Hermes Jev Skills 是一个面向智能体工作流的 Python 工具集，把 TypeSafe 的 Jev“决策模型”接入 Hermes、Claude Code、Codex 等 Agent 环境。它不让 Jev 生成文本，而是用低成本、低延迟的方式处理模型路由、技能选择、记忆筛选、上下文压缩、搜索结果筛选、邮箱分类、GUI/浏览器动作选择等“小决策”，从而减少昂贵大模型 token 消耗并提升响应效率。项目提供 CLI、Hermes 插件、9 个通用 SKILL.md 技能文件、模型路由仪表盘和安装脚本，强调隐私脱敏、失败开放和影子模式验证。
适用领域
AI Agent 基础设施 / 大模型路由 / Agent 记忆管理 / 上下文压缩 / 技能选择 / 自动化决策 / Hermes 插件生态 / Claude Code / Codex 辅助工具 / 邮箱分类与消息分流 / 浏览器与电脑操作自动化
配置难度
中等。基础安装和 CLI 使用较简单，但要在真实团队环境中用好模型路由、隐私 profile、模型池、Hermes 插件和 shadow mode，需要理解 Agent 工作流、多模型成本结构、数据脱敏和失败降级策略。
商业价值
对频繁使用 Agent 和多模型调用的团队有较高业务价值。它可以把大量低价值决策从昂贵大模型中剥离出来，降低推理成本、缩短响应时间，并通过模型路由提升资源利用效率。对于内部开发助手、客服/邮件分流、知识库 Agent、自动化浏览器操作、长期对话记忆管理等场景，可以作为成本优化和 Agent 编排层使用。不过，由于它依赖外部 Jev 云服务且涉及数据外发，企业落地时需要先完成隐私、合规和质量评估。
01
技术亮点
- 核心定位清晰：让便宜、快速的 Jev 决策模型承担路由、筛选、分类等非生成任务，减少主模型成本。
- 支持 Hermes、Claude Code、Codex 等多种 Agent 使用方式，技能以通用 SKILL.md 形式提供。
- 模型路由支持 shadow mode，可先记录决策不实际切换，降低上线风险。
- 失败开放设计：无 key、超时、限流、低置信度或返回异常时，不阻塞原有工作流。
- 隐私说明较细：列明每类功能会上传什么、如何脱敏、哪些内容不会发送。
- API Key 设计相对安全：本机一次性页面输入，不把 key 暴露给 Agent 聊天上下文。
- 提供模型路由仪表盘，可观察模型池、决策、置信度、延迟等信息。
- 安装流程简单，Python 标准库实现，无复杂依赖。
- 具有多类实用 Agent 能力：路由、搜索、记忆、压缩、技能选择、邮箱分类、电脑/浏览器动作选择。
- MIT License，便于企业和个人二次集成。
02
目标用户
- 使用 Hermes Agent 的开发者
- 使用 Claude Code、Codex 等支持技能文件的 Agent 用户
- 希望降低大模型调用成本的 AI 应用开发者
- 需要多模型路由策略的团队
- 构建企业内部 Agent 平台的工程团队
- 关注隐私、脱敏、失败降级机制的 AI 工程师
- 需要 Agent 记忆筛选、上下文压缩和工具选择能力的开发者
03
配置要求
- 需要 Python 3.9+。
- 项目本身声明无第三方依赖，主要使用 Python 标准库。
- 需要 TypeSafe / Jev API Key 才能调用云端 Jev 决策服务。
- 如使用模型路由，需要本机或 Hermes 环境中配置对应模型提供商的 API Key 或登录状态。
- 模型池配置默认位于 ~/.hermes/jev/routing.json，单 profile 可通过 ~/.hermes/profiles/<name>/jev/routing.json 覆盖。
- API Key 会写入系统密钥存储，例如 macOS Keychain、Linux secret-tool，或 fallback 到权限为 0600 的本地文件。
- 在 Hermes 环境中，安装器会尝试为每个 profile 的 .env 配置 Jev Key。
- 对不能外发文本的敏感 profile，应配置 private_profiles，使路由只发送粗粒度特征而不是原始文本。
- 如需仪表盘，可运行 jev dashboard；如需查看模型能力与可用 provider，可运行 jev models list 和 jev models providers。
04
适用场景
- 根据用户请求自动选择合适的大模型，例如简单任务走便宜模型，复杂编码任务走强模型
- 在 Agent 对话中自动选择最相关的技能文件，避免一次加载过多技能
- 从大量记忆片段或检索结果中筛选最值得阅读的内容
- 在上下文窗口受限时挑选需要保留的对话轮次
- 在搜索流程中判断哪些结果值得打开、证据是否足够、下一步查询候选哪个更合适
- 对邮箱或消息进行分类，例如需要回复、更新通知、推广、销售、垃圾邮件等
- 为浏览器或电脑操作智能体选择下一步安全动作
- 在不实际切换模型的 shadow mode 中记录路由决策，用于评估模型池配置效果
- 为 Hermes 提供可视化模型路由仪表盘，观察实时决策、置信度和延迟
05
部署与配置
- 确保本机安装 Python 3.9 或更高版本。
- 克隆仓库：git clone https://github.com/kerpopule/hermes-jev-skills ~/hermes-jev-skills
- 运行安装脚本：python3 ~/hermes-jev-skills/install.py
- 如果通过 zip 下载，则解压后在项目目录执行：python3 install.py
- 可先执行 dry-run 检查：python3 install.py --check
- 安装后执行：jev setup-key，按提示在本机一次性页面中粘贴 TypeSafe API Key。
- 执行：jev doctor 检查安装和配置状态。
- 如用于模型路由，可执行：jev models suggest --write 生成初始路由池配置。
- 建议先启用影子模式：/jev routing shadow，观察一天日志后再开启真实路由。
- 在 Hermes 中可使用 /jev routing on、/jev skills on、/jev notