Hermes Agent / 实战案例拆解

⚙️ 实战案例完整拆解

从需求分析到上线运行，完整还原真实场景下的配置决策过程、踩坑记录与优化思路，不只告诉你"怎么做"，更讲清楚"为什么这么做"。

案例一：开发者答疑 Bot 案例二：运维自动化助手 案例三：定时报告推送 案例四：本地隐私 Agent
01

Telegram 开发者答疑 Bot

为 500 人技术群打造 24 小时 AI 答疑助手，支持代码审查、错误诊断、文档查询

Telegram Claude Sonnet MCP

📋 需求分析

一个 500 人的 Python 开发者 Telegram 群，每天有大量重复性技术问题（环境配置、报错解析、库的用法），群主希望用 AI 减轻答疑负担，同时提升群的活跃度。

核心需求：能理解代码片段、能查文档、能解释报错、响应速度快、不能乱说（准确性优先）。

🤔 关键决策

为什么选 Claude Sonnet？

代码理解和错误诊断需要强推理能力。Sonnet 在代码任务上表现优秀，且比 Opus 便宜 5 倍，适合高频调用场景。

为什么接入 MCP GitHub？

开发者经常问"这个库怎么用"，接入 GitHub MCP Server 后 Agent 可以直接查仓库 README 和 Issues，比靠训练数据更准确。

为什么关闭 terminal 工具？

群组场景下不需要执行命令，关闭 terminal 工具可以减少 Agent 误操作风险，也能降低每次调用的 token 消耗（工具定义也占 token）。

为什么设置白名单？

群组 Bot 如果不设白名单，任何人都能调用，会导致 API 额度被滥用。只允许群成员（通过 Telegram Group ID）使用。

⚙️ 完整配置

yaml 
# ~/.hermes/config.yaml
model: anthropic/claude-sonnet-4.5

tools:
  terminal: {enabled: false}      # 关闭，群组场景不需要
  web_search: {enabled: true}
  web_fetch: {enabled: true}

mcp_servers:
  github:
    command: npx
    args: ["-y", "@modelcontextprotocol/server-github"]
    env:
      GITHUB_PERSONAL_ACCESS_TOKEN: "${GITHUB_TOKEN}"

gateways:
  telegram:
    enabled: true
    token: "${TELEGRAM_BOT_TOKEN}"
    whitelist_groups: [-1001234567890]  # 群组 ID（负数）
    reply_to_mentions_only: true        # 只响应 @Bot 的消息
💡 reply_to_mentions_only：在群组中建议开启此选项，否则 Bot 会响应群内所有消息，既消耗 API 额度，又会打扰正常讨论。用户需要 @Bot 才能触发回复。

🚧 踩坑记录

坑 1：Bot 在群组中收不到消息
原因：Telegram Bot 默认开启隐私模式，只能收到 @它 的消息和命令，无法收到普通群消息。
解决：通过 @BotFather 发送 /setprivacy，选择 Bot，选择 DISABLE 关闭隐私模式。
坑 2：代码块格式丢失
原因：Telegram 默认消息格式为纯文本，Markdown 代码块不会渲染。
解决：在 Gateway 配置中开启 parse_mode: MarkdownV2，并确保 Agent 的系统提示要求它使用 Markdown 格式回复。
✅ 上线效果：群内重复问题减少约 65%，Bot 日均响应 80+ 条消息，API 月均费用约 $12（Claude Sonnet 价格）。群主反馈"终于不用一直盯着群了"。
02

运维自动化助手（SSH 沙箱模式）

通过 Slack 远程操控生产服务器，执行运维任务，全程 SSH 隔离保障安全

Slack GPT-4o MCP

📋 需求分析

一个 5 人的小型运维团队，需要在 Slack 中通过自然语言执行服务器运维任务（查看日志、重启服务、检查磁盘、部署更新），避免每次都要 SSH 登录服务器。

核心需求：能执行终端命令、安全隔离（不能影响本地机器）、操作可追溯、支持多人使用。

🤔 关键决策

为什么用 SSH 沙箱而不是 Docker？

运维任务需要直接操作生产服务器，Docker 容器无法访问真实服务器环境。SSH 模式让 Agent 的 terminal 工具直接在远程服务器上执行，完美契合需求。

