Hermes委托DeepSeek Harness干活：图结构加模型路由三毛钱跑通

Hermes 的 AI 智能体框架，通过三项精准改造，将 DeepSeek Harness 的开源编码工具变成了它的“执行副手”。三项改造——图优先代码审查、OpenRouter 路由接入、Hermes 委托调用——叠加起来，把一次完整编码任务的成本压到了 0.30 美元。

三毛钱，跑通一次完整代码审查加修改。怎么做到的？

Hermes 是什么？一个能自己“长记性”的 AI 智能体

Hermes Agent 是 Nous Research 于 2026 年 2 月开源的自进化 AI 智能体框架。它的核心卖点是“闭环学习回路”——每次复杂任务结束后，Agent 会自主编写可复用的技能文档，把这次的经验固化下来。下次遇到类似任务，直接调取技能，不用从头再来。

截至 2026 年 5 月，Hermes 最新版本是 v0.14.0。GitHub 星标超过 14 万。它支持 CLI、TUI、IDE 集成，还能跑在 Telegram、Discord、微信、iMessage 等十几个平台上。模型层面，它兼容所有 OpenAI 兼容的端点，可以用 DeepSeek、Claude、GPT 等任意模型作为“大脑”。

Hermes 擅长做决策、拆解任务、管理长对话。但它有一个短板：直接处理代码的时候，要一遍遍读文件。读文件要花 Token。Token 要钱。

这就引出了第一个改造。

改造一：从“全文阅读”到“看图说话”，Token 消耗砍掉 82 倍

传统 AI 代码工具的工作方式可以概括为四个字：全文扫描。不管是 Claude Code 还是 Cursor，每次执行代码审查任务，都要重新读取整个代码库的相关文件。项目一大，Token 消耗就爆炸。

code-review-graph 换了个思路。它先用 Tree-sitter 把代码库解析成抽象语法树（AST），然后存成一个结构化的知识图谱——节点是函数、类、导入，边是调用关系、继承关系、测试覆盖。审查的时候，AI 不是去读所有文件，而是查这个图，算出“最小相关文件集合”。

这套机制的核心叫“爆炸半径分析”。当某个文件发生变化，图会追踪所有可能受影响的调用者、依赖项和相关测试。AI 只读这些被波及的文件，不用扫整个项目。

实测数据相当惊人。在 6 个真实开源仓库上的测试显示，Token 消耗平均降低 8.2 倍。中位数降幅达到 82 倍。最极端的案例是 FastAPI 仓库，从 951,071 个 Token 降到 2,169 个，降低了 528 倍。

建图本身也要时间。一个 500 个文件的项目首次构建大约 10 秒。但建完之后是增量更新——每次文件保存或 commit 触发 hook，通过 SHA-256 哈希差分，只重新解析变更的文件。一个 2,900 个文件的项目重建索引不到 2 秒。

支持的语言超过 30 种，包括 Python、JavaScript、TypeScript、Go、Rust、Java、C++、Ruby、Kotlin、Swift、PHP、Solidity 等。

这就是三毛钱跑通一次任务的第一块拼图。AI 不用再当“全文扫描仪”了，它有了一个“代码地图”。

改造二：OpenRouter——一个接口，四百个模型随便换

第二项改造是给 DeepSeek Harness 接入了 OpenRouter 路由能力。

OpenRouter 是一个 AI 模型的“超级市场”。通过一个统一的 OpenAI 兼容接口，开发者可以访问超过 400 个模型、来自 60 多个提供商。每周路由数千亿次请求、数万亿 Token。

这意味着 DeepSeek Harness 不再被锁定在任何一个特定模型上。想用哪个模型，改配置就行。想对比不同模型的效果，随时切换。

这次改造中选择的路由目标是 deepseek/deepseek-v4-flash-0731。这是一个基于 DeepSeek-V4-Pro 的优化版本，特点是响应快、成本低。更重要的是，这个模型和 Hermes 本身运行的模型保持一致——两边用的是同一套推理后端，减少了适配成本和不确定性。

OpenRouter 还有一个实用功能：每个 API Key 可以独立设置成本上限。对需要控制预算的开发者来说，这是个硬需求。

有了这个改造，DeepSeek Harness 从一个固定模型的工具，变成了一个可以自由切换“大脑”的开放平台。

改造三：Hermes 把 Harness 当“子智能体”调用——大脑和手的分离

前两项改造解决的是“怎么读代码更省”和“用什么模型更灵活”。第三项改造解决的是“怎么让 Hermes 指挥 Harness 干活”。

DeepSeek Harness 被封装成了一个 MCP 服务器，让 Hermes 可以把它当作一个“本地编码子智能体”来调用。

MCP（Model Context Protocol）是 Agent 世界的“USB 标准”——Hermes 通过 MCP 连接外部系统，像调用普通工具一样调用 MCP 服务器暴露的能力。Hermes 本身就有完整的 MCP 工具治理体系，包括环境变量隔离、提示词注入检测、工具白名单过滤等。

调用方式极其简单：

hermes run deepseek-harness ""

就这么一行。Hermes 把任务完整委托给 DeepSeek Harness 去执行。Harness 那边加载 code-review-graph，通过 OpenRouter 路由到指定模型，执行代码审查、修改、验证，然后把结果返回给 Hermes。

整个过程是确定性的——每次运行可复现、可审计。Hermes 还能拿到完整的执行轨迹（Trajectory），包括 Harness 内部的推理过程、工具调用、子 Agent 调度。

这等于把 Hermes 的“大脑”和 DeepSeek Harness 的“双手”彻底分离了。Hermes 负责高层决策：理解用户意图、拆解任务、管理跨会话记忆。DeepSeek Harness 负责底层执行：读代码、改代码、跑测试、修 Bug。各司其职，互不干扰。

三项改造叠加：三毛钱跑通一次任务，但这只是起点

三项改造叠在一起，效果是 1+1+1>3。

code-review-graph 把 Token 消耗砍掉 82 倍——这是“省钱”的核心。OpenRouter 让模型选择灵活、成本可控——这是“省心”的关键。Hermes 委托调用让整个流程可复现、可审计——这是“靠谱”的保障。

一次完整运行，成本大约 0.30 美元。

但三毛钱这个数字能持续多久？

code-review-graph 的建图质量取决于 Tree-sitter 的解析精度——Python 的装饰器、JavaScript 的动态属性、Ruby 的元编程，这些在静态 AST 里可能丢失信息。图告诉 AI“这两个文件有关系”，但关系是什么性质、什么强度，图不一定说得清。

还有一点：这套架构目前还处于早期验证阶段，要在真实项目上跑几周才能确认稳定性。

三毛钱跑通一次任务的那个 snapshot，用的图结构、模型版本、插件组合、缓存状态——所有这些条件，第二天可能就已经变了。那个三毛钱的任务，也许再也复现不出来。

但这恰恰是开源生态最有意思的地方。一套工具刚发布，就有人把它拆开、重组、缝到另一个系统上，跑出了一个谁都没预料到的结果。然后这个结果会被其他人复现、质疑、改进。三毛钱可能不是终点，只是一个起点。