Nous Research 7月1日发布的"The Judgment Release"，一口气清了496个P0/P1 issue，新增了Mixture-of-Agents、自主验证闭环和技能蒸馏能力——本文带你逐一手操。

如果你还在用"一个模型打天下"的工作方式，这篇文章可能会改变你的效率曲线。

Hermes Agent v0.18.0（v2026.7.1）是今年截至目前最大的一次发布：~1,720次commit、998个PR合入、381位贡献者。但数字不是重点——重点在于这次更新把三个"之前只能手动搞定"的痛点做成了系统级能力。

三个能力，对应三个场景：

一、MoA 多模型议会：告别单一模型盲区

Mixture-of-Agents（MoA）是这次更新的头号功能。简单说：你可以同时让 Claude、GPT-5、Gemini 等多个模型回答同一个问题，然后由一个聚合模型综合分析，输出最优答案。

为什么需要它？

单一LLM有天然的"口味偏好"和"知识盲区"。举例：
- Claude 偏向谨慎保守，可能在商业策略上过于悲观
- GPT-5 擅长创意发散，但可能在技术细节上不够严谨
- Gemini 对Google生态（搜索数据）更敏感

MoA的做法不是简单地"投个票"，而是让聚合器阅读每个模型的完整推理过程，再做出综合判断。这在AI创业场景中尤为有用——当你需要做定价决策、评估技术路线、分析竞品时，多角度视角比单一模型可靠得多。

配置步骤

Step 1：定义 MoA 预设

在 Hermes 配置文件的 models 部分新增 moa provider：

# ~/.hermes/config.yaml
models:
  moa:
    presets:
      my-council:
        models:
          - provider: anthropic
            model: claude-sonnet-4-20250514
          - provider: openai
            model: gpt-5
          - provider: google
            model: gemini-2.5-pro
        aggregator:
          provider: anthropic
          model: claude-opus-4-20250514
        streaming: true  # 聚合结果流式输出，不用干等

Step 2：使用预设

配置好后，my-council 会像一个普通模型一样出现在模型选择列表里：

# CLI 中切换
/model moa:my-council

# 然后正常提问即可
"分析一下AI Agent赛道2026下半年的三个机会点"

Step 3：一键调用（/moa命令）

如果不想配预设，也可以用 /moa 直接调用默认MoA：

/moa "我的AI SaaS产品定价应该选$29/月还是$99/月？请综合多角度分析"

输出形态

MoA最实用的一点是它不会只给一个冷冰冰的最终答案。在CLI/TUI/桌面端，你会看到：

[GPT-5] 我认为$29/月适合快速获客，理由：...
[Claude Sonnet] 我倾向于$99/月但要加免费层，理由：...  
[Gemini 2.5 Pro] 建议$49/月中间价位，理由：...
———————————————————————
[聚合器] 综合三位模型的建议，推荐策略：
1. 起步期$29/月快速积累用户
2. 同步推出$99/月的Pro版捕获高价值用户
3. 3个月后根据数据调整到$49/月均衡点

每个模型的推理都是可见的——这意味着你可以判断聚合器是否公正地综合了各方意见。

实战场景

对于一人公司AI创业者，MoA最有价值的三个场景：

1. 竞品分析：同时让3-5个模型分析竞品官网/文档，聚合出更全面的SWOT
2. 内容选题决策：把候选标题/选题丢给MoA，让不同模型从各自角度评估爆款潜力
3. 技术选型：让擅长代码的Claude、擅长架构的GPT-5、擅长生态的Gemini分别评价技术栈

二、/goal 自主验证：AI不再"感觉做完了"

/goal 解决的问题极其现实：AI agent经常说"做好了"，但你一检查发现只做了70%。

v0.18.0的解决方案是引入"完成合约"（completion contracts）——你先定义什么叫"做完"，然后agent执行过程中会自己判断是否达标，并给出证据。

基本用法

/goal "写一篇关于MoA的公众号文章"
# Hermes会追问：怎么判断文章写完了？
# 你可以定义完成标准：
# - 字数≥2000
# - 包含3个可运行的代码示例
# - 每个章节至少1个真实案例
# - 文末有CTA行动号召

