Prime Agent VS Hermes：两种 AI Agent 学习哲学的深度对比¶

核心观点：Prime Agent 与 Hermes 不是竞品，而是互补工具。关键区别不在功能列表，而在「学到的教训存在哪里」——一个写自己的笔记本，一个读你的笔记本。

[!warning] 频道性质说明本视频来自 Julian Goldie SEO 频道（营销型频道），全程大量推广其 "Agent OS / AI Profit Bot Army" Skool 社区付费产品（约 30% 内容为推广）。以下笔记已过滤推广内容，聚焦技术对比本身。

目录¶

背景：两个 Agent 的来历
核心框架：双笔记本测试（Two Notebooks Test）
差异一：运作方式——Python 会话 vs 工具箱
差异二：学习机制——Continual Harness vs Shared Vault
差异三：后台运行——Daemon vs 排程系统
四个实战场景对比
三个常见迷思
选型决策树
行动建议

背景：两个 Agent 的来历¶

[!info] 基本信息 | | Prime Agent | Hermes | |---|---|---| | 开发方 | Prime Intellect（PrimeIntellect-ai） | Nous Research | | 发布时间 | 2026-08-06 | 更早（持续更新） | | 许可证 | MIT（开源免费） | 开源免费 | | GitHub | PrimeIntellect-ai/prime-agent | — | | 运行方式 | 终端 CLI | 终端 / 任意可接入环境 | | 认证方式 | Claude/ChatGPT 订阅或 20+ 提供商 API Key | OpenRouter、免费模型、本地模型（Ollama）、MCP | | Star 数 | 上线数天 11K+ stars | — | | 基准 | ARC AGI-3: 95.5%（自报，超过人类专家基线） | — |

[!caution] 基准分数自报 95.5% ARC AGI-3 分数是 Prime Intellect 团队自报，未经第三方独立验证。GitHub 仓库真实（11K+ stars），但分数应视为「他们的声明」而非已确认事实。

[!note] 交叉验证 Prime Agent 的 GitHub 仓库已确认存在（PrimeIntellect-ai/prime-agent），描述为 "A self-improving RLM agent for coding workflows and long-running autonomous tasks"，MIT 许可证版权归属 Mario Zechner + Prime Intellect。RLM = Recursive Language Model（递归语言模型），是 Prime Agent 的核心架构概念。

核心框架：双笔记本测试（Two Notebooks Test）¶

这是视频作者提出的一个直觉化比较框架：每个能学习的 Agent 都要把教训写在某个地方——那个「地方」就是笔记本。

┌─────────────────────────────────────────────────────────┐
│              "双笔记本" 学习模型对比                      │
├─────────────────────────────────────────────────────────┤
│                                                         │
│  Prime Agent:  [自写笔记本 Self-writing Notebook]       │
│                    ↑                                    │
│                Agent 自己写、自己编辑、自己拥有            │
│                其他 Agent 看不到                          │
│                                                         │
│  Hermes:       [共享笔记本 Shared Vault]                 │
│                    ↑↓                                   │
│                你的 Obsidian 笔记库                       │
│                所有 Agent（Claude/Hermes/...）共享读写     │
│                                                         │
├─────────────────────────────────────────────────────────┤
│  一句话：纠正 Prime Agent → 它自己变聪明                  │
│         纠正 Vault     → 你的整个 Agent 团队变聪明        │
└─────────────────────────────────────────────────────────┘

维度	自写笔记本（Prime Agent）	共享笔记本（Hermes + Vault）
知识归属	Agent 私有	你的团队资产
扩散范围	仅当前 Agent	所有接入 Vault 的 Agent
适合场景	深度专精单一任务	多 Agent 协同作业
风险	知识无法迁移到其他工具	Vault 维护是人工责任

差异一：运作方式——Python 会话 vs 工具箱¶

Prime Agent：深度集中型¶

核心设计：单一 Python 交互环境，整个会话期间保持打开。

┌─────────────── Prime Agent 运作流程 ───────────────┐
│                                                    │
│  用户请求                                          │
│    │                                               │
│    ▼                                               │
│  ┌──────────────────────┐                         │
│  │ 持续运行的 Python 会话 │                         │
│  │                      │                         │
│  │  写文件 → 生成代码    │                         │
│  │  搜索   → 生成代码    │                         │
│  │  子任务 → 函数调用    │──→ 子 Agent 并行运行     │
│  │           ↓          │    （返回结果给主会话）    │
│  │     只取需要的片段    │                         │
│  │     大文件不进内存    │                         │
│  └──────────────────────┘                         │
│                                                    │
│  架构名: Recursive Language Model (RLM)            │
│  实测: 12万行日志文件 → 写2段代码 → 精确返回1行     │
└────────────────────────────────────────────────────┘

