企业官网建设流程全解析

1. 项目概述：这不是一个“破解工具”，而是一套面向开发者的 Hermes Agent 本地化快速启动方案

Hermes Agent 这个词最近在开发者圈子里热度很高，但很多人一搜就懵了——它既不是某个大厂官方发布的成熟产品，也不是像 LangChain 那样有完整文档体系的开源框架。它更像是一群一线工程师在真实项目中反复踩坑后，自发沉淀下来的一套轻量级 AI Agent 协作模式的实践模板。标题里写的“Hermes Agent 快速安装配置+免费 tokens”，说的不是去黑进哪个系统薅羊毛，而是指：如何在你自己的笔记本上，用不到 15 分钟，把 Hermes 的核心运行时环境搭起来，并通过合法、合规、零成本的方式，接入当前可公开获取的免费推理服务端点（比如某些开源模型的 Hugging Face Inference Endpoints、Ollama 本地模型、或部分平台新用户赠送的体验额度），让 agent 真正跑起来、动起来、能响应你的指令。我自己在三个不同客户现场做 PoC（概念验证）时，都用这套流程开场——不依赖任何云厂商账号，不填一堆注册表单，不等审核，插上电源、打开终端、敲几行命令，5 分钟后就能对着终端输入 “帮我查一下今天北京的天气”，然后看到 agent 调用工具、解析结果、组织语言、返回答案。它解决的核心痛点非常具体：消除“Hello World”到“真实可用”的中间那堵墙。适合谁？刚接触 Agent 开发的 Python 初学者、想快速验证业务逻辑的产品经理、需要给老板现场演示的售前工程师、或者正在技术选型阶段想横向对比不同框架上手成本的架构师。它不承诺“无限调用”或“永久免费”，但它保证你今天下午三点开始动手，四点就能看到第一个带记忆、能调工具、会思考步骤的 agent 在你屏幕上输出结果。

2. 内容整体设计与思路拆解：为什么放弃“一键安装包”，选择“手动拼装”这条看似笨拙的路？

很多人看到“快速安装”四个字，第一反应是找一个 .exe 或 .dmg 安装包，双击下一步完事。但 Hermes Agent 的本质决定了这条路走不通。它不是一个打包好的桌面软件，而是一个运行时协议 + 一组约定俗成的组件接口 + 若干可插拔的技能模块。你可以把它想象成乐高积木的说明书：说明书本身不提供积木块，它只告诉你“红色2x4砖块应该插在蓝色底板的第三排第五列”，而真正的砖块，得你自己去仓库（Hugging Face、Ollama、GitHub）里挑、去组装、去测试是否严丝合缝。所以，我们整个方案的设计起点，就是拒绝黑盒，拥抱透明。所有步骤都暴露在终端里，每一行命令你都能理解它在做什么，每一个配置文件你都能打开看懂它的含义。这带来的直接好处是：当你的 agent 在后续开发中出问题（比如 response truncated、tool call 失败、memory 不持久），你不会卡在“不知道哪一步坏了”的绝望里，而是能精准定位到是模型输出长度限制、是工具函数签名不匹配、还是向量数据库连接超时。我见过太多团队，前期图省事用了封装过深的“傻瓜式”框架，结果上线前两周全在 debug 框架内部的隐式行为，最后推倒重来。而 Hermes 的这套手动搭建法，虽然开头多敲了 10 行命令，但省下的调试时间，够你写三版业务逻辑。另一个关键设计是“免费 tokens”的实现逻辑。网络热词里反复出现的 “get cursor pro for more agent usage”、“unlimited tab”、“deepseek注册送tokens”，本质上都是在提示一个事实：当前阶段，真正稳定、低延迟、高并发的商用大模型 API，几乎都绑定付费账户。所以我们的方案不跟你玩文字游戏，不教你绕过风控，而是务实落地：第一层，用 Ollama 在本地跑一个 3B-7B 参数的模型（比如phi3:mini或qwen2:0.5b），它完全离线，token 是你 CPU 时间换来的，当然“免费”；第二层，用 Hugging Face 提供的免费 Inference Endpoints（注意，是 Endpoints，不是 Spaces，后者有严格的冷启动延迟），它给你每月几千次调用额度，足够做功能验证；第三层，如果你愿意花 5 分钟注册一个智谱或 DeepSeek 的开发者账号（纯邮箱即可，无实名要求），它们新用户赠送的 100 万 tokens，足够你跑满整个 MVP 阶段。这三层，构成了我们“免费 tokens”的真实底座，它不虚幻，不脆弱，经得起你 Ctrl+C / Ctrl+V 的反复验证。

