1. 从 OpenClaw 到 Hermes Agent：为什么值得迁移
如果你正在用 OpenClaw（龙虾）管理日常的 AI 工作流，大概率已经积累了不少记忆条目和自定义技能。但当 Hermes Agent 发布之后，迁移这件事就变得很具体了：它不是换一个聊天窗口，而是把「记忆 + 技能 + 后台自我审视」这套机制整体升级。Hermes Agent 是 Nous Research 开源的自主 AI Agent 框架，核心设计理念只有一句话——用得越久，它越强。它通过 Memory 记住你的偏好和项目上下文，通过 Skill 把重复操作沉淀成可复用流程，再通过 Nudge Engine 在后台定期审视哪些信息值得写入、哪些流程值得固化。
这篇文章面向三类人：一是已经在用 OpenClaw、想平滑迁移到 Hermes 的用户；二是想用 GLM-5.1 作为主力模型、但不想被单一厂商绑定的开发者；三是希望把 Agent 跑在服务器上、通过统一 API 通道管理密钥的团队。我会交付一份可复制的config.toml与settings.json骨架、TaoToken 统一 Key/API 通道的接入写法，以及迁移后 Memory 与 Skill 的验证动作。整个过程按「先跑通、再优化」的顺序推进，每一步都有可执行的命令和预期结果。
需要提前说明的是：Hermes 的配置文件在不同版本中可能是config.yaml或config.toml，本文以config.toml为主骨架，同时给出settings.json的等价写法，你可以根据自己安装的版本二选一。核心思路不变——把模型通道、记忆路径、技能目录三件事配置清楚，迁移就完成了 80%。
2. TaoToken 前置：统一 Key 与 API 通道
在配置 Hermes 之前，先把模型通道准备好。Hermes 支持 20+ 个 Provider，模型无关是它最大的优势之一。但如果你同时用 GLM-5.1、DeepSeek、Kimi 等多个模型，逐个管理 API Key 会很麻烦。我的做法是通过 TaoToken 统一管理 Key 和 API 通道，这样在 Hermes 里只需要配置一个 base_url 和一个 key，切换模型时改模型名即可。
TaoToken 的 API 地址是https://taotoken.net/api，官网是https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=。你需要在控制台创建一个 API Key，然后把它写进 Hermes 的环境变量文件。具体操作路径是：登录后进入控制台，在 API Keys 页面新建一个 Key，复制保存。这个 Key 就是后续所有模型调用的统一凭证。
这里有一个关键点：Hermes 的 Provider 配置支持自定义 base_url。也就是说，你不需要为每个模型单独填一个厂商的地址，而是统一指向 TaoToken 的 API 通道，由它来路由到具体模型。这样做的好处是：密钥只有一份，切换模型只改模型名，不用改配置结构。对于需要长期运行、频繁切换模型的 Agent 场景，这个设计能省掉大量重复配置工作。
如果你还没有 Key，可以先到模型对话页面体验一下通道是否通畅，确认能正常返回结果后，再去控制台创建正式 Key。对于长期编码和 Agent 场景，建议直接看 Coding Plan 页面，它针对高频调用做了额度优化。接入文档里有完整的参数说明和示例请求，配置前扫一眼能避免很多低级错误。
3. 可复制配置：config.toml 与 settings.json 骨架
这一节是全文的核心交付。我会给出两份骨架：config.toml适合较新版本的 Hermes，settings.json适合偏好 JSON 配置的场景。两份配置的语义一致，你选一份用即可。配置文件的默认位置在~/.hermes/目录下，密钥放在~/.hermes/.env。
先看config.toml骨架。重点看[models]和[providers]两段，它们决定了模型通道怎么走：
# ~/.hermes/config.toml [agent] name = "hermes-main" soul_file = "~/.hermes/SOUL.md" memory_file = "~/.hermes/MEMORY.md" user_file = "~/.hermes/USER.md" skills_dir = "~/.hermes/skills" [providers.taotoken] type = "openai-compatible" base_url = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY" [models] main = "glm-5.1" auxiliary_summary = "deepseek-v4" auxiliary_memory = "deepseek-v4" auxiliary_skill = "glm-5.1" [models.routing] default_provider = "taotoken" [compression] enabled = true threshold = 0.8 target_ratio = 0.5 [delegation] enabled = true max_spawn_depth = 2 [security] secret_redaction = true smart_approvals = true对应的settings.json等价写法如下，字段名做了 JSON 化处理，语义完全一致：
{ "agent": { "name": "hermes-main", "soul_file": "~/.hermes/SOUL.md", "memory_file": "~/.hermes/MEMORY.md", "user_file": "~/.hermes/USER.md", "skills_dir": "~/.hermes/skills" }, "providers": { "taotoken": { "type": "openai-compatible", "base_url": "https://taotoken.net/api", "api_key_env": "TAOTOKEN_API_KEY" } }, "models": { "main": "glm-5.1", "auxiliary_summary": "deepseek-v4", "auxiliary_memory": "deepseek-v4", "auxiliary_skill": "glm-5.1", "routing": { "default_provider": "taotoken" } }, "compression": { "enabled": true, "threshold": 0.8, "target_ratio": 0.5 }, "delegation": { "enabled": true, "max_spawn_depth": 2 }, "security": { "secret_redaction": true, "smart_approvals": true } }密钥文件~/.hermes/.env只需要一行：
TAOTOKEN_API_KEY=sk-你的实际Key这里有几个参数值得解释。type = "openai-compatible"表示走 OpenAI 兼容协议，TaoToken 的 API 通道支持这个协议，所以 Hermes 可以直接对接。api_key_env指向环境变量名，而不是把 Key 硬编码在配置文件里，这样配置文件可以安全地分享或提交到版本库。auxiliary_summary和auxiliary_memory用轻量模型，是因为上下文压缩和记忆摘要属于高频低难度任务，用便宜模型能显著降低成本。compression.threshold = 0.8表示上下文用到 80% 时触发压缩，压缩到原来的 50%，这个比例在长对话场景下比较平衡。
注意：如果你安装的 Hermes 版本读取的是
config.yaml，把上面的 TOML 结构转成 YAML 即可，字段名不变。不要同时保留两份配置文件，否则可能出现配置覆盖。
4. 验证请求：从 doctor 到 Memory 与 Skill 检查
配置写完之后，不要急着开始聊天，先按顺序做四步验证。这四步能帮你确认通道、记忆、技能三个子系统都正常工作。
第一步，跑hermes doctor。这个命令会逐项检查 Python 版本、依赖完整性、模型配置有效性、工具链状态。如果模型通道配置有误，它会直接报出来。预期结果是全部绿色通过。如果有红色报错，按提示修复，修完再跑一次。
第二步，验证模型通道是否真的通。进入对话模式后，发一条最简单的请求：
hermes然后在对话里输入：
你好，请用一句话介绍你自己，并告诉我你当前使用的模型名称。如果返回结果正常，说明 TaoToken 通道和 GLM-5.1 模型都通了。如果报 401，检查.env里的 Key 是否正确；如果报 404，检查base_url是否写成了https://taotoken.net/api（注意结尾不要多加斜杠）。
第三步，验证 Memory 是否写入。在对话里给一条明确的偏好信息：
记住：我是一名 AI 算法工程师，主力模型用 GLM-5.1，团队做医疗对话大模型。然后退出对话，查看记忆文件：
cat ~/.hermes/MEMORY.md cat ~/.hermes/USER.md预期结果是MEMORY.md里出现你刚才说的项目信息，USER.md里出现用户画像相关条目。这里要理解一个设计：Hermes 采用 Frozen Snapshot 机制，新写入的记忆只在下一个会话生效。所以如果你在当前会话里问它「我刚才说了什么」，它可能不记得，这是刻意的设计，不是 bug。新开一轮对话就能看到效果。
