企业官网建设流程全解析

分享一套 Hermes Agent Skills 开发实战教程，以“陌陌回复信息”为场景，完整拆解 Skills 机制、目录规范、代码实现、注册调试与部署上线全流程。不管你是刚接触 Agent 开发的新手，还是想把 Skills 引入生产项目的开发者，都能照着一步步跑通。

1. Hermes Agent 与 Skills 机制详解

1.1 什么是 Hermes Agent

Hermes Agent 是一个面向多场景的 AI Agent 框架，它的定位是让开发者用相对轻量的方式，把自己的业务逻辑封装成“可被 Agent 调用”的功能模块。你可以把它理解成一个带“技能系统”的智能助手外壳：Agent 本体负责接收任务、理解意图、调度工具，而具体干活的能力则交给不同的 Skills 去完成。

和普通聊天机器人不同，Hermes Agent 更强调任务的落地执行能力。例如：

• 收到一条新的陌陌消息后，根据消息内容自动判断是否需要回复；
• 根据关键词匹配预设回复模板；
• 将消息分类、记录到外部数据库或知识库；
• 定时检查未读消息并提醒用户。

这些能力如果写死在主程序里，每加一个场景就要改一次 Agent 核心代码；而通过 Skills 机制，我们可以把每个场景拆成独立技能，动态加载、独立维护、按需调用。

1.2 什么是 Skills，为什么需要 Skills

Skills 是 Hermes Agent 的“外挂能力包”。一个 Skill 通常包含：

• 一份描述文件：说明这个技能是干什么的、什么时候该用；
• 一个或多个可执行脚本：具体执行逻辑；
• 可选的配置文件：定义规则、参数、模板等。

Skills 的价值可以从三个角度来看。

从开发效率看，Skills 实现了关注点分离。Agent 主程序不需要关心陌陌消息怎么处理、关键词怎么匹配，它只需要知道你注册了一个叫momo-reply的技能，并在合适的时机调用它。

从维护角度看，Skills 是独立部署单元。某个技能出现问题，不会拖垮整个 Agent。技能逻辑更新时，也只需要替换对应目录，不需要重新启动 Agent 主体。

从复用角度看，Skills 可以跨项目迁移。同一个回复技能，改改配置就能从陌陌迁移到其他 IM 平台；同一个知识库查询技能，也可以被不同 Agent 项目复用。

1.3 AI Agent Skills 与 Agent 的区别

这里需要区分两个概念。

Agent 是“大脑”，负责接收任务、拆解计划、选择工具、执行动作。它具备上下文理解、多步推理和决策能力。你可以把它理解为“调度中心”。

Skills 是“手脚”，是 Agent 可以调用的具体能力单元。Skills 本身不负责复杂推理，只负责执行被分配的任务，比如“读取消息并匹配模板”“调用 HTTP 接口发回复”“把数据写入数据库”。

两者配合的方式是：Agent 先分析用户请求，判断需要调用哪个 Skill，然后携带参数触发 Skill 执行。Skill 执行完毕后把结果返回给 Agent，Agent 再决定下一步动作。

在很多教程中，Skills 被等同于“给 Agent 装插件”，这个比喻是比较准确的。插件本身不能独立完成完整业务，但离开插件，Agent 就缺少实际干活的手段。

2. 环境准备与基础配置

2.1 安装 Hermes Agent

不同环境下安装 Hermes Agent 的方式略有差异，本文以常见的 Python 环境为例。

首先确保本机已经安装 Python 3.10 及以上版本，并建议使用虚拟环境隔离项目依赖：

# 创建并激活虚拟环境 python3 -m venv hermes-env source hermes-env/bin/activate # Windows 下为 hermes-env\Scripts\activate # 安装 Hermes Agent（示例命令，请以实际官方安装文档为准） pip install hermes-agent

如果你使用的是 macOS，需要注意系统自带的 Python 版本通常较低。建议先通过 Homebrew 安装较新版本 Python，再创建虚拟环境：

brew install python@3.11 python3.11 -m venv hermes-env source hermes-env/bin/activate pip install --upgrade pip pip install hermes-agent