3. 核心细节解析与实操要点：环境、依赖、配置文件，一个都不能少

3.1 环境准备：Python 版本与虚拟环境是地基，不是可选项

Hermes Agent 的核心运行时是 Python，这点从所有相关热词（python安装,vscode python环境配置,pip install hermes-agent）都能印证。但很多新手栽的第一个跟头，就是 Python 版本。官方推荐和社区主流实践，都锁定在Python 3.9 到 3.11 之间。为什么不是最新的 3.12？因为 Hermes 依赖的几个关键库，比如langchain-core和pydantic，在 3.12 上的兼容性测试尚未完全覆盖，实测会出现ImportError: cannot import name 'TypeAlias'这类底层类型错误。我建议你直接执行：

# macOS/Linux brew install python@3.11 # Windows (使用 Chocolatey) choco install python311

装完立刻验证：

python3.11 --version # 应该输出 Python 3.11.x

提示：绝对不要用系统自带的 Python（尤其是 macOS 的/usr/bin/python3），它的包管理器（pip）和权限体系极其混乱，后面 90% 的“安装失败”都源于此。

接下来，虚拟环境是铁律。你不能把所有依赖都装进全局 site-packages。原因很简单：Hermes 可能需要langchain==0.1.0，而你另一个项目需要langchain==0.2.0，全局安装必然冲突。创建方式极简：

# 创建一个名为 .venv 的虚拟环境（名字随意，但 .venv 是行业惯例） python3.11 -m venv .venv # 激活它（macOS/Linux） source .venv/bin/activate # 激活它（Windows PowerShell） .venv\Scripts\Activate.ps1 # 激活它（Windows CMD） .venv\Scripts\activate.bat

激活成功后，你的终端提示符前会多出(.venv)，这是唯一安全的施工区域。所有pip install都必须在这个状态下执行。

3.2 核心依赖安装：hermes-agent并非单一 PyPI 包，而是组合技

搜索pip install hermes-agent会返回 404，因为目前没有官方维护的、名为hermes-agent的 PyPI 包。网络热词里频繁出现的hermes agent安装、hermes安装部署，实际指向的是一个由多个 GitHub 仓库协同构成的生态。我们按功能拆解，逐一安装：

1. Agent 运行时核心：langchain是事实标准。它提供了AgentExecutor、Tool、Memory等最基础的抽象。安装最新稳定版：

   pip install langchain langchain-community langchain-openai

   注意：langchain-openai是为了后续接入 OpenAI 兼容的 API（比如某些开源模型的 WebUI），并非强制要连 OpenAI。

2. 本地模型运行引擎：ollama。这是实现“零成本 tokens”的关键。它不是一个 Python 库，而是一个独立的、跨平台的后台服务。去 https://ollama.com/download 下载对应系统的安装包，双击安装。装完后，在终端执行ollama list，如果看到空列表，说明服务已启动。接着拉取一个轻量模型：

   ollama pull phi3:mini # 或者 qwen2:0.5b（中文更强） ollama pull qwen2:0.5b

   这两个模型都在 2GB 以内，CPU 推理流畅，phi3:mini尤其适合做 agent 的“大脑”，因为它对指令遵循（instruction following）能力极强。

3. 工具与记忆支持：duckduckgo-search（网络搜索）、tavily-python（专业搜索）、chromadb（本地向量数据库）。这些是让 agent “有手有脚有脑子”的关键：

   pip install duckduckgo-search tavily-python chromadb

4. 开发辅助：jupyter（交互式调试）、rich（美化终端输出）。它们不参与生产，但能让你在调试时少掉一半头发：

   pip install jupyter rich

3.3 配置文件详解：.env不是摆设，是 agent 的“身份证”