第四步，验证 Skill 是否生成。Skill 的自动生成需要触发条件，通常是同一任务调用工具超过 5 次、或遇到错误并成功克服、或用户纠正了 Agent 的做法。你可以手动触发一次：
帮我写一个 Python 脚本，统计当前目录下所有 JSONL 文件的行数，然后运行它，把结果告诉我。Agent 会调用文件操作和代码执行工具。完成后，查看技能目录：
ls ~/.hermes/skills/ hermes skills list如果看到新生成的技能文件，说明 Skill 子系统工作正常。技能文件是SKILL.md格式，包含名称、描述、触发词和流程步骤。你可以打开看看 Agent 是怎么把你的操作沉淀下来的。
5. 本篇常见错排查
迁移过程中最容易踩的坑集中在配置和迁移两个环节。下面按报错现象分类整理。
报错一：hermes doctor提示模型配置无效。最常见原因是.env文件没有被加载。Hermes 读取环境变量的顺序是：先读~/.hermes/.env，再读系统环境变量。如果你把 Key 写在了系统环境变量里但没写进.env，某些版本可能读不到。解决办法是统一写进~/.hermes/.env，然后重载 shell：source ~/.zshrc或source ~/.bashrc。
报错二：请求返回 401 Unauthorized。检查三件事：Key 是否复制完整（有没有漏掉前缀）、Key 是否已过期、.env里变量名是否和配置文件里的api_key_env一致。变量名大小写敏感，TAOTOKEN_API_KEY和taotoken_api_key是两个不同的变量。
报错三：请求返回 404 或连接超时。检查base_url是否写成了https://taotoken.net/api。不要写成https://taotoken.net/api/v1或结尾带斜杠，除非接入文档明确说明需要。不同 Provider 的路径规范不同，以文档为准。
报错四：迁移后 Memory 为空。从 OpenClaw 迁移时，如果用了--preset user-data，只迁移用户数据不含密钥，这是正常的。检查迁移命令是否执行成功：
hermes claw migrate --dry-run先预览再实际执行。迁移完成后，OpenClaw 的原始数据不会被删除，所以即使迁移失败，原来的数据还在。迁移内容包括人格文件、记忆数据、自建技能、命令审批白名单、各平台 API Key、TTS 资源和工作区指令。自建技能会导入到~/.hermes/skills/openclaw-imports/目录。
报错五：Skill 不生成。先确认skills_dir路径存在且有写权限。然后确认触发条件是否满足——单次任务工具调用次数不够、或者任务太简单，都不会触发技能生成。可以手动跑一个多步骤任务来触发。另外，Nudge Engine 默认计数器阈值是 10，达到阈值才会触发一次记忆写入或技能生成，所以不是每次对话都会立刻产生新技能。
报错六：切换模型后记忆丢失。这是误解。模型切换不影响已积累的记忆和技能，因为记忆存在本地文件里，和模型无关。如果你觉得「记忆丢了」，大概率是 Frozen Snapshot 机制导致的——新记忆要下一个会话才生效。新开一轮对话即可。
提示：遇到任何问题，第一反应是跑
hermes doctor，80% 的问题它能直接告诉你答案。如果 doctor 全绿但还有问题，再检查hermes model确认 Provider 配置，或跑hermes setup重新初始化。
6. 迁移后的长期使用与 CTA
迁移完成、验证通过之后，接下来就是让它跑起来积累。我的建议是先把 SOUL.md 写好，这部分值得花 15 分钟认真写。SOUL.md 定义了 Agent 的人格、沟通风格、专业领域和你的身份信息。写好了，后面的每一次对话都在这个基础上积累。没有 SOUL.md 的 Hermes 就像一个没有性格的通用助手，每次对话都要重新解释你是谁。
然后是日常使用中的两个习惯。一是定期看/insights --days 7，它相当于给你的 AI 助手出一份周报，总结这周学到了什么、哪些技能被频繁调用、哪些任务模式在重复。二是定期看~/.hermes/skills/目录，你会发现 Agent 自动把很多重复操作沉淀成了标准流程。我用下来最常用的两个自动生成技能是「日报生成」和「简历筛选」，因为这两个操作确实每天都在做。
如果你在配置过程中遇到通道或接入问题，可以直接看接入文档和 API Keys 页面，里面有完整的参数说明。如果你想先验证模型通道是否通畅，模型对话页面可以快速试一条请求。对于需要长期跑编码和 Agent 任务的场景，Coding Plan 针对高频调用做了额度优化，比按量计费更划算。
最后说一个我踩过的坑：不要同时保留config.toml和config.yaml两份配置文件。Hermes 的加载顺序在不同版本里可能不同，同时存在会导致配置覆盖，表现为「我明明改了配置但没生效」。统一用一份，改完跑一次hermes doctor确认，再开始对话。这个习惯能帮你省掉大量排查时间。