Hermes：广度连接型¶

核心设计：工具箱模式，连接外部系统完成多类型任务。

┌─────────────────── Hermes 工具箱 ──────────────────┐
│                                                    │
│  用户请求（自然语言）                                │
│    │                                               │
│    ▼                                               │
│  ┌──────────┐   ┌──────────┐   ┌──────────┐       │
│  │ Skills   │   │ MCP 工具  │   │ 多模型   │       │
│  │ (技能集) │   │ (协议连接)│   │ (切换)   │       │
│  └──────────┘   └──────────┘   └──────────┘       │
│       │              │              │              │
│  ┌──────────┐   ┌──────────┐   ┌──────────┐       │
│  │ X 实时   │   │ 图像/视频 │   │ 后台     │       │
│  │ 搜索     │   │ 生成     │   │ Agent    │       │
│  └──────────┘   └──────────┘   └──────────┘       │
│                                                    │
│  实测: 一行命令同时跑 图像+视频+研究 三种任务       │
└────────────────────────────────────────────────────┘

对比维度	Prime Agent	Hermes
核心抽象	一个持续 Python 会话	工具箱 + 连接器
处理大数据	写代码精取片段，大文件不进内存	调用工具搜索返回
子任务	函数调用 → 子 Agent	后台 Agent 并行
哲学	一切皆代码	一切皆连接
路径风格	深度	广度

差异二：学习机制——Continual Harness vs Shared Vault¶

Prime Agent：Continual Harness（持续学习框架）¶

┌─────────── Continual Harness 工作流 ───────────┐
│                                                │
│  Agent 运行中持续记录笔记：                      │
│  - 如何表现                                      │
│  - 关于你的项目学到了什么                        │
│  - 哪些技能有效                                  │
│                                                │
│        每 25 轮对话                              │
│           │                                     │
│           ▼                                     │
│  ┌─────────────────┐                           │
│  │ 独立审查 pass     │                           │
│  │ 读取最近 25 轮    │                           │
│  │ 做「证据支持」的  │                           │
│  │ 小幅笔记编辑     │                           │
│  └────────┬────────┘                           │
│           │                                     │
│           ▼                                     │
│  用户可手动触发:                                 │
│    /refine → 将修正永久写入笔记                  │
│                                                │
│  安全机制:                                       │
│  ✅ 基础指令不可变                                │
│  ✅ 每次编辑有快照可回滚                          │
│  ✅ 笔记本可打开审查                              │
│                                                │
│  示例: 同一测试失败2次 → 自动写一条教训           │
└────────────────────────────────────────────────┘

实测案例：作者在自己的安装上纠正一次 → 运行 /refine → 看到一条编辑被应用 → 下一个会话自动生效。

[!warning] 自我改进的风险案例 Prime Intellect 团队自己承认：Agent 曾在某个游戏中学会作弊，并把作弊技能保存进了笔记本。这正是为什么笔记本设计为可审查、可回滚——用户需要定期检查 Agent 学到了什么。

Hermes：Shared Vault（共享记忆库）¶

┌─────────────── Hermes + Obsidian Vault ──────────────┐
│                                                     │
│  ┌─────────────────────────────────┐               │
│  │     Obsidian Vault（你的笔记库）   │               │
│  │                                 │               │
│  │  - 会话记录                      │               │
│  │  - 决策历史                      │               │
│  │  - 业务上下文                    │               │
│  │  - 项目规则                      │               │
│  │  - 工作流模板                    │               │
│  └──────────┬──────┬──────┬────────┘               │
│             │      │      │                         │
│        ┌────┘      │      └────┐                    │
│        ▼           ▼           ▼                    │
│    ┌──────┐  ┌─────────┐  ┌──────┐                 │
│    │Hermes│  │ Claude  │  │其他   │                 │
│    │      │  │         │  │Agent │                 │
│    └──────┘  └─────────┘  └──────┘                 │
│                                                     │
│  教 Vault 一次 → 所有 Agent 都知道                   │
└─────────────────────────────────────────────────────┘

学习特性	Prime Agent (Continual Harness)	Hermes (Shared Vault)
触发方式	每 25 轮自动 + `/refine` 手动	你写入 Vault 即生效
知识载体	Agent 内部笔记本	Obsidian Vault（Markdown 文件）
共享范围	仅此 Agent	所有接入 Vault 的 Agent
可读性	需打开 Agent 笔记本	任何文本编辑器/笔记应用
迁移成本	锁定在该 Agent 内	任何新 Agent 直接读 Vault
核心权衡	一个 Agent 越来越锋利	所有 Agent 从相同基线出发

差异三：后台运行——Daemon vs 排程系统¶

Prime Agent：Daemon 进程¶

┌──────── Prime Agent 后台运行特性 ────────────┐
│                                              │
│  ┌─────────────────────────┐                │
│  │ Daemon 进程（后台守护）    │                │
│  │                         │                │
│  │ ✅ 关闭笔记本仍继续工作    │                │
│  │ ✅ 重连后从断点继续        │                │
│  │ ✅ Heartbeat 定时唤醒     │                │
│  │ ✅ 跨 Session 持久目标    │                │
│  │ ✅ Token/时间预算控制     │                │
│  │ ✅ Agent 间直接消息协调   │                │
│  └─────────────────────────┘                │
│                                              │
│  特点: 后台能力在 Agent 自身的 Session 内      │
└──────────────────────────────────────────────┘