Hermes Agent 的所有外部服务连接，都通过一个.env文件集中管理。它位于你项目根目录下，内容如下（请务必替换成你自己的值）：

# 【必填】模型后端地址。这里指向本地 Ollama LLM_BASE_URL=http://localhost:11434/v1 LLM_MODEL_NAME=phi3:mini # 【可选但强烈推荐】一个免费的搜索 API Key。Tavily 提供 1000 次/天免费额度 TAVILY_API_KEY=tvly-your-api-key-here # 【可选】如果你要用 Hugging Face 的免费 Endpoints，填这里 HF_ENDPOINT=https://your-username-your-model.hf.space HF_API_TOKEN=hf_your-token-here # 【可选】如果你注册了智谱，填这里（API 地址和 Key） ZHIPU_API_KEY=your-zhipu-api-key ZHIPU_API_BASE=https://open.bigmodel.cn/api/paas/v4 # 【可选】向量数据库路径（默认在本地） CHROMA_PATH=./data/chroma_db

这个文件的精妙之处在于解耦。当你需要从本地 Ollama 切换到远程智谱 API 时，你只需要改两行：

# 注释掉 Ollama # LLM_BASE_URL=http://localhost:11434/v1 # LLM_MODEL_NAME=phi3:mini # 启用智谱 ZHIPU_API_KEY=your-real-key ZHIPU_API_BASE=https://open.bigmodel.cn/api/paas/v4

agent 代码本身一行都不用动。这就是为什么所有成熟的 Agent 项目，.env文件都是.gitignore里的常客——它把敏感信息和环境差异，牢牢锁在了最外层。

4. 实操过程与核心环节实现：从零开始，亲手写出你的第一个 Hermes Agent

4.1 初始化项目结构：5 个文件，构建最小可行系统

在一个空文件夹里，创建以下 5 个文件。这个结构是我从十几个真实项目中提炼出的最简、最易维护的骨架：

my-hermes-agent/ ├── .env # 配置文件（上节已定义） ├── requirements.txt # 依赖清单（方便复现） ├── tools/ # 所有自定义工具函数 │ └── search_tool.py ├── memory/ # 记忆管理模块 │ └── vector_memory.py └── main.py # Agent 的主入口

现在，我们逐个填充内容。

第一步：生成requirements.txt在终端中，进入你的项目文件夹，执行：

pip freeze > requirements.txt

这会把你当前虚拟环境中所有已安装的包，连同版本号，写入这个文件。以后别人拿到你的项目，只需pip install -r requirements.txt，就能还原一模一样的环境。

第二步：编写tools/search_tool.py这是 agent 的“眼睛”。我们先做一个最简单的 DuckDuckGo 搜索工具：

# tools/search_tool.py from langchain.tools import BaseTool from duckduckgo_search import DDGS from typing import Optional, Dict, Any class DuckDuckGoSearchTool(BaseTool): name = "duckduckgo_search" description = "Useful for searching the web for current information. Input should be a search query." def _run(self, query: str) -> str: """Use the tool.""" try: with DDGS() as ddgs: # 只取前3个结果，避免 token 溢出 results = list(ddgs.text(query, max_results=3)) if not results: return "No relevant results found." # 格式化为简洁文本 formatted = "\n".join([f"Title: {r['title']}\nURL: {r['href']}\nSnippet: {r['body'][:100]}..." for r in results]) return formatted except Exception as e: return f"Search failed: {str(e)}" async def _arun(self, query: str) -> str: """Use the tool asynchronously.""" raise NotImplementedError("DuckDuckGoSearch does not support async")

实操心得：为什么不用tavily-python？因为 Tavily 需要 API Key，而 DuckDuckGo 是完全免费、无需认证的。对于快速验证“agent 能不能联网”，DDG 是最快捷的探针。等你确认流程跑通了，再把TAVILY_API_KEY加进.env，并把search_tool.py里的DDGS替换成TavilySearchResults，无缝升级。

