Hermes Agent与Anomaly模块高效集成需五步：启用内置anomaly技能、对接UHIDS日志流、挂载Prometheus指标Pipeline、配置Filebeat双模解析、注入自定义PyTorch模型。
☞☞☞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☜☜☜
如果您在使用Hermes Agent处理大规模数据流时发现异常检测响应迟缓、误报率偏高或无法适配动态业务特征，则可能是由于Anomaly模块未与Hermes Agent核心运行时深度协同。以下是实现Hermes Agent与Anomaly能力高效集成的具体操作路径：
一、启用内置Anomaly Detection Skills模块
该方法通过激活Hermes Agent原生支持的异常识别技能，利用tools/anomaly/目录下预置的统计模型与阈值引擎，在不引入外部服务的前提下完成轻量级实时检测。
1、进入Hermes Agent项目根目录，确认tools/anomaly/子目录存在且包含anomaly_detector.py与config.yaml文件。
2、执行命令启用Anomaly Skills：hermes skills enable anomaly
3、编辑tools/anomaly/config.yaml，将enable_realtime_monitoring设为true，并配置default_threshold_factor: 2.3
4、重启Hermes Agent服务以加载新Skills：systemctl restart hermes-agent
二、对接UHIDS入侵检测日志流
该方法将优刻得主机入侵检测系统（UHIDS）产生的结构化异常事件日志，作为Anomaly模块的高置信度输入源，提升对隐蔽横向移动与低频持久化行为的识别精度。
1、登录优刻得云控制台，进入目标ULHost实例的「安全」→「UHIDS」页面。
2、点击「日志推送设置」，选择推送协议为HTTP POST，目标地址填写为http://localhost:8080/anomaly/uhi-event
3、在Hermes Agent配置文件config.yml中，将anomaly.input_sources字段添加uhi_event_stream条目，并启用auto_parse_uhi_schema
4、执行hermes tools install uhi-connector以安装兼容适配器。
三、挂载Prometheus指标异常检测Pipeline
该方法借助Prometheus采集的CPU、内存、网络IO等基础监控指标，通过预定义的SLO偏差规则触发Anomaly事件，适用于资源型瓶颈与性能退化类问题的早期预警。
1、确认Prometheus Server已运行，且Hermes Agent所在主机已部署Node Exporter并被正确抓取。
2、在Prometheus配置文件中新增job，抓取路径为/metrics/anomaly，并在rule_files中加入anomaly_rules.yml
3、在Hermes Agent的environments/目录下创建prometheus_env.py，调用tools/anomaly/prom_pipeline.py初始化指标订阅客户端。
4、运行命令注册指标流：hermes env attach prometheus_env --priority 80
四、配置Filebeat日志模式匹配规则
该方法针对应用层日志（如Nginx access.log、SQL慢查询日志）实施正则+语义双模解析，将非结构化文本转化为可参与Anomaly聚类分析的向量事件。
1、在Filebeat配置文件filebeat.yml中，为目标日志路径添加processors字段，启用dissect与convert插件。
2、在processors下新增anomaly_enrich字段，指定pattern_file: ./tools/anomaly/patterns/nginx_anomaly.yml
3、启动Filebeat并验证输出至Logstash或直接发送至Hermes Agent的Kafka Topic：hermes-anomaly-raw
4、在Hermes Agent中执行hermes anomaly configure --source kafka --topic hermes-anomaly-raw --format vectorized
五、注入自定义PyTorch异常检测模型
该方法允许将训练好的轻量级PyTorch模型（如LSTM-AE、TSF-Tiny）封装为独立Skill，直接嵌入Hermes Agent推理链路，满足特定业务序列数据的高精度异常判别需求。
1、将模型文件model.pt与推理脚本inference.py置于skills/custom/anomaly_tsf/目录下。
2、在skills/custom/anomaly_tsf/SKILL.md中声明输入schema为{"ts_sequence": "list[float]", "window_size": 96}
3、执行hermes skills build anomaly_tsf --runtime pytorch-cpu --min_memory 1024MB
4、在anomaly.config.yaml中将fallback_model设为anomaly_tsf，并启用adaptive_switching