为什么选 GPT-4o？

运维任务涉及大量命令输出解析，GPT-4o 的工具调用稳定性和指令遵循能力在这类结构化任务上表现优秀，且支持 128K 上下文处理长日志。

为什么用 Slack 而不是 Telegram？

团队已在使用 Slack 协作，集成到 Slack 可以让运维操作和团队沟通在同一个地方，操作记录自然留存在频道历史中，便于追溯。

为什么接入 MCP Kubernetes？

团队使用 K8s 管理容器，MCP K8s Server 提供了结构化的集群操作接口，比直接执行 kubectl 命令更安全（有权限控制）。

⚙️ 完整配置

yaml 
# ~/.hermes/config.yaml
model: openai/gpt-4o

terminal:
  backend: ssh
  ssh_host: "ops@prod-server.example.com"
  ssh_key: "~/.ssh/ops_rsa"
  ssh_timeout: 30

mcp_servers:
  kubernetes:
    command: npx
    args: ["-y", "@modelcontextprotocol/server-kubernetes"]

gateways:
  slack:
    enabled: true
    bot_token: "${SLACK_BOT_TOKEN}"
    app_token: "${SLACK_APP_TOKEN}"   # Socket Mode
    allowed_channels: ["ops-bot"]       # 只在指定频道响应
    allowed_users: ["U123", "U456"]    # 只允许特定成员
⚠️ 安全建议：SSH 密钥应使用专用的运维账号，并通过 authorized_keys 限制该账号只能执行特定命令。不要使用 root 账号或个人账号的 SSH 密钥。

🚧 踩坑记录

坑：长时间命令导致 Slack 超时
Slack 要求 Bot 在 3 秒内响应，但某些运维命令（如 apt upgrade）需要几分钟。
解决：配置 Gateway 先发送"正在执行..."的即时响应，命令完成后再发送结果。在 config 中设置 ack_immediately: true。
✅ 上线效果：团队日均通过 Slack 执行 30+ 次运维操作，SSH 登录次数减少 80%。所有操作记录自动保存在 Slack 频道，方便复盘。
03

Cron 定时报告推送系统

每日自动抓取数据、生成分析报告，定时推送到 Telegram 频道，全程无人值守

Telegram DeepSeek Cron

📋 需求分析

一个财经资讯 Telegram 频道，需要每天早 7 点推送当日市场概况、重要财经日历和前一日复盘，内容需要从多个数据源聚合，人工整理耗时 1 小时以上。

🤔 关键决策

为什么选 DeepSeek？

报告生成是批量任务，对延迟不敏感，但对成本敏感（每天都要跑）。DeepSeek-V3 的中文写作能力强，价格是 Claude 的 1/10，非常适合这类定时批处理场景。

为什么用 Cron 而不是外部调度器？

Hermes 内置 Cron 调度器，无需额外部署 crontab 或 Airflow，配置简单，且 Cron 任务可以直接使用 Agent 的所有工具（网络抓取、数据处理）。

⚙️ 完整配置

yaml 
# ~/.hermes/config.yaml
model: deepseek/deepseek-chat

cron_tasks:
  - name: morning-briefing
    schedule: "0 7 * * 1-5"   # 工作日早 7 点
    gateway: telegram
    target: "@my_finance_channel"
    prompt: |
      请完成今日财经早报：
      1. 用 web_search 搜索"今日A股开盘前重要消息"
      2. 搜索"今日财经日历 重要数据发布"
      3. 整理成简洁的早报格式，包含：市场情绪、重要事件、需关注的风险点
      4. 用 Markdown 格式输出，控制在 500 字以内