安装完成后，可以用一行命令验证是否成功：

hermes --version

如果能正常输出版本号，说明核心安装已经完成。

2.2 配置 API Key 与大模型接入

Hermes Agent 本身不内置大模型推理能力，它需要接入一个 LLM API 来充当“大脑”。常见选择包括 OpenAI 兼容接口、阿里百炼等国内大模型平台。

在项目根目录下创建.env文件：

# .env LLM_API_KEY=你的API_Key LLM_BASE_URL=https://api.openai.com/v1 LLM_MODEL=gpt-4o-mini

或者使用阿里百炼：

# .env LLM_API_KEY=你的阿里百炼API_Key LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1 LLM_MODEL=qwen-plus

注意：不同平台的 base_url 和模型名称差异较大，请以你的模型服务商实际文档为准。填写错误的 base_url 是新手最常见的报错原因之一。

2.3 验证 Agent 基础对话能力

配置好环境变量后，启动 Hermes Agent 交互模式：

hermes

如果安装和配置都正确，你应该能进入一个类似命令行聊天的交互界面。此时随便输入一句“你好”，Agent 应该能基于大模型返回回复。

如果出现连接超时、401 鉴权失败等错误，先不要往下继续，优先解决网络连通性和 API Key 配置问题。之后再进 Skills 开发。

3. 开发“陌陌回复信息”Skills 前的设计思路

3.1 需求场景分析

我们要开发的 Skill 是“陌陌回复信息”。在动手写代码前，先把需求拆细。

典型使用场景包括：

• 用户收到多条陌陌消息，希望 Agent 自动回复常见问题；
• 用户不在电脑前，Agent 根据预设规则先回复对方，避免让对方等待；
• 用户希望将消息按关键词分类，重要消息单独提醒；
• 用户在陌陌对话中需要快速应答，例如“在吗”“你好”“价格多少”。

由此可见，这个 Skill 的核心能力不是“替用户聊天”，而是“根据规则做自动应答”。因此设计上必须考虑：

• 如何获取新消息？是轮询接口，还是接收 Webhook 推送？
• 如何判断哪条消息需要回复？全部回复会导致骚扰，必须设置过滤规则。
• 回复文案从哪里来？固定模板、关键词模板，还是交给大模型生成？
• 高频发送是否会被平台风控？必须设置发送频率控制。

其中，消息获取方式取决于你用的是陌陌开放平台的企业接口，还是个人使用的自动化方案。本文以“已验证的合法授权 API 或本地消息回调”为前置条件，演示 Skills 内部处理逻辑。具体消息来源的接入方式，需要根据你的实际授权通道来确定。

3.2 Skills 目录结构与文件规范

建议在 Hermes Agent 项目下建立如下目录结构：

hermes-agent-project/ ├── .env ├── skills/ │ └── momo-reply/ │ ├── SKILL.md │ ├── main.py │ ├── config.yaml │ └── templates/ │ ├── greeting.txt │ ├── price.txt │ └── default.txt ├── logs/ └── run.py

各文件职责如下：

• SKILL.md：技能的元信息描述，告诉 Hermes Agent 这个技能的用途、触发条件和参数说明。
• main.py：技能核心逻辑，负责消息读取、规则匹配、模板调用和结果返回。
• config.yaml：关键词规则、回复模板路径、发送频率等配置。
• templates/：存放回复模板，方便在没有代码开发经验的运营同学维护文案。
• logs/：运行日志。