然后Hermes进入执行循环：执行任务 → 对照标准自检 → 如果不达标继续修改 → 直到自己判断"完成了" → 输出证据。

进阶：/goal wait 后台挂起

/goal "每小时检查OpenClaw和Claude Code的GitHub commits，发现重大更新立即通知我"
/goal wait <pid>  # 把这个goal放到后台

这让你可以前台继续工作，后台goal持续运行。

pre_verify 钩子

对于编码类任务，可以挂自定义验证脚本：

# ~/.hermes/config.yaml
hooks:
  pre_verify:
    - command: "pytest tests/ -x --tb=short"
      timeout: 60
    - command: "ruff check ."
      timeout: 30

Hermes在判定"任务完成"前会跑这些验证——测试不通过→不算完成→继续修。对于一人公司来说，这相当于给你的AI助手加了一个QC环节。

三、/learn 技能蒸馏：把经验变成可复用技能

这是最被低估但长期价值最大的功能。/learn 可以从目录、URL或工作流中自动提炼可复用的Skill。

为什么重要？

一个人公司的瓶颈永远是"时间"。如果你做了一个很棒的竞品分析流程，下次做同类分析时又得重新描述一遍。/learn 让这个流程变成永久技能，一次投入，重复调用。

使用方式

# 从工作目录学习
/learn ~/projects/competitor-analysis/

# 从URL学习  
/learn https://your-company.com/playbooks/seo-checklist

# 从工作流学习（基于你刚刚完成的一系列操作）
/learn workflow

Hermes会分析输入来源，自动提取关键步骤、决策点、输入输出格式、边界情况处理方法，然后生成一个可调用的Skill文件。下次你只需要说"用竞品分析技能帮我分析XX公司"即可。

配合 /journey 追踪成长

/journey  # 查看Hermes学到的所有技能和时间线

桌面端还提供了Memory Graph可视化——一个可播放的径向时间线，展示记忆和技能的积累过程。对一人公司来说，这相当于是你的"AI能力资产表"。

四、一人公司怎么用这套组合拳

把三个功能串起来用：

1. /learn → 先把你的核心业务流程蒸馏成Skills（一次投入）
2. MoA → 在做关键决策（定价、选型、选题）时，让多模型议会帮你把关
3. /goal → 把日常重复性任务设成带验证标准的自主任务

举个完整例子——AI内容创业者的日常工作流：

# 早上：用/learn提炼昨天的优秀流程
/learn workflow  # 把昨晚成功的内容生产流程变成技能

# 选题决策：用MoA多角度评估
/model moa:my-council
"这是今天5个候选选题：... 请各模型从爆款潜力、竞争度、读者价值三个维度分别打分说明理由"

# 内容生产：用/goal设定验收标准
/goal "写一篇1500字的热点速报"
# 完成标准：字数≥1500、3个数据引用、2个配图位置、文末CTA

# 下午：/goal wait挂在后台持续监控竞品动态
/goal "每小时刷一次竞品公众号，有新文章>5000阅读的立即摘要通知"
/goal wait <pid>

这套组合的核心逻辑：减少你的决策成本、验收成本、重复描述成本。 这些加起来，至少能省出一人公司每天2-3小时的时间。

五、升级与上手

如果你已经在用Hermes Agent：

hermes update
# 或
pip install -U hermes-agent

v0.18.0 之后还有两个补丁版本：
- v0.18.1（7月7日）：基础设施补丁，660+ PR累积更新
- v0.18.2（7月7日）：修复 WhatsApp Baileys 依赖问题

建议直接升到 v0.18.2。

总结

v0.18.0 是 Hermes Agent 从"能干活的助手"升级为"能自己管好自己的同事"的关键版本。对于资源有限的一人公司，这三个功能的价值远超版本号本身。

你已经在用Hermes Agent了吗？最想尝试哪个新功能？评论区聊聊。

Agent工坊 #HermesAgent #AI工具 #一人公司 #MixtureOfAgents