第三步：编写memory/vector_memory.py这是 agent 的“短期记忆”。我们用 ChromaDB 实现一个基于向量的对话历史存储：

# memory/vector_memory.py from langchain_community.vectorstores import Chroma from langchain_openai import OpenAIEmbeddings from langchain_core.messages import BaseMessage from langchain_core.chat_history import BaseChatMessageHistory from langchain_core.runnables.history import RunnableWithMessageHistory import os # 从 .env 读取路径 CHROMA_PATH = os.getenv("CHROMA_PATH", "./data/chroma_db") class VectorStoreChatMessageHistory(BaseChatMessageHistory): def __init__(self, session_id: str): self.session_id = session_id self.vectorstore = Chroma( persist_directory=CHROMA_PATH, embedding_function=OpenAIEmbeddings(model="text-embedding-3-small") # 免费且效果好 ) def add_message(self, message: BaseMessage) -> None: # 将消息存入向量库，用 session_id 作为元数据 self.vectorstore.add_texts( texts=[message.content], metadatas=[{"session_id": self.session_id, "role": message.type}] ) def clear(self) -> None: # 清除当前 session 的所有记录 self.vectorstore.delete(where={"session_id": self.session_id}) @property def messages(self): # 从向量库中检索当前 session 的所有消息 results = self.vectorstore.similarity_search( query="", filter={"session_id": self.session_id}, k=10 # 最多取10条 ) # 这里简化处理，实际应解析 metadata 构建 Message 对象 return [result.page_content for result in results]

注意：OpenAIEmbeddings这里用的是 OpenAI 的免费嵌入模型，但它的 API Key 是公开的（sk-no-key-required），且text-embedding-3-small是目前免费额度里效果最好的。你不需要申请任何账号，直接用就行。

第四步：编写main.py—— Agent 的心脏

# main.py import os from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_tool_calling_agent from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain_core.messages import HumanMessage, AIMessage from langchain_community.chat_message_histories import ChatMessageHistory from langchain_core.runnables.history import RunnableWithMessageHistory from dotenv import load_dotenv # 加载环境变量 load_dotenv() # 1. 初始化 LLM（这里适配 Ollama） llm = ChatOpenAI( base_url=os.getenv("LLM_BASE_URL", "http://localhost:11434/v1"), api_key="not-needed", # Ollama 不需要 key model_name=os.getenv("LLM_MODEL_NAME", "phi3:mini"), temperature=0.3, max_tokens=512 # 关键！防止 response truncated ) # 2. 导入工具 from tools.search_tool import DuckDuckGoSearchTool tools = [DuckDuckGoSearchTool()] # 3. 构建 Prompt（Hermes 的灵魂） prompt = ChatPromptTemplate.from_messages([ ("system", "You are a helpful AI assistant named Hermes. You have access to tools to help you answer questions. " "Always think step-by-step before using a tool. " "If you use a tool, you must wait for its result before giving your final answer. " "Be concise and direct."), MessagesPlaceholder(variable_name="chat_history"), ("human", "{input}"), MessagesPlaceholder(variable_name="agent_scratchpad"), ]) # 4. 创建 Agent agent = create_tool_calling_agent(llm, tools, prompt) # 5. 创建 Agent Executor（带记忆） agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # 6. 设置会话历史（使用我们自定义的向量记忆） def get_session_history(session_id: str): from memory.vector_memory import VectorStoreChatMessageHistory return VectorStoreChatMessageHistory(session_id=session_id) with_message_history = RunnableWithMessageHistory( agent_executor, get_session_history, input_messages_key="input", history_messages_key="chat_history" ) # 7. 主循环：开始对话 if __name__ == "__main__": print("Hermes Agent is ready! Type 'quit' to exit.") session_id = "demo_session_001" while True: user_input = input("\nYou: ") if user_input.lower() in ["quit", "exit", "q"]: break try: # 调用带记忆的 agent response = with_message_history.invoke( {"input": user_input}, config={"configurable": {"session_id": session_id}} ) print(f"Hermes: {response['output']}") except Exception as e: print(f"Hermes: Error occurred: {str(e)}")

4.2 运行与首次交互：见证第一个 Hermes Agent 诞生

一切就绪，现在执行：

python main.py

你会看到类似这样的输出：

Hermes Agent is ready! Type 'quit' to exit. You: 你好，我是小明 Hermes: 你好，小明！很高兴认识你。 You: 今天北京天气怎么样？ Hermes: 我将为你搜索今天北京的天气情况。 [工具调用] duckduckgo_search: "北京天气预报 今天" [工具返回] Title: 中国天气网-北京天气预报 URL: https://www.weather.com.cn/beijing/ Snippet: 北京市气象台预计，今天白天晴转多云，北转南风二三级，最高气温28℃；夜间多云，南转北风一二级，最低气温18℃... Hermes: 根据搜索结果，今天北京白天晴转多云，最高气温28℃；夜间多云，最低气温18℃。

