0 分钟起一个 3 Agent 流水线不再绕弯子。咱们直接上手。2.1 装环境PyPI 一行装推荐新手pip install hermes-agent启动 REPLhermes chat切到你想用的模型hermes config set provider anthropichermes config set model claude-sonnet-4装完跑 hermes tools 看下当前账号可用的工具集。默认会有 browser / file / terminal / web / image_gen / delegation / search 这几类。2.2 写一份 YAML 配置Hermes 的精髓在 YAML 流水线配置文件。把 Agent 当成函数声明依赖关系写在 depends_on 里Hermes 自己按 DAG 排调度。下面这份配置就是公众号写作流水线的最小可运行版本。5 个 Agent、5 个文件产物、链式 DAG 调度。Hermes 多 Agent 流水线公众号写作 5 步曲跑法hermes run --config hermes_agents.yaml --topic “Hermes 入门”agents:topic_scout: # 第 1 步选题侦察兵model: anthropic/claude-sonnet-4toolsets: [web, search] # 只给联网 搜索文件操作不要开role: leaf # 关键声明 leaf禁止递归 spawnresearcher: # 第 2 步资料研究员model: anthropic/claude-sonnet-4toolsets: [file, web] # file 用来读 01-topics.md、写出 02-research.mdrole: leafwriter: # 第 3 步执笔写手model: anthropic/claude-sonnet-4toolsets: [file, skills] # skills 让它能加载「公众号写作」技能role: leafeditor: # 第 4 步审校编辑model: anthropic/claude-sonnet-4toolsets: [file] # 最小集只让它改文件role: leafillustrator: # 第 5 步配图提示词model: anthropic/claude-sonnet-4toolsets: [skills] # 用 image_gen 技能生成配图 promptrole: leafpipeline:call: topic_scout # 入口节点无需 depends_ongoal: “为「{TOPIC}」出 3 个公众号选题候选输出到 01-topics.md”call: researchergoal: “基于 01-topics.md 整理 6 section 研究资料包到 02-research.md”depends_on: topic_scoutcall: writergoal: “据 02-research.md 起草 2500-3000 字实操教程到 03-draft.md”depends_on: researchercall: editorgoal: “审校 03-draft.md输出三栏 Markdown 表格存到 04-review.md”depends_on: writercall: illustratorgoal: “为 03-draft.md 配 2-3 张图给出图名节点文字用途”depends_on: editor这里有几个细节需要注意一下role: leaf 必须显式写。不写默认是 general子 Agent 自己会 spawn 孙子 Agenttoken 几分钟烧光。toolsets 走白名单能少一个就少一个。Editor 只给 file连 web 都不开。depends_on 替代手写串行你只声明依赖Hermes 自己排调度。2.3 嫌 YAML 不够灵活上 PythonYAML 适合配置固定的流水线。想动态生成任务、加条件分支、用 Python 拼装任务列表就走 delegate_task API。下面这段 Python 是同样的 5 步流水线能看出它和 YAML 的对应关系。YAML 是声明式Python 是命令式干的事一样。“”Hermes 多 Agent 流水线 —— Python 入口跑法python run_pipeline.py依赖pip install hermes-agent“”from hermes_tools import delegate_task # Hermes 官方派发 API----------------------------------------------------------------1) 定义 5 个子 Agent 任务顺序由 depends_on 字段控制----------------------------------------------------------------tasks [{“goal”: “你是 topic_scout。用户主题{TOPIC}。请用 websearch 工具调研”“输出 3 个公众号选题候选到 01-topics.md。”,“toolsets”: [“web”, “search”],“role”: “leaf”, # 关键明确 leaf禁止递归},{“goal”: “你是 researcher。据 01-topics.md 整理 6 section 资料包”“核心概念/代码/坑点/最佳实践/参考/配图写到 02-research.md。”,“toolsets”: [“file”, “web”],“role”: “leaf”,“depends_on”: [“topic_scout”],},{“goal”: “你是 writer。据 02-research.md 起草 2800 字实操教程”“输出到 03-draft.md必须有 YAML Python 两段代码。”