跳到主要内容

可选 Skill 目录

官方可选 skill 随 hermes-agent 仓库一同发布,位于 optional-skills/ 目录下,但默认不启用。需要手动安装:

hermes skills install official/<category>/<skill>

例如:

hermes skills install official/blockchain/solana
hermes skills install official/mlops/flash-attention

安装后,该 skill 将出现在 agent 的 skill 列表中,并可在检测到相关任务时自动加载。

卸载方式:

hermes skills uninstall <skill-name>

自主 AI 代理

Skill描述
blackbox将编码任务委托给 Blackbox AI CLI agent。这是一个内置裁判机制的多模型 agent,能将任务交由多个 LLM 并行处理,并选出最优结果。
honcho在 Hermes 中配置和使用 Honcho memory —— 跨 session 用户建模、多 profile 隔离、观测配置及辩证推理。

区块链

Skill描述
base查询 Base(以太坊 L2)区块链数据(含 USD 定价)—— 钱包余额、token 信息、交易详情、gas 分析、合约检查、巨鲸检测及实时网络统计。无需 API 密钥。
solana查询 Solana 区块链数据(含 USD 定价)—— 钱包余额、token 持仓、交易详情、NFT、巨鲸检测及实时网络统计。无需 API 密钥。

沟通交流

Skill描述
one-three-one-rule用于提案与决策的结构化沟通框架。

创意创作

Skill描述
blender-mcp通过 socket 连接 blender-mcp 插件,直接从 Hermes 控制 Blender。可创建 3D 对象、材质、动画,并运行任意 Blender Python(bpy)代码。
meme-generation通过选取模板并使用 Pillow 叠加文字来生成真实的表情包图片,输出实际的 .png 文件。

运维部署

Skill描述
cli通过 inference.sh CLI(infsh)运行 150+ 款 AI 应用 —— 图像生成、视频创作、LLM、搜索、3D 及社交自动化。
docker-management管理 Docker 容器、镜像、数据卷、网络及 Compose 栈 —— 生命周期操作、调试、清理及 Dockerfile 优化。

邮件

Skill描述
agentmail通过 AgentMail 为 agent 配备专属邮箱。使用 agent 专属邮件地址自主收发和管理邮件。

健康

Skill描述
neuroskill-bci面向神经科学研究工作流的脑机接口(BCI)集成。

MCP

Skill描述
fastmcp使用 Python FastMCP 构建、测试、检查、安装和部署 MCP 服务器。涵盖将 API 或数据库封装为 MCP 工具、暴露资源或 prompt,以及部署流程。

迁移

Skill描述
openclaw-migration将用户的 OpenClaw 个性化配置迁移至 Hermes Agent。可导入 memory、SOUL.md、命令白名单、用户 skill 及所选工作区资产。

