鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
4
3
2

Hermes Agent 不用手动安装:一台云服务器,快速接入微信

兮动人
兮动人
2026-07-13 10:51
阅读 1404
兮动人
2026-07-13 10:51
阅读 1404

image.png

Hermes Agent 不用手动安装:一台云服务器,快速接入微信

上一篇文章里,我完整走了一遍 Hermes Agent 的手动安装流程,包括环境配置、模型接入、联网搜索和微信机器人。

手动安装的优点是过程透明、方便定制,但并不是每个人都想从配置环境开始。如果你的目标只是尽快把 Hermes Agent 跑起来,并让它在云端长期在线,那么直接使用云厂商提供的应用镜像会省事很多。

应用镜像可以理解为一套已经装好 Hermes Agent 的服务器环境。创建服务器后,不用再逐个安装 Python、Node.js 和项目依赖,只需要进入管理面板,完成模型、消息通道和技能配置即可。

这篇文章以腾讯云轻量应用服务器的 Hermes Agent 镜像为例,演示如何完成部署并接入微信。

想了解手动安装过程,可以先看上一篇:

Hermes Agent 保姆级安装教程:从 0 到 1 搭建自己的 AI 微信机器人

为什么选择云服务器

Hermes Agent 放在本地电脑上也能运行,但长期使用时会遇到几个实际问题:

  • 电脑关机后,Agent 也会随之离线
  • 本地开发环境容易受到其他项目影响
  • 远程访问、日志查看和故障排查不够方便
  • 接入微信、飞书、钉钉等消息通道后,需要设备保持在线

如果只是临时体验,本地运行已经够用;如果想把它当成一个长期在线的微信助手,放在云服务器上会更合适。

应用镜像又进一步省去了手动搭环境的步骤。服务器创建完成后,Hermes Agent 已经预装好,后续配置基本可以在可视化面板里完成。

开始前需要准备什么

正式开始前,先准备好下面三样东西:

  1. 一台支持 Hermes Agent 应用镜像的云服务器
  2. 可用的大模型服务,例如 Token Plan 或模型厂商提供的 API Key
  3. 用于接收授权消息的微信账号

其中,模型服务是必需的。Hermes Agent 本身不包含大模型,需要调用外部模型才能正常对话。

第一步:选择 Hermes Agent 应用镜像

进入腾讯云轻量应用服务器购买页面,在镜像类型中选择“应用镜像”。

腾讯云轻量应用服务器应用镜像

在应用列表中找到 Hermes Agent,选中后创建服务器。

选择 Hermes Agent 镜像

阿里云轻量应用服务器也提供了类似的应用镜像入口,操作思路基本一致。

阿里云轻量应用服务器应用镜像

应用镜像最大的作用,就是提前准备好运行环境。实例启动后,不需要再从零安装 Python、Node.js、依赖包和 Hermes Agent。

有云服务器需求的,可以先看一下活动配置和价格:

腾讯云优惠

阿里云优惠

第二步:进入 Hermes Agent 配置面板

购买时确认镜像选择的是 Hermes Agent。

购买时选择 Hermes Agent 镜像

实例创建完成后,进入轻量应用服务器控制台,在实例详情页找到 Hermes Agent 的应用管理或配置入口。

打开 Hermes Agent 配置入口

打开后会进入可视化配置面板。接下来主要处理三个模块:

模块需要完成的配置
Models接入大模型,并设置默认模型
Channels接入微信等消息通道
Skills按需安装扩展技能

建议按照“模型、通道、技能”的顺序配置。先保证 Agent 能正常调用模型,再连接微信,最后根据需要增加技能,排查问题时会更清楚。

第三步:配置默认模型

进入 Models 区域,选择要使用的模型服务。面板中可以选择不同厂商的 Code Plan、Token Plan,也可以填写模型厂商提供的 API Key。

选择模型提供商

我这里使用的是腾讯云 Token Plan,因为账号中还有 glm-5-turbo 的 100 万 Token 额度。你可以根据自己已有的套餐和调用成本选择。

选择 Token Plan

选择 GLM 模型

选好模型后,记得点击“切换为默认”。

切换默认模型

这是最容易漏掉的一步。仅仅选中模型并不代表配置已经生效,Hermes Agent 会优先调用被设置为默认的模型。

切换后,面板通常会重启 Hermes Agent Gateway,使新配置生效。等待重启完成,再进行下一步。

第四步:接入微信通道

模型配置完成后,进入 Channels 区域。选择微信通道,然后点击“授权接入”。

选择微信通道

页面会显示授权二维码,使用手机微信扫码。

微信扫码授权

手机端出现连接确认页面后,根据提示继续操作。完成授权,再回到配置面板查看“已接入通道”;如果列表中已经出现微信记录,说明通道连接成功。

需要注意的是,如果这个微信账号之前连接过 OpenClaw 或其他 Agent,新授权可能会替换原来的连接。是否覆盖以授权页面的实际提示为准,确认后再继续。

第五步:按需安装技能

模型决定 Hermes Agent 如何理解和回答问题,消息通道决定在哪里与它对话,Skills 则用来扩展它能执行的任务。

腾讯云面板中的技能来自 SkillHub,可以直接搜索并安装。下面以 self-improving-agent 为例:

安装 self-improving-agent 技能

安装前先阅读技能说明,确认它的用途、来源和所需权限。特别是涉及文件读写、命令执行或网络访问的技能,不建议在不了解作用的情况下批量安装。

第一次部署时,可以先不安装额外技能。等模型调用和微信对话都正常后,再根据实际需求逐个添加,这样出现问题时更容易定位原因。

第六步:在微信里测试

完成模型和微信通道配置后,直接在微信中发送一条简单消息,例如“你好”或“介绍一下你自己”。

微信中与 Hermes Agent 对话

能够正常收到回复,说明整条调用链路已经打通:

▼
text
复制代码
微信发送消息 ↓ Hermes Agent Gateway 接收消息 ↓ 调用默认模型 ↓ 模型生成回复 ↓ 微信收到回复

基础对话跑通后,再继续尝试定时任务、Token 统计、Agent 修复等功能。

定时任务、Token 统计和 Agent 修复

部署完成后检查这四项

如果不确定配置是否完整,可以按照下面的顺序检查:

  • Models 中已经设置默认模型
  • 模型套餐还有额度,或者 API Key 可以正常使用
  • Channels 中能看到已接入的微信通道
  • 微信发送消息后能够收到正常回复

前两项决定模型能否被调用,后两项决定微信消息能否正常收发。按照这个顺序检查,比同时反复修改多个配置更容易找到问题。

应用镜像和手动安装怎么选

如果你第一次接触 Hermes Agent,或者只是想尽快部署一个长期在线的微信助手,应用镜像更合适:

  • 创建服务器后即可使用预装环境
  • 模型、微信和技能都能在面板中配置
  • 不用反复处理依赖、PATH、Node.js 和 Python 环境
  • 服务状态和常用功能有可视化入口

如果你准备修改源码、调试安装脚本、自定义 Gateway 或调整底层工具链,那么手动安装会更灵活。

简单来说,应用镜像适合快速部署和日常使用,手动安装适合深入研究和个性化改造。两种方式没有绝对的好坏,主要看你是否需要操作底层环境。

常见问题

已经配置模型,为什么还是不能回复

先检查模型是否已经设置为默认。如果只是选中了模型,却没有点击“切换为默认”,Hermes Agent 可能不会调用它。

然后检查 Token Plan 是否还有额度,或者 API Key 是否正确、是否已经过期。

微信扫码时提示会覆盖原连接

这通常表示当前微信账号已经连接过其他 Agent。继续授权后,原来的连接可能会被解除。

如果还要保留原来的 Agent,先不要确认覆盖;如果本来就准备改用 Hermes Agent,可以按照页面提示继续。

技能需要全部安装吗

不需要。

技能越多,不代表使用效果一定越好,还可能增加权限和排查成本。先安装自己明确需要的技能,确认运行正常后再逐步增加。

写在最后

使用应用镜像部署 Hermes Agent,真正需要操作的核心步骤并不多:创建服务器、设置默认模型、授权微信通道,然后在微信里完成一次对话测试。

相比手动安装,这种方式少了环境配置和依赖排查,更适合想先用起来的人。等你熟悉 Hermes Agent 的工作方式后,如果还想修改源码或深度定制,再切换到手动安装也不迟。