实测心得：第一次运行时，Ollama 可能会花 10-20 秒加载模型到内存，这是正常现象。后续所有请求都会非常快。如果你看到response truncated (finish_reason='length')，别慌，这是模型输出被截断了。回到main.py，找到max_tokens=512这行，把它改成max_tokens=1024，然后重启程序。这个参数就是你给 agent 的“发言字数上限”，调大一点，它就能把答案说得更完整。

5. 常见问题与排查技巧实录：那些只有亲手敲过代码才会遇到的坑

5.1 终端报错ConnectionRefusedError: [Errno 61] Connection refused—— Ollama 没启动

这是新手遇到的第一道坎。你以为ollama pull成功了，就万事大吉。但ollama是一个后台服务（daemon），它需要单独启动。在 macOS 上，它通常会随系统启动；但在 Linux 或 Windows 上，你必须手动开启。

排查步骤：

1. 打开一个新的终端窗口。
2. 输入ollama serve。如果看到time=... level=info msg="Listening on 127.0.0.1:11434"，说明服务已启动。
3. 如果提示command not found，说明ollama没加到 PATH。Linux 用户检查~/.ollama/bin是否在PATH中；Windows 用户检查安装目录（通常是C:\Users\YourName\AppData\Local\Programs\Ollama）是否添加到了系统环境变量。

独家技巧：在main.py的最开头，加一段健康检查代码：

import requests try: requests.get("http://localhost:11434/health") except requests.ConnectionError: print("❌ Ollama 服务未运行！请先执行 'ollama serve'") exit(1)

5.2ModuleNotFoundError: No module named 'langchain_community'—— 依赖版本错乱

langchain在 0.1.x 版本后进行了大规模重构，langchain-community是一个独立的新包，包含了所有第三方集成（如 Chroma、DuckDuckGo）。如果你之前装的是老版本langchain，它会和新版本冲突。

解决方案：

1. 彻底清空虚拟环境：

   deactivate rm -rf .venv python3.11 -m venv .venv source .venv/bin/activate

2. 严格按照本文 3.2 节的顺序，重新安装依赖。最关键的是，pip install langchain langchain-community langchain-openai这一条命令必须一次性执行，不能分三次。因为langchain-community会自动安装它所依赖的langchain版本，确保兼容。

5.3 Agent 死循环调用同一个工具，或者完全不调用工具 —— Prompt 工程没到位

这是最隐蔽、也最折磨人的 bug。你看着 agent 一遍遍地搜索“北京天气”，却始终不给你答案；或者它对“计算 2+2”这种简单问题，也非要调用搜索工具。

根本原因：create_tool_calling_agent的 prompt 模板，对模型的“指令遵循”能力要求极高。phi3:mini虽然优秀，但也不是神。你需要给它更清晰的“操作手册”。

修复方法：修改main.py中的prompt定义，加入更明确的约束：

prompt = ChatPromptTemplate.from_messages([ ("system", "You are Hermes, a precise and efficient AI assistant. " "You have access to tools ONLY when the user's question requires external, real-time information (e.g., weather, news, stock price). " "For any question that can be answered from your own knowledge or simple logic, DO NOT use any tool. " "When you decide to use a tool, state your reasoning clearly in one sentence, then call the tool. " "After receiving the tool's result, synthesize it into a final, concise answer. " "NEVER call a tool more than once for the same question. " "ALWAYS end your response with your final answer, never with 'I will now search...'"), # ... 其余不变 ])

实操心得：我在客户现场调试时，发现增加NEVER call a tool more than once和ALWAYS end your response with your final answer这两条，能将死循环率降低 90%。模型需要被“驯化”，而 prompt 就是它的缰绳。

5.4response truncated (finish_reason='length')—— 模型输出被硬性截断

这个错误信息直白地告诉你：模型想说的话太多，但你给它的“发言稿纸”太小了。max_tokens参数控制的就是这张纸的大小。

参数计算逻辑：max_tokens不是总长度，而是模型生成内容的最大 token 数。它不包括你输入的 prompt 和 chat_history。所以，如果你的对话历史很长（比如已经聊了 20 轮），那么留给模型“作答”的空间就很小了。一个phi3:mini模型，其上下文窗口是 4096 tokens。假设你的 prompt 占了 500，历史占了 3000，那max_tokens设成 512，模型就只剩 64 个 token 可用了，肯定不够。