MLOps

这是最大的可选类别,覆盖从数据整理到生产推理的完整 ML 流水线。

Skill描述
accelerate最简单的分布式训练 API。只需 4 行代码即可为任意 PyTorch 脚本添加分布式支持。统一支持 DeepSpeed/FSDP/Megatron/DDP。
chroma开源 embedding 数据库。存储 embedding 和元数据,支持向量搜索与全文搜索。提供简洁的 4 函数 API,适用于 RAG 和语义搜索。
faissFacebook 推出的高效稠密向量相似性搜索与聚类库。支持十亿级向量、GPU 加速及多种索引类型(Flat、IVF、HNSW)。
flash-attention使用 Flash Attention 优化 transformer 注意力机制,实现 2-4 倍加速及 10-20 倍显存减少。支持 PyTorch SDPA、flash-attn 库、H100 FP8 及滑动窗口。
hermes-atropos-environments为 Atropos 训练构建、测试和调试 Hermes Agent RL 环境。涵盖 HermesAgentBaseEnv 接口、奖励函数、agent 循环集成及评估。
huggingface-tokenizers基于 Rust 的高速 tokenizer,适用于研究和生产环境。可在 20 秒内完成 1GB 数据的 tokenization。支持 BPE、WordPiece 和 Unigram 算法。
instructor使用 Pydantic 验证从 LLM 响应中提取结构化数据,自动重试失败的提取,并支持流式传输部分结果。
lambda-labs面向 ML 训练和推理的按需与预留 GPU 云实例。支持 SSH 访问、持久化文件系统及多节点集群。
llava大型语言与视觉助手(LLaVA)—— 视觉指令微调及图像对话,将 CLIP 视觉模型与 LLaMA 语言模型相结合。
nemo-curator面向 LLM 训练的 GPU 加速数据整理工具。支持模糊去重(速度提升 16 倍)、质量过滤(30+ 启发式规则)、语义去重及 PII 脱敏。基于 RAPIDS 横向扩展。
pinecone面向生产 AI 的托管向量数据库。支持自动扩缩容、混合搜索(稠密 + 稀疏)、元数据过滤,p95 延迟低于 100ms。
pytorch-lightning高层 PyTorch 框架,提供 Trainer 类、自动分布式训练(DDP/FSDP/DeepSpeed)、回调机制及极简样板代码。
qdrant高性能向量相似性搜索引擎。基于 Rust 实现,支持快速近邻搜索、带过滤的混合搜索及可扩展的向量存储。
saelens使用 SAELens 训练和分析稀疏自编码器(SAE),将神经网络激活分解为可解释的特征。
simpo简单偏好优化(SimPO)—— 无需参考模型的 DPO 替代方案,性能更优(AlpacaEval 2.0 提升 +6.4 分)。
slime基于 Megatron+SGLang 框架使用 RL 进行 LLM 后训练。支持自定义数据生成工作流,与 Megatron-LM 深度集成,可扩展 RL 训练规模。
tensorrt-llm使用 NVIDIA TensorRT 优化 LLM 推理以最大化吞吐量。在 A100/H100 上比 PyTorch 快 10-100 倍,支持量化(FP8/INT4)和 in-flight batching。
torchtitanPyTorch 原生分布式 LLM 预训练框架,支持 4D 并行(FSDP2、TP、PP、CP)。可从 8 扩展至 512+ GPU,兼容 Float8 和 torch.compile。

生产力

Skill描述
canvasCanvas LMS 集成 —— 通过 API token 认证获取已选课程和作业信息。
memento-flashcards基于间隔重复的闪卡系统,用于学习和知识巩固。
siyuan思源笔记 API,用于在自托管知识库中搜索、读取、创建和管理块与文档。
telephony为 Hermes 赋予电话能力 —— 通过 Twilio 配置电话号码,收发 SMS/MMS、拨打电话,并通过 Bland.ai 或 Vapi 发起 AI 驱动的外呼。

研究调研

Skill描述
bioinformatics通往 bioSkills 和 ClawBio 400+ 生物信息学 skill 的入口。涵盖基因组学、转录组学、单细胞分析、变异检测、药物基因组学、宏基因组学及结构生物学。
domain-intel使用 Python 标准库进行被动域名侦察。支持子域名发现、SSL 证书检查、WHOIS 查询、DNS 记录及批量多域名分析。无需 API 密钥。
duckduckgo-search通过 DuckDuckGo 免费网络搜索 —— 文本、新闻、图片、视频。无需 API 密钥。
gitnexus-explorer使用 GitNexus 为代码库建立索引,并通过 Web UI 和 Cloudflare 隧道提供交互式知识图谱服务。
parallel-cliParallel CLI 的厂商 skill —— 原生支持 agent 的网络搜索、内容抓取、深度研究、数据丰富及监控。
qmd使用 qmd 在本地搜索个人知识库、笔记、文档及会议记录 —— 一款集 BM25、向量搜索和 LLM 重排序于一体的混合检索引擎。
scrapling使用 Scrapling 进行网页抓取 —— HTTP 请求、隐身浏览器自动化、Cloudflare 绕过及通过 CLI 和 Python 进行爬虫抓取。

安全

Skill描述
1password配置和使用 1Password CLI(op)。安装 CLI、启用桌面应用集成、登录,并为命令读取/注入密钥。
oss-forensics开源软件取证 —— 分析软件包、依赖项及供应链风险。
sherlock跨 400+ 社交网络的 OSINT 用户名搜索。通过用户名追踪社交媒体账号。

贡献可选 Skill

向仓库添加新的可选 skill:

  1. optional-skills/// 下创建目录
  2. 添加包含标准 frontmatter 的 SKILL.md(name、description、version、author)
  3. references/templates/scripts/ 子目录中添加所有支持文件
  4. 提交 pull request —— skill 合并后将出现在本目录中