Hermes Agent 源码中存在两套 Agent LoopAIAgent 和 HermesAgentLoop。AIAgent 面向用户交互处理流式输出、重试、中断等复杂交互逻辑HermesAgentLoop 面向 RL 训练关注异步、并发和训练数据生成。两者拆分是为了适应不同场景需求复用工具调度和基础设施。该设计避免循环复杂度过高提升系统可靠性和效率为 Agent 架构设计提供实用参考。Hermes Agent 源码中有个地方很难忽略源码中同时存在两套 Agent Loop。一是 run_agent.py 的 AIAgent 。一是 agent_loop.py的 HermesAgentLoop。前者代码体量很大后者明显轻得多。深入分析源码就会发现两套 Loop 确实都在做“模型调工具再继续推理”这件事但服务的运行场景完全不同控制逻辑也不是一个量级。先介绍 Agent Loop Hermes 里的 Loop核心就是下面这四步1. **把当前消息发给 LLM** 2. **LLM 返回文本和可选的 tool calls** 3. **如果有工具调用就执行工具并把结果追加回消息列表** 4. **如果没有工具调用就认为任务完成退出循环**这四步是Agent Loop的基本流程但这四步之外还包很多逻辑。用户交互要处理流式输出、重试、打断、上下文压缩训练 rollout 则关心 async、token/logprobs、reward 计算和并发调度。Hermes 没把这些需求硬塞进同一个大循环里而是直接拆成了两套实现Agent Loop1. **面向用户实时交互的 AIAgent** 2. **面向 RL rollout 的 HermesAgentLoop**拆分不是为了拆分而拆分根本是因为两个场景本来就不是同一个问题。1 用于用户交互用于RL训练AIAgent对应的是 CLI、Gateway、Telegram、Discord 这类直接面向人的入口。用户在前台等回复这条链路不是只追求“能跑通”还需要把交互过程本身兜住。源码里能直接看到这类需求留下来的痕迹流式输出、Provider 容错、上下文压缩、用户中断、预算耗尽后的 Grace Call、子 Agent 委派、插件钩子基本都堆在这条路径上。AIAgent 的复杂度不是来自“调模型”这一步而是来自调模型失败以后怎么办、用户半路打断怎么办、上下文塞不下了怎么办。也正因为这样这个循环体才会达到数千行。它已不是一个单纯的推理循环而是一条完整的交互控制链。HermesAgentLoop而完全是另一回事。它不面向用户而是被 Atropos 调起来做 rollout。这里没有人盯着屏幕也不需要跨 Provider 兜底。训练场景真正看重的是另外几件事必须是 async才能并发跑大量 rollout 必须拿到真实 token、logprobs、masks供 GRPO 训练使用 必须把工具执行和 reward 验证放在同一个 sandbox 上下文里 必须保持循环本身足够轻避免把交互系统里的复杂分支带进训练路径这也是为什么HermesAgentLoop看起来简洁很多的原因。主要是负责把一次 rollout 跑完整并且把训练真正要用的数据带出来。在训练链路HermesAgentLoop关键不在“它也会调工具”而在于它站在一条完整的 RL 数据生产链上。单次 rollout 生命周期 dataset item │ ▼ format_prompt() │ ▼ HermesAgentLoop.run() │ ├─ server.chat_completion / managed generate ├─ parse tool calls ├─ execute tools └─ 产出 AgentResult managed_state │ ▼ ToolContext.compute_reward() │ └─ 在同一个 sandbox 中验证结果得到 reward │ ▼ ScoredDataItem(tokens, masks, scores) │ ▼ GRPO trainer 更新模型2不合成一个超级 Loop在AIAgent这条路径存在很多逻辑流式处理、空响应恢复、Provider 轮转、上下文压缩这些逻辑对用户交互很重要但对 rollout 来说并无多大作用。AIAgent这套控制流也不适合直接嵌进 Atropos 的异步并发环境训练真正要的managed_state、token 级数据和ToolContext也不是它天然会产出的东西。把HermesAgentLoop拿去服务用户也不现实。它没有流式输出没有那套完整的错误恢复也没有 Grace Call 和子 Agent 委派。跑 benchmark 或 rollout 没问题放到产品入口里就太薄了。从上面的分析也可以看到这两个Loop的业务流程完全不一样强制融合在一起会导致Loop复杂度过高可靠性降低。3复用的不是循环体是工具调度层Hermes Agent 并没有把两套系统彻底割裂。它复用的是更底层的能力如handle_function_call()这一层的工具调度以及工具结果预算、持久化这些基础设施。复用点不在 Loop 本身而在工具执行链路。这个切分比“有没有统一框架”更重要。Agent 系统里真正容易失控的往往不是某个工具实现而是围绕工具调用长出来的控制流什么时候继续什么时候停错误怎么恢复上下文什么时候压结果怎么进入训练信号。Hermes 的处理方式很直接不同场景用不同的 loop policy能共享的则压到更下面一层去共享。4写在最后很多时候设计 Agent 架构时天然会想先抽一个“统一循环”。Hermes 这套实现给了一个很实用的反例只要场景的目标函数已经变了循环层通常就不该强行共用。用户交互系统优化的是体验、鲁棒性和可恢复性RL rollout 优化的是吞吐、并发和训练信号精度。它们都叫 Agent Loop但回答的不是同一个工程问题。更稳妥的做法反而是把系统拆成两层上层按场景定义各自的循环控制策略 下层复用工具调度、结果存储和共享基础设施Hermes 的双 Loop 结构最有参考价值的地方也在这里它没有执着于“所有能力必须收敛到一个抽象里”接受业务循环层天然会分叉把复用点放在了更合适的位置。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