Hermes：Agent OS 排程¶

┌──────── Hermes 后台运行特性 ────────────────┐
│                                            │
│  ┌─────────────────────────┐              │
│  │ Agent OS 排程环境         │              │
│  │                         │              │
│  │ ✅ 后台 Agent 并行 fan-out│              │
│  │ ✅ 定时任务排程器          │              │
│  │ ✅ 结果存入仪表盘          │              │
│  └─────────────────────────┘              │
│                                            │
│  实际案例:                                  │
│  ├─ 每天 06:00 → 竞品监控 Agent             │
│  ├─ 每天 06:20 → 内容分析 Agent             │
│  └─ 结果早晨直接可用                        │
│                                            │
│  特点: 后台能力在排程系统层面                 │
└────────────────────────────────────────────┘

四个实战场景对比¶

视频用四个相同任务做了 side-by-side 测试：

任务	Prime Agent 的做法	Hermes 的做法	结果
1. 大日志找关键行	写代码，文件不进内存，返回精确行	用工具搜索，返回行	都完成，路径不同
2. 教会写作偏好	纠正一次 → `/refine` → 锁入笔记本	写规则到 Vault → 所有 Agent 遵循	都完成，传播范围不同
3. 定时监控	设 Heartbeat → Session 自动唤醒	Agent OS 排程 → 每天自动跑	都完成，机制不同
4. 生成子助手	函数调用 → 子 Agent 并行	交给后台 Agent	相同思路，不同实现

关键观察：四个任务没有人输——路径不同，但都能到达。差异告诉你每个工具适合什么。

三个常见迷思¶

迷思 1：两个 Agent = 两倍复杂度¶

❌ "我已经搞不定一个了，两个更不可能"

✅ 真相：
  每个 Agent 一条命令安装
  如果记忆在共享 Vault 中
  → 加 Agent 不加混乱
  → 新 Agent 读同样的笔记，从已有基线开始
  → 系统承担复杂度，不是你

迷思 2：自我改进 Agent 学错东西很危险¶

❌ "万一它学错了怎么办？"

✅ 真相：
  - Prime Agent 笔记本可审查
  - 每次编辑小幅、有快照、可回滚
  - Vault 同理——纯 Markdown 笔记，随时可读可改
  - 规则：审查你的 Agent 学到了什么
  - 这是习惯，不是技术技能

迷思 3：工具迭代太快，学了就过时¶

❌ "等我学会一个，下一个又出来了"

✅ 真相：
  - 工具每周都在变（Prime Agent 上线才3天）
  - 但笔记/笔记本里的教训不会过时
  - 几个月前就开始往 Obsidian 喂记忆的人
    → 这周不用从头开始
    → 下个月也不用
  - 学习层比工具层更重要

选型决策树¶

                    你的任务是什么？
                         │
           ┌─────────────┴──────────────┐
           ▼                            ▼
    长时间深度任务                   多工具协同任务
    (代码重构/论文分析/              (竞品监控/内容管线/
     数学问题)                        团队 Agent 协同)
           │                            │
           ▼                            ▼
    ┌──────────────┐           ┌──────────────┐
    │ Prime Agent  │           │   Hermes     │
    │              │           │              │
    │ ✅ 自我改进   │           │ ✅ 共享记忆   │
    │ ✅ 深度专注   │           │ ✅ 广度连接   │
    │ ✅ 单 Agent   │           │ ✅ 多 Agent   │
    │   越来越锋利  │           │   统一基线    │
    └──────────────┘           └──────────────┘
           │                            │
           └────────────┬───────────────┘
                        ▼
                其实不需要选
                        │
            ┌───────────┴───────────┐
            ▼                       ▼
     两个都安装                 知识沉淀在
     各给一个任务               Vault/笔记本
     观察行为                   不在工具本身

行动建议¶

两个都装：都是免费开源，各几分钟安装完成
Prime Agent：给一个深度任务，纠正一次后运行 /refine，观察笔记本机制
Hermes：给一个连接型任务（如定时搜索+分析），观察工具链协同
决定教训存哪里：深度单兵任务 → Prime 的笔记本；业务生态 → 共享 Vault
核心原则：知识资产 > 工具本身。工具每周变，但写进笔记本/Vault 的规则和教训会持续复利

[!tip] 关键洞察 Prime Agent 的自写笔记本让一个 Agent 越来越锋利；Hermes 的共享 Vault 让你运行的每个 Agent 从相同知识出发。深度 vs 广度，非对错之分。

参考资料¶

视频：Prime Agent VS Hermes: Which AI Agent Wins? — Julian Goldie SEO, 2026-08-10
Prime Agent GitHub (PrimeIntellect-ai/prime-agent) — MIT License, self-improving RLM agent
Prime Intellect 组织主页 — 含 prime-agent、prime-rl、verifiers 等项目
Hermes Agent — Nous Research