欢迎关注我的公众号【兮动人】,每天分享一些技术文章和实战经验。

AI
4
2
分享
操作
评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片

目录

🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
430
2
DeepSeek 全新模型发布,性价比最高的一集!
390
3
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
380
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
360
5
又一个国产版 Codex 神器,也来卷办公了!
330
6
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
310
7
AI 越强,被它拒绝的代价就越大 我有时候会想:AI 越来越厉害之后,有些事情,会不会反而越来越难做? 这个想法看起来有点矛盾。AI 明明在降低门槛,让不会写代码的人做出软件,让不会画画的人生成图片,让一个人完成过去需要整支团队才能完成的工作。但今天用 Codex 的时候,AI 拒绝帮我编写 SQL 注入的请求体,而那还是我有源码、在本地跑测试的情况。那么,往后是否只会更难? 我们假设某一天,AI 说:「这个请求违规,我不能帮助你。」到那个时候,你还有多少能力,能绕过它,把事情做完? 这里的「违规」需要打个引号。平台的规则、模型的判断、法律的要求,以及一件事实际有没有造成伤害,彼此之间并不总是画得上等号。一个请求可能确实危险,也可能只是缺少上下文被误判,或者恰好落在某家公司的限制范围里。 无论是哪种情况,随着我们越来越依赖 AI,这句拒绝都可能变得越来越贵。 今天,一个程序员让 AI 帮忙写代码,AI 拒绝了,他大概率还有别的办法:查文档、找开源项目、问同行,或者自己写。麻烦一点,慢一点,但路还在。 可如果十年之后,大部分程序都由 AI 完成,情况就不一样了。 很多人从接触编程的第一天起,就习惯了描述需求、等待生成、运行结果、继续迭代。他们能做出相当复杂的产品,却未必经历过独立处理底层问题的训练。平时,这种能力结构完全够用,效率甚至更高。只有 AI 拒绝的时候,他们才会发现:平常被省掉的那段学习过程,恰好是此刻最需要的东西。 到那时,一次拒绝的成本,可能就从「今晚多花两个小时」,变成「先花半年学会这门技术」。 拿 SQL 注入举个稍显极端的例子:往后,连真正理解这类攻击如何发生、能够独立构造测试的人,会不会也越来越少? 这里也包括那些有正当需求的人。一个开发者想检查自己的旧系统,一个经过授权的安全研究员想复现漏洞,假如 AI 识别到危险模式就拒绝,而使用者又只熟悉「让 AI 帮我检查」,这项原本可以独立完成的工作,就这样卡住了。 但是安全专家不会因此消失,但这类技能可能越来越集中在少数人手里。你仍然可以找专家,只是要付出更多的钱、更多的时间,以及更高的沟通成本。 类似的困境,未必只发生在网络安全领域。 你想从一个停止维护的软件里取回自己的数据,需要解析它的旧文件格式。AI 判断这涉及规避保护措施,拒绝继续。你拥有这些数据,却没有能力把它们读出来。 你买了一台设备,厂商停止提供服务。你想修改程序让它继续运转,过程中需要处理某种访问限制。AI 不愿协助,而你所掌握的维修方式,早已只剩下「把报错发给 AI」。 你想给常用的网站写一个辅助工具,减少重复操作。平台将此归入自动化限制,AI 也据此拒绝。过去会写脚本的人可以自己判断、自己处理;未来的使用者,可能连从哪里开始都不知道。 这些例子有一个共同点:当工具同时承担了「执行工作」和「传授知识」的角色,它的拒绝就不只是挡住了一次任务,也挡住了获得这种能力的机会。 更麻烦的是,这种依赖往往是我们主动选择的,而且每一步都很合理。 既然 AI 几秒钟就能做好,为什么还要花几个月学习?既然公司可以采购成熟的 AI 服务,为什么还要养一支负责基础工作的团队?既然市场上已经很少有人手写这些东西,学校为什么还要花大量时间教? 对个人、公司和学校来说,这些选择都有现实依据。但叠加起来,整个社会保留的独立能力就可能越来越少。等到某项能力突然受到限制,我们才发现,备用方案早已在追求效率的过程中被一点点削掉了。 所以,「AI 越强,做事越便宜」可能只描述了未来的一半。 另一半是:被允许的事情越来越便宜,被拒绝的事情依然需要人工完成,却要面对更少的人才、更高的报价,以及越来越难获得的知识。两边的成本差距,会越拉越大。 有人会说,可以换一个模型,或者用本地模型。这确实是重要的选项。只要工具之间还有充分竞争,开放模型还足够可用,限制就未必能形成真正的门槛。 但备用方案也需要维护。它需要硬件、知识、软件生态,以及一群仍然理解这些系统的人。如果大多数人已经习惯了最方便的商业服务,那么「理论上还有别的办法」和「普通人实际用得起、用得明白」,之间仍然可能隔着很远。 我担心的,正是这段距离。 我不指望 AI 对任何请求都照单全收。对明显会伤害他人的行为设置限制,有充分的理由。但我们也需要关心:限制由谁定义,误判有没有申诉渠道,用户能不能换工具,以及脱离这个工具之后,还剩下多少独立行动的能力。 保留这些能力,平时看起来甚至有点低效,明明可以自动生成,还要理解原理;明明可以一键完成,还要知道手动怎么做。 但这些看似多余的知识,会在工具拒绝、失效、涨价或改变规则的那一刻,成为真正的选择权。 AI 越强,我们可能越需要留意它说「不」的那一刻。 因为那句话的分量,最终取决于:它拒绝之后,我们还能做什么。
310
8
什么是LLM
300
9
我的第一个出海产品!7 天 2 万
290
10
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
290
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题