NVIDIA 介绍 Hermes，自我改进型 AI Agent 开始走向本地硬件

NVIDIA 介绍 Hermes：本地自我改进 Agent 需要硬件、框架和模型共同支撑

NVIDIA 在 2026 年 5 月 13 日发布文章，介绍 Nous Research 开发的 Hermes Agent。NVIDIA 将 Hermes 描述为面向 NVIDIA RTX PCs、RTX PRO workstations 和 DGX Spark 的新一类本地 Agent，特点是可靠、自我演进，并由新的 agentic large language models 驱动。

文章中提到，Hermes 在不到三个月内获得超过 140,000 个 GitHub stars，并且据 OpenRouter 数据，在当时是世界上使用最多的 agent。NVIDIA 认为，Hermes 这类 Agent 的出现，说明开源 agentic frameworks 正在被社区快速采用。

Hermes 的重点是本地运行和自我改进

NVIDIA 文章将 Hermes 的能力概括为四个方面：Self-Evolving Skills、Contained Sub-Agents、Reliability by design，以及 Same model, better results。

Self-Evolving Skills 指 Hermes 可以编写并改进自己的 skills。当它遇到复杂任务或收到反馈时，会把学习结果保存为 skill，从而随时间适应并提升。Contained Sub-Agents 则把 sub-agents 作为短生命周期、隔离的子任务 worker，每个子 Agent 有更聚焦的上下文和工具，减少任务混乱，也让 Hermes 更适合较小上下文窗口的本地模型。

Reliability by design 强调 Nous Research 对 skills、tools 和 plug-ins 做 curated 和 stress-tested。Same model, better results 则说明，NVIDIA 认为 Hermes 不只是模型外的一层薄封装，而是一个 active orchestration layer，在相同模型下也可能得到更强结果。

Qwen 3.6 被放进本地 Agent 模型组合

NVIDIA 文章还把 Qwen 3.6 作为本地 Agent 的重要模型路线。文章称，Qwen 3.6 35B 约用 20GB 内存运行，同时超过需要 70GB 以上内存的 120B 参数模型；Qwen 3.6 27B 则在尺寸远小于 Qwen 3.5 397B 的情况下，匹配其准确率。

这类信息说明，本地 Agent 的关键不只是有一个 Agent 框架，还需要可在个人硬件或小型工作站上运行的高能力模型。如果模型太大、太慢或显存需求太高，本地 Agent 即使框架先进，也很难做到持续运行。

NVIDIA 强调 RTX GPUs、DGX Spark 和 Tensor Cores 对本地 agentic AI 的吞吐和延迟有帮助，让 Hermes 能在多步骤任务或 skill refinement 中以秒级而非分钟级推进。

DGX Spark 被定位为 always-on agentic computer

NVIDIA 将 DGX Spark 描述为 always-on agentic computer，适合像 Hermes 这样持续运行的 Agent。文章称，DGX Spark 具备 128GB unified memory 和 1 petaflop AI performance，可以全天运行 120B 参数 mixture-of-experts 模型。

这与普通笔记本上的一次性模型调用不同。Hermes 这类 Agent 被设计为持续响应请求、规划多步骤任务、自主执行，并在过程中自我改进。它需要的不只是短时推理能力，还需要稳定、持续、可并发的本地计算环境。

这也是 NVIDIA 将 RTX PCs、RTX PRO workstations 和 DGX Spark 放在同一条叙事中的原因：本地 Agent 的体验会直接受硬件影响，尤其是显存、统一内存、Tensor Core 推理吞吐和持续运行能力。

这次动态的实际看点

Hermes 的意义不只是一个开源 Agent 项目增长很快，而是展示了本地 Agent 生态正在从“能跑模型”走向“能长期运行并自我改进”。Agent 框架、开源模型、本地推理运行时和 NVIDIA 硬件被组合成一个端到端链条。

对个人开发者来说，这代表本地 Agent 不再只是命令行玩具，而可以逐步进入文件处理、应用操作、多步骤自动化和个人工作流。对企业和高级用户来说，本地运行也意味着更好的隐私、延迟和数据控制。

不过，自我改进型 Agent 也需要谨慎使用。它会保存 skills、调用本地文件和应用，并长期运行。真正落地时，权限边界、日志、技能审查和模型更新机制会和性能一样重要。

参考来源

本文为公开资料整理与技术学习参考，不提供采编、转载或发布服务。