,“toolsets”: [“file”, “skills”],“role”: “leaf”,“depends_on”: [“researcher”],},{“goal”: “你是 editor。审校 03-draft.md输出三栏 Markdown 表格”“原文 / 问题 / 建议到 04-review.md。”,“toolsets”: [“file”],“role”: “leaf”,“depends_on”: [“writer”],},{“goal”: “你是 illustrator。为 03-draft.md 配 2-3 张图”“给出图名用途节点文字到 05-illustrations.md。”,“toolsets”: [“skills”],“role”: “leaf”,“depends_on”: [“editor”],},]----------------------------------------------------------------2) 一次性派发Hermes 默认就是批派发主 Agent 不阻塞Hermes 会按 tasks 里的 depends_on 字段自动排 DAG没有依赖的同级任务自动并发跑。----------------------------------------------------------------results delegate_task(taskstasks,shared_context{“TOPIC”: “Hermes Agent 入门多 Agent 协作”},)----------------------------------------------------------------3) 打印每个子 Agent 的 summary调试用----------------------------------------------------------------for r in results:print(f[{r[‘agent’]}] - {r[‘summary’]})注意我没像一些老博客那样写 parallelTrue。Hermes 的 delegate_task(tasks[…]) 默认就是批派发依赖关系由 depends_on 字段决定。它会自动识别哪些任务没依赖、把没依赖的扔到并发队列里跑。parallelTrue 是早期接口的遗留新版 API 不用管。跑完之后 results 是个列表每个元素是 {“agent”: …, “summary”: …, “output_path”: …}。要拿哪个文件直接读 output_path。三、单 Agent 串行 vs 3 Agent 并行差距有多大跑通之后你大概率会问不就比单 Agent 多个并发真有那么神有。拿数据说话。Anthropic 2024 年的多 Agent 调研系统报告里有一组数据开放研究类任务多跳问题、跨源综合多 Agent 架构比单 Agent token 消耗约 4 倍但准确率从基线 60% 提升到 90%。直观点拆开看。comparison维度 单 Agent 串行 3 Agent 并行步骤 调研 → 写作 → 审校必须等前一步 调研 ‖ 写作依赖调研→ 审校耗时 60s 90s 30s 180s 60s ‖ 90s → 30s 120s上下文 单上下文 80k token所有东西塞一起 拆 3 份上下文各 30k token准确率 基线 60% 90%Anthropic 2024 多 Agent 调研报告原文 baseline ~60%Token 总成本 1× 约 1.4×端到端分摊后内部单次调研 4×由此我们可以得出几个结论耗时省 33%。本流水线写作和审校是链式依赖写作 depends_on 调研、审校 depends_on 写作不能硬并发。但 3 Agent 上下文拆分让每个子 Agent 都能在前一个还没完全结束时就启动下一段准备。比如 writer 等调研结果时editor 已经把上次的 prompt 模板加载好调研一回来就立刻接上。这才是省 33% 的真正机制不是 DAG 并发。上下文干净。单 Agent 跑完一篇文章context 里塞了选题、查到的所有网页、中间稿、审校意见……再跑第二个任务就稀里哗啦。3 Agent 拆分后每个子 Agent 上下文清爽幻觉率明显降。Token 总成本没爆炸。很多人听到多 Agent 就担心 token 翻 4 倍。其实单 Agent 串行重试的 token 浪费更猛一次跑崩就得从头再来。多 Agent 拆开能断点重跑省的是这个钱。需要注意的是Anthropic 2024 报告里 4× 指的是单次调研任务内部 token 增长4 个并行调研员各跑一遍而端到端多 Agent 任务总成本分摊后大约 1.4×别混着说。但多 Agent 不是万灵药。简单任务步骤 ≤ 3、上下文 ≤ 50k、工具 ≤ 3 个用单 Agent 更省心。你硬上多 Agent 反而是给自己找事。判断标准很简单你的活能不能一句话讲完目标。能单 Agent不能多 Agent。四、6 个最容易踩的坑多 Agent 看着美好新手实操 90% 的人都死在下面这几个坑里。pitfalls坑 1工具集开太多context 撑爆给某个子 Agent 同时勾上 browser file terminal image_gen delegation结果光工具描述就吃掉 8k token模型反应慢、还贵。口诀能少一个就少一个。Editor 只给 fileResearcher 只给 file web别贪。坑 2漏写 role“leaf”子 Agent 递归 spawn默认行为下子 Agent 自己也能 delegate_task。一不小心就 spawn 孙子 Agent孙子再 spawn 曾孙几分钟 token 烧光。任何干完活就退出的子 Agent 都必须显式 role: leaf。这个不能省。坑 3context 传自然语言摘要下游接错