Hermes Agent执行任务共分五步：一、初始化代理循环并配置LLM、工具等；二、构建结构化API请求，注入记忆与匹配工具；三、解析并串行/并行执行tool_calls；四、满足条件时自动生成标准化Skill文件；五、按平台特性封装并推送响应，同步会话ID至数据库。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您尝试理解Hermes Agent如何完成一项用户指令，但对其内部执行链条不清晰，则可能是由于其多层抽象掩盖了实际运行时序。以下是Hermes Agent执行任务的完整步骤：
一、初始化代理循环
HermesAgentLoop类被实例化，加载服务器连接配置、工具启用状态、最大轮次限制与温度参数等基础设定，为后续任务处理建立稳定运行上下文。
1、调用hermes setup启动配置向导，完成LLM提供商选择与网关初始化。
2、执行hermes model命令显式指定模型，确保~/.hermes/config.yaml中model字段已正确写入可用模型标识符。
3、检查~/.hermes/tools/目录是否存在启用工具的符号链接，缺失时需手动运行hermes tool enable [tool_name]激活。
二、构建结构化API请求
系统依据当前会话历史、用户原始输入及已加载工具定义，组装符合OpenAI函数调用规范的JSON格式请求体，包含system prompt、messages数组与tools列表。
1、从~/.hermes/memories/MEMORY.md提取最近三次相关会话摘要，注入system message以维持上下文连贯性。
2、将用户输入解析为结构化意图，若含时间表达（如“每天早上8点”），自动触发cron scheduling工具预注册。
3、扫描工具集匹配关键词：检测到“arxiv”或“Hugging Face”时，强制包含web_extract工具；检测到“git”或“代码”时，注入git diff与pytest工具定义。
三、执行工具调用与响应处理
请求发送至配置的LLM服务端后，代理实时解析返回的tool_calls字段，按顺序调用对应本地工具，并将执行结果以message形式追加至对话历史，形成可回溯的执行轨迹。
1、对每个tool_call，通过tools/[tool_name].py加载执行模块，传入arguments字典作为参数。
2、若工具调用失败（如web_search返回HTTP 429），捕获异常并记录错误日志至~/.hermes/logs/，不中断主循环。
3、当单次响应含多个tool_calls时，按索引顺序串行执行；若启用tools/delegate_tool.py，则将子任务分发至独立子智能体并行处理。
四、技能提炼与持久化
任务完成后，系统自动判断是否满足Skill生成条件——工具调用≥5次、发生中途修复、或存在用户显式纠正行为，满足任一即触发技能文档自动生成流程。
1、在~/.hermes/skills/下创建以SHA-256哈希命名的YAML文件，内容包含name、description、steps与tool_calls序列。
2、该文件严格遵循agentskills.io开放标准，仅记录差异部分：若同一技能已有旧版本，新版本仅patch更新优化路径，不覆盖全量内容。
3、技能文件生成后立即加入本地全文检索索引，后续相同意图输入将优先检索并复用该Skill，跳过重新规划阶段。
五、会话状态同步与跨平台投递
执行结果经格式标准化后，由Gateway统一调度，根据消息来源平台特性（如飞书需卡片消息、Telegram支持Markdown）封装响应，并推送至原始发起渠道。
1、检查~/.hermes/gateway/config.yaml中对应渠道的enabled字段是否为true。
2、若原始请求来自飞书群聊，调用feishu_card_builder将文本结果转换为交互式卡片，嵌入“重试”与“查看技能”快捷按钮。
3、所有响应均附带唯一session_id，该ID同步写入SQLite数据库~/.hermes/sessions.db，支持后续session_search语义检索。