  - name: evening-recap
    schedule: "30 15 * * 1-5"  # 工作日收盘后 15:30
    gateway: telegram
    target: "@my_finance_channel"
    prompt: |
      请生成今日收盘复盘：搜索今日A股收盘数据、涨跌幅榜、主要板块表现，
      分析今日市场主线，用简洁的语言总结给普通投资者。
🔍 Prompt 工程技巧：Cron 任务的 prompt 要比普通对话更具体、更结构化。明确告诉 Agent 要调用哪些工具、数据来源是什么、输出格式要求，可以大幅提升报告质量的稳定性。

🚧 踩坑记录

坑：Cron 任务偶发失败但无通知
网络问题或 API 限流导致任务失败时，默认情况下没有任何通知。
解决：配置 on_failure_notify，失败时向另一个 Telegram 账号发送告警消息。
坑：报告内容重复或质量不稳定
每次搜索结果不同，导致报告结构不一致。
解决：在 prompt 中提供严格的输出模板，用 --- 分隔各部分，并要求 Agent 严格按模板填充。
✅ 上线效果：频道每日准时推送，内容质量稳定。原本需要 1 小时人工整理的工作，现在完全自动化，每日 API 成本约 ¥0.3（DeepSeek 价格）。
04

本地隐私优先 Agent（Ollama 方案）

完全本地运行，数据不出境，适合处理敏感文档和私人信息的场景

Telegram Ollama 本地模型

📋 需求分析

一位律师希望用 AI 辅助处理合同文件，但合同内容高度敏感，不能上传到任何云端 API。需要完全本地运行的方案，同时希望通过 Telegram 方便地在手机上使用。

🤔 关键决策

为什么选 Ollama？

Ollama 是目前最简单的本地模型运行方案，一行命令即可下载并运行模型，且完全离线，数据绝对不出本机。

为什么选 Qwen2.5-7B？

中文法律文档处理需要强中文能力。Qwen2.5-7B 在中文理解上表现优秀，7B 参数在 16GB 内存的 Mac 上可流畅运行，且支持 Function Calling。

⚙️ 完整配置

bash 
# 第一步：安装并启动 Ollama
# 访问 https://ollama.com 下载安装
ollama pull qwen2.5:7b-instruct
ollama serve   # 启动本地服务（默认 localhost:11434）

# 第二步：配置 Hermes 使用本地 Ollama
hermes config set model ollama/qwen2.5:7b-instruct
hermes config set OLLAMA_BASE_URL http://localhost:11434
yaml 
# ~/.hermes/config.yaml
model: ollama/qwen2.5:7b-instruct

model_options:
  ctx_size: 65536    # 必须手动设置，Hermes 要求最低 64K
  temperature: 0.3   # 法律文档处理需要低温度，减少幻觉

tools:
  web_search: {enabled: false}   # 关闭网络工具，保证完全离线
  web_fetch: {enabled: false}
  terminal: {enabled: false}
  read_file: {enabled: true}     # 只开放文件读取

gateways:
  telegram:
    enabled: true
    token: "${TELEGRAM_BOT_TOKEN}"
    whitelist: [your_telegram_id]  # 只允许自己使用
⚠️ 本地模型的局限性：7B 模型的推理能力和上下文理解远不如 Claude/GPT-4，对于复杂的法律条款分析可能出现错误。建议将其定位为"辅助工具"而非"权威判断"，重要结论仍需人工复核。
💡 性能优化：如果你有 Apple Silicon Mac（M1/M2/M3），Ollama 会自动使用 Metal GPU 加速，7B 模型的推理速度可达 30-50 tokens/s，体验接近云端 API。
🔍 Telegram + 本地模型的组合价值：Telegram Bot Token 是云端的，但消息内容只在你的本地机器上处理，不会发送到任何 AI 云服务。这个架构实现了"便捷接入"和"数据本地化"的完美平衡。
✅ 上线效果：完全离线运行，合同文件处理全程不出本机。通过 Telegram 在手机上随时可用，响应速度约 3-5 秒/条（M2 MacBook Pro）。