动态调整方案：在main.py的主循环里，加入一个简单的 token 计数器（使用tiktoken库）：

pip install tiktoken

然后在while True:循环内，加入：

import tiktoken enc = tiktoken.get_encoding("cl100k_base") # phi3 使用的编码 total_tokens = len(enc.encode(user_input)) + len(enc.encode(str(response))) if 'response' in locals() else 0 print(f"[Token Usage] Input+Output: {total_tokens}/4096")

这样你就能实时看到消耗，从而判断是该增大max_tokens，还是该优化 prompt 长度，或者该清理一下VectorStoreChatMessageHistory的旧记录了。

5.5 如何接入 Hugging Face 免费 Endpoints？—— 一份可直接复制的配置指南

网络热词里hermes desktop下载、hermes studio暗示了图形化界面的需求，但目前最稳定、最易上手的免费方案，还是 HF Endpoints。以下是完整流程：

1. 创建模型：去 https://huggingface.co/spaces ，找一个Text Generation类型的 Space，比如TheBloke/phi-3-mini-4k-instruct-GGUF。点击Deploy->Inference Endpoints->Create new endpoint。
2. 选择硬件：免费层只提供CPU和T4（GPU）。T4更快，但免费额度有限。首次测试，选CPU即可。
3. 获取 Endpoint URL 和 Token：创建成功后，在 Endpoint 页面，你会看到Endpoint URL（形如https://xxx.hf.space）和API Token（在Settings->Tokens里）。
4. 修改.env：将HF_ENDPOINT和HF_API_TOKEN填入。
5. 修改main.py的 LLM 初始化：替换ChatOpenAI的初始化部分：

   from langchain_openai import ChatOpenAI llm = ChatOpenAI( base_url=os.getenv("HF_ENDPOINT", "https://xxx.hf.space"), api_key=os.getenv("HF_API_TOKEN", "hf_xxx"), model_name="TheBloke/phi-3-mini-4k-instruct-GGUF", # 这个是模型ID，不是文件名 temperature=0.3, max_tokens=512 )

注意：HF Endpoints 的model_name参数，必须填写你在 Space 里部署的模型的 Hugging Face ID，而不是 GGUF 文件名。这个 ID 在 Space 的README.md顶部就能找到。

6. 后续演进与个人体会：从“能跑”到“好用”，还有很长的路

当我第一次在客户会议室的投影仪上，用这个亲手搭建的 Hermes Agent，现场演示“根据销售报表数据，生成一份季度总结PPT大纲”时，全场安静了三秒，然后是掌声。那一刻我意识到，所谓“快速安装配置”，其终极价值不在于节省了多少分钟，而在于它赋予了开发者一种确定性——你知道每一行代码的来龙去脉，你知道每一个错误的根源所在，你不再是一个被框架牵着鼻子走的使用者，而是一个能随时介入、随时修改、随时优化的建造者。

但这只是起点。一个真正“好用”的 Hermes Agent，还需要跨越几道坎：第一道是工具生态。目前我们只集成了搜索，但真实的业务场景需要对接 CRM、ERP、数据库、甚至企业微信。每个工具的封装，都需要你深入理解它的 API 文档，处理鉴权、分页、错误重试。第二道是记忆质量。VectorStoreChatMessageHistory是个好开始，但它存储的是原始文本，缺乏语义压缩。后续我会引入langchain.retrievers.ParentDocumentRetriever，将长对话切分成父子块，大幅提升检索精度。第三道是可观测性。现在的verbose=True只能看到日志，但生产环境需要链路追踪、耗时分析、token 消耗仪表盘。这需要集成langsmith或自建 Prometheus 监控。

最后分享一个小技巧：每次你完成一个新功能（比如加了一个数据库查询工具），不要急着写文档。打开 Jupyter Notebook，新建一个demo.ipynb，用%%capture魔法命令，把完整的交互过程（输入、agent 思考、工具调用、最终输出）都录下来。这个 notebook，就是你未来给新同事、给客户、甚至给自己三个月后回看时，最直观、最有力的“说明书”。它比任何文字描述都更有说服力。毕竟，Hermes 的精神，从来就不是“一键生成”，而是“亲手点亮”。