3.3 回复策略设计

自动回复最容易踩的坑是“什么都想自动回复”。实际设计时，建议把消息分为三类：

第一类是可直接自动回复的消息。比如“你好”“在吗”“多少钱”“怎么联系你”等常见问题，关键词命中后直接使用模板回复。

第二类是需要人工确认的消息。比如客户问到个性化价格、特殊需求、投诉反馈，此时自动回复应明确告知“稍后人工回复”，而不是让大模型自由发挥导致错误承诺。

第三类是垃圾消息或无关消息。直接过滤，不回复、不记录、不打扰。

这三类消息在config.yaml中分别对应auto_reply_rules、manual_reply_keywords、block_keywords。

4. 完整实战：编写并注册 momo-reply Skills

下面进入核心环节。我们将从创建一个 Skill 目录开始，逐步编写技能描述、核心逻辑、配置文件，最终让 Hermes Agent 能够识别并调用这个技能。

4.1 创建 Skill 目录与技能描述文件

首先创建技能目录：

cd hermes-agent-project mkdir -p skills/momo-reply/templates

接着编写skills/momo-reply/SKILL.md。这个文件是 Agent 识别技能的关键，描述写得越清晰，Agent 在遇到相关任务时越容易正确调用。

--- name: momo-reply description: > 处理陌陌新消息并自动回复。 当收到陌陌用户的聊天消息时，先对消息内容进行规则判断。 如果命中的是自动回复关键词，就使用对应模板回复； 如果命中人工处理关键词，则生成提示消息并通知人工介入； 如果命中屏蔽词，则不回复并标记忽略。 version: 1.0.0 author: your-name triggers: - 陌陌消息 - 回复陌陌新消息 - momo message - 自动回复 parameters: - name: message description: 陌陌新消息内容 type: string required: true - name: sender_id description: 发送者ID，用于回复消息时定位会话 type: string required: true --- # momo-reply Skill 本技能用于自动回复陌陌平台的新消息。 ## 调用流程 1. 接收新消息内容与发送者ID 2. 按关键词规则判断消息类型 3. 根据消息类型选择回复策略 4. 返回回复结果给 Agent

这个文件的核心是 metadata 部分。name是脚本内部标识，description是给 Agent 看的技能说明，triggers是触发词，parameters是调用时需要传入的参数。

4.2 编写核心回复逻辑 main.py

接下来编写skills/momo-reply/main.py。这个脚本实现了整个自动回复的核心逻辑。

# 文件路径：skills/momo-reply/main.py import os import re import time from pathlib import Path import yaml class MomoReplySkill: """陌陌回复信息技能""" def __init__(self, config_path: str = None): self.config = self._load_config(config_path) self.last_reply_time = {} def _load_config(self, config_path: str = None): """加载 YAML 配置文件""" if config_path is None: config_path = Path(__file__).parent / "config.yaml" with open(config_path, "r", encoding="utf-8") as f: return yaml.safe_load(f) def classify_message(self, message: str) -> str: """ 按规则对消息进行分类。 返回值： - "auto": 可自动回复 - "manual": 需要人工介入 - "block": 应忽略或屏蔽 """ if not message or not message.strip(): return "block" # 检查屏蔽词 for keyword in self.config.get("block_keywords", []): if keyword in message: return "block" # 检查人工处理关键词 for keyword in self.config.get("manual_reply_keywords", []): if keyword in message: return "manual" # 检查自动回复关键词 for rule in self.config.get("auto_reply_rules", []): pattern = rule.get("pattern", "") if re.search(pattern, message, re.IGNORECASE): return "auto" # 默认走人工处理，避免乱回复造成业务风险 return "manual" def build_reply(self, message: str, category: str) -> dict: """根据消息分类构建回复内容""" templates = self.config.get("templates", {}) if category == "auto": # 遍历规则，找到第一个匹配的模板 for rule in self.config.get("auto_reply_rules", []): pattern = rule.get("pattern", "") if re.search(pattern, message, re.IGNORECASE): template_key = rule.get("template", "default") reply_text = self._render_template( templates.get(template_key, templates.get("default", "")) ) return {"action": "reply", "content": reply_text} if category == "manual": reply_text = self._render_template(templates.get("manual_reply", "")) return {"action": "notify", "content": reply_text} if category == "block": return {"action": "ignore", "content": ""} return {"action": "ignore", "content": ""} def _render_template(self, template: str) -> str: """渲染模板文本，可以替换占位符""" current_time = time.strftime("%Y-%m-%d %H:%M:%S") return template.replace("{{time}}", current_time) def handle_message(self, sender_id: str, message: str) -> dict: """ 对外暴露的统一入口。 返回格式： { "action": "reply" | "notify" | "ignore", "content": "回复内容或提示内容" } """ # 频率控制：同一发送者 30 秒内最多回复一条 now = time.time() last_time = self.last_reply_time.get(sender_id, 0) if now - last_time < self.config.get("min_reply_interval", 30): return {"action": "ignore", "content": ""} self.last_reply_time[sender_id] = now category = self.classify_message(message) result = self.build_reply(message, category) return result # 供 Hermes Agent 调用的入口函数 if __name__ == "__main__": import json import sys skill = MomoReplySkill() # 支持命令行参数调用：python main.py sender_id message if len(sys.argv) >= 3: sender_id = sys.argv[1] message_text = sys.argv[2] else: # 从 stdin 读取 JSON raw_input = sys.stdin.read().strip() data = json.loads(raw_input) sender_id = data.get("sender_id", "") message_text = data.get("message", "") result = skill.handle_message(sender_id, message_text) print(json.dumps(result, ensure_ascii=False, indent=2))

