成到 Agent 开发流程中实现持续自我改进。

2. 解决的问题

传统手动优化 LLM Agent 组件（如技能提示词、工具描述）依赖专家经验，效率低且难以系统化。本项目通过反射式进化搜索，分析 Agent 执行轨迹中的失败原因，自动生成并评估候选变体，从而解决以下问题：一是优化过程缺乏数据驱动，仅依赖直觉；二是组件间协同调优复杂，易引入回归；三是人工迭代成本高。系统通过约束门（测试、大小、语义保持）确保变体安全，并以 PR 形式提交，实现可控的自动化改进。

3. 适用场景

主要适用于 Hermes Agent 开发者或研究者，需要系统化提升特定技能（如 github-code-review）的性能。支持两种评估数据源：一是合成数据，快速启动进化；二是真实会话历史（Claude Code、Copilot、Hermes），基于实际使用反馈优化。未来扩展后，还可用于工具描述的清晰度优化、系统提示的关键片段调整以及工具代码的自动化改进。适合希望降低人工调优成本、追求 measurable 性能提升的团队。

4. 安装方式

安装步骤基于仓库提供的命令：首先克隆仓库到本地：git clone https://github.com/NousResearch/hermes-agent-self-evolution.git；进入目录并安装依赖：cd hermes-agent-self-evolution && pip install -e ".[dev]"，这会安装核心依赖（dspy、openai 等）及开发依赖（pytest）。随后需设置环境变量 HERMES_AGENT_REPO 指向 hermes-agent 仓库路径，例如 export HERMES_AGENT_REPO=~/.hermes/hermes-agent。仓库中未明确给出其他安装方式（如 Docker 镜像或二进制包）。

5. 使用方式

当前主要使用方式为进化技能文件，通过命令行调用：python -m evolution.skills.evolve_skill --skill <技能名> --iterations <迭代次数> --eval-source <数据源>。其中 --eval-source 可选 synthetic（合成数据）或 sessiondb（真实会话数据库）。例如进化 github-code-review 技能：python -m evolution.skills.evolve_skill --skill github-code-review --iterations 10 --eval-source synthetic。仓库中未明确给出其他命令或图形界面操作。

6. 补充说明与实现特点

项目采用双引擎设计：DSPy+GEPA 负责文本类组件（技能、工具描述、提示）的反射式进化，读取执行轨迹提出针对性变异；Darwinian Evolver（外部 CLI）负责代码进化，基于 Git 的有机体演化。所有变体必须通过约束门：100% 测试套件通过、技能文件 ≤15KB、工具描述 ≤500 字符、保持缓存兼容与语义不变，并以 PR 形式提交供人工审查。项目遵循 MIT 许可证，成本约 2-10 美元/ run，当前仅 Phase 1 实现，其余阶段在 PLAN.md 中有详细路线图。

思维导图

Hermes Agent Self-Evolution

核心模块

evolution.core

evolution.skills

evolution.tools

evolution.prompts

evolution.code

优化阶段

Phase1: 技能文件 (SKILL.md)

Phase2: 工具描述 (计划)

Phase3: 系统提示 (计划)

Phase4: 工具代码 (计划)

Phase5: 持续改进 (计划)

进化引擎

DSPy + GEPA (文本优化)

Darwinian Evolver (代码优化)

约束机制

测试套件通过

大小限制

缓存兼容

语义保持

PR人工审查

集成与输出

HERMES_AGENT_REPO 环境变量

生成 PR 提交

常见问题

Hermes Agent Self-Evolution 需要 GPU 吗？

不需要，所有优化操作通过 API 调用完成，无需本地 GPU 训练，仅依赖 LLM 服务完成变异、评估和选择。

优化一次大约花费多少？

根据 README，每次优化运行成本约 2-10 美元，具体取决于 API 调用量和迭代次数。

目前支持优化哪些 Hermes Agent 组件？

Phase 1 技能文件（SKILL.md）已实现；Phase 2 工具描述、Phase 3 系统提示、Phase 4 工具代码及 Phase 5 持续改进循环均为计划中，尚未实现。

如何确保优化后的变体安全可靠？

系统设置多重约束门：必须通过完整测试套件、满足大小限制（技能≤15KB、工具描述≤500字符）、保持缓存兼容和语义不变，且所有变更需经人工审查后以 PR 形式提交，不会直接commit。

可以使用真实会话数据来进化技能吗？

可以，通过设置 --eval-source sessiondb 参数，系统会使用 Claude Code、Copilot 和 Hermes 的会话历史作为评估数据源，替代合成数据。