这个脚本有几个设计亮点值得说明。

第一，消息分类逻辑是独立方法，方便单独测试。你可以直接调用classify_message验证某条消息会被分类成什么，而不需要真正发送消息。

第二，默认分类是“manual”而不是“auto”。这是很多自动回复系统容易忽略的地方：当消息无法匹配任何规则时，宁可通知人工介入，也不要让 Agent 随便编一句话回复。因为回复内容一旦涉及业务承诺、价格、时间等敏感信息，错误回复的代价远大于“晚回复一会儿”。

第三，加入了 30 秒频率限制。同一个发送者短时间内多次触发，只会回复第一条，避免被平台判定为骚扰行为。

4.3 编写关键词规则配置 config.yaml

config.yaml是整个技能的可配置中心。把关键词和模板从代码里抽离出来，后续运营同学不需要改代码就能调整回复策略。

# 文件路径：skills/momo-reply/config.yaml # 同一发送者最小回复间隔（秒） min_reply_interval: 30 # 屏蔽关键词：命中后直接忽略 block_keywords: - "广告" - "兼职" - "刷单" - "加V" - "赌博" # 需要人工介入的关键词 manual_reply_keywords: - "价格" - "优惠" - "合同" - "投诉" - "发票" - "退款" - "定制" # 自动回复规则，按从上到下顺序匹配 auto_reply_rules: - pattern: "你好|您好|在吗|在不在|hi|hello" template: greeting - pattern: "怎么联系|联系方式|微信|电话|手机" template: contact - pattern: "产品|介绍|业务|做什么" template: intro - pattern: "时间|几点|营业" template: working_time - pattern: "地址|在哪|位置" template: address # 回复模板 templates: greeting: "您好，我已经收到您的消息，稍后人工会回复您。如果需要立即帮助，可以留言说明。" contact: "您好，我们的联系方式是：138****1234（工作时间 9:00-18:00）。" intro: "您好，我们提供软件开发与运维服务，具体业务介绍请留下您的需求，我们会安排同事与您联系。" working_time: "您好，我们的工作时间是工作日 9:00-18:00。当前消息可能无法即时回复，请耐心等待。" address: "您好，我们的办公地址在北京市朝阳区****，欢迎提前预约来访。" default: "您好，您的消息已收到，我们会尽快处理。" manual_reply: "您的问题需要专业同事处理，已转人工，请稍等。当前时间：{{time}}"

4.4 将 Skill 注册到 Hermes Agent

光有目录和代码还不够，还需要让 Hermes Agent 知道这个技能的存在。

在 Hermes Agent 的 config 目录下的skills.yaml或主配置文件中注册该技能：

# config/skills.yaml skills: - name: momo-reply path: skills/momo-reply enabled: true entry: main.py

配置项说明：

• name：技能唯一标识
• path：技能目录相对路径
• enabled：是否启用
• entry：入口脚本文件名

部分版本的 Hermes Agent 支持自动扫描 skills 目录，此时可以跳过注册步骤。建议还是显式注册，方便快速停用某个技能。

重启 Agent：

hermes restart

或者退出当前交互模式后重新运行：

hermes

4.5 运行与验证

先单独运行 Skill 脚本，验证核心逻辑是否正常。

测试自动回复：

cd skills/momo-reply python main.py "user_001" "你好，在吗？"

预期输出：

{ "action": "reply", "content": "您好，我已经收到您的消息，稍后人工会回复您。如果需要立即帮助，可以留言说明。" }

测试人工介入：

python main.py "user_002" "你们的价格是多少？"

预期输出：

{ "action": "notify", "content": "您的问题需要专业同事处理，已转人工，请稍等。当前时间：2025-01-15 14:30:00" }

测试屏蔽词：

python main.py "user_003" "加V，兼职刷单"

预期输出：

{ "action": "ignore", "content": "" }

三个用例通过后，就可以在 Hermes Agent 中测试完整调用链路了。在 Agent 对话中输入：

有新陌陌消息，发送者 user_001，内容为：你好在吗？

Agent 会识别任务意图，触发momo-reply技能，并返回回复结果。整个过程的日志会记录在logs/目录下，便于排查。

5. 常见问题与排查思路

5.1 问题排查表

5.2 典型问题分析

问题一：技能触发了，但返回空内容。

排查顺序如下：

1. 先执行python main.py test_user "你好"，确认脚本本身有输出。
2. 检查 SKILL.md 中 parameters 名称是否与分析器传入参数一致。如果 Agent 传入的是user_id，而脚本入口接收的是sender_id，就会拿到空值。
3. 查看日志中技能的调用参数，确认参数是否成功传递。

问题二：自动回复被平台判定为骚扰。

这通常是频率控制缺失导致的。若消息获取侧是 Webhook 推送，瞬间可能收到多条消息，如果没有间隔限制，技能会秒回大量消息。

解决方案是同时在两个层面做限制：技能内部设置min_reply_interval，消息获取侧设置单用户每日回复上限。

# 在 config.yaml 中扩展每日上限 max_reply_per_day: 50

问题三：Agent 偶尔绕过技能，直接用大模型回复。

这种问题通常是因为技能描述不够清晰。大模型无法判断“什么场景必须用技能”，于是选择自由发挥。

修改SKILL.md的 description，让它更明确：

description: > 处理陌陌新消息时必须使用本技能，禁止直接生成回复内容。 收到陌陌消息后，先调用本技能进行判断。

5.3 通用排查步骤

遇到问题时，建议按下面顺序操作：

1. 查看日志。Hermes Agent 的logs/目录下会有运行日志，先定位有没有技能调用的记录。
2. 单独测试脚本。把 Skill 从 Agent 中摘出来，用命令行传参方式运行，确认核心逻辑无误。
3. 逐级简化。把规则减少到最小，只保留一条自动回复规则，验证通路。
4. 恢复完整规则。确认通了以后，再逐步加回其他规则，定位是哪个规则导致的问题。

6. 最佳实践与工程建议

6.1 规则优先，大模型兜底

陌陌自动回复这个场景，天然适合“规则优先”而不是“大模型优先”。

原因是成本从低到高排序应该依次是：完全规则匹配 → 模板变量填充 → 大模型生成。前两者成本低、速度快、可控性强、并且不会有幻觉；大模型生成适合处理那些规则覆盖不到但确实需要语义理解的场景。

推荐的执行顺序是：

1. 屏蔽词检查优先，直接忽略垃圾消息；
2. 关键词规则匹配，命中自动回复模板；
3. 敏感词触发人工介入提示；
4. 以上都没命中时，才考虑让大模型生成候选回复，并且加一条系统提示限制“不确定时不要承诺业务细节”。

6.2 模板与代码分离

把回复文案写在templates/目录下，而不是硬编码在main.py中，这个设计在真实项目中收益很大。

运营人员可以独立维护文案，不需要理解 Python 代码。只需要按模板格式修改 txt 文件，重启 Agent 或触发技能重新加载配置即可生效。

文案文件按业务场景命名：

templates/ ├── greeting.txt ├── contact.txt ├── intro.txt ├── working_time.txt ├── address.txt └── manual_reply.txt

每个文件内容保持简洁：

# templates/manual_reply.txt 您的问题需要专业同事处理，已转人工，请稍等。当前时间：{{time}}

6.3 日志记录与审计

自动回复类技能必须要有完整日志，原因有两个：一是业务上需要追溯某条回复是在什么时间、基于什么规则发出的；二是出现问题时，没有日志几乎无法排查。

建议在handle_message中增加日志输出：

# 在 skills/momo-reply/main.py 中增加日志 import logging logging.basicConfig( filename=str(Path(__file__).parent.parent.parent / "logs" / "momo-reply.log"), level=logging.INFO, format="%(asctime)s %(levelname)s %(message)s" ) logger = logging.getLogger("momo-reply")

每次处理消息时记录：

logger.info("sender=%s message=%s category=%s action=%s", sender_id, message, category, result.get("action"))

日志字段至少包括：时间、发送者 ID、原始消息内容、消息分类、最终动作、回复内容。注意，涉及用户个人信息时要遵守数据安全规范，建议对发送者 ID 做脱敏处理。

6.4 合规与安全边界

这个部分非常重要。

自动回复技能只应接入你已经获得合法授权访问的消息通道。如果是基于陌陌开放平台或企业服务接口，必须严格遵守平台开发者协议，不可以使用任何非官方破解、劫持、模拟登录等非法方案去读取或发送消息。

同时需要注意：

• 消息内容中可能包含用户隐私，不得在日志中记录完整消息内容，建议只记录脱敏后的摘要。
• 自动回复文案不得包含色情、赌博、虚假宣传、诱导分享等内容。
• 发送频率必须克制，高频自动回复不仅影响用户体验，还可能触发平台风控。
• 涉及业务承诺的回复文案（价格、时效、售后）必须经过业务方审核。

6.5 Skill 开发过程中的测试策略

建议为 Skill 建立三份测试数据。

第一份是“必须是自动回复”的用例集。例如：你好、在吗、你们做什么的、怎么联系你。

第二份是“必须人工处理”的用例集。例如：你们的报价单能发我一份吗、我要投诉你们服务态度。

第三份是“必须忽略”的用例集。例如：兼职刷单加V、各类广告文案。

每次修改规则后，把三份用例集跑一遍，能有效防止“修好一个场景，搞坏另一个场景”的回归问题。

7. 总结与后续学习建议

到这里，一个完整的 Hermes Agent 陌陌回复信息 Skills 已经开发并跑通了。

我们完成了以下关键动作：

• 理解了 Hermes Agent 与 Skills 的关系，明白 Skills 是 Agent 的可插拔能力单元；
• 完成 Hermes Agent 安装与基础配置；
• 设计了三层消息分类策略：自动回复、人工介入、忽略；
• 编写了完整的SKILL.md、main.py、config.yaml；
• 通过了三个典型测试用例的验证；
• 梳理了常见问题和排查路径。

接下来如果你想继续深入，建议优先探索这几个方向：

第一个方向是消息通道接入。把当前脚本中的消息入口从命令行参数改为 Webhook 方式，让技能能够实时响应推送的新消息。

第二个方向是多轮对话能力。当前技能是单轮自动回复，如果消息场景需要多轮问答，可以引入会话状态存储。

第三个方向是外部知识库集成。热搜词里提到“外挂知识库”，这正是 Skills 的进阶玩法——把产品手册、常见问题文档挂载到知识库中，让 Agent 在自动回复时能基于知识库内容应答，而不只是固定模板。

Skills 开发的核心逻辑可以总结为：先定义清楚触发条件，再设计好消息分类规则，最后让回复内容可控、可审计、可回溯。这套方法论不限于陌陌，换到任何 IM 平台的自动回复场景都可以复用。

如果你在实操中遇到了 SKILL.md 描述不生效、正则不匹配、参数传递异常等问题，建议先从日志和数据入手，把输入输出打出来，问题通常就能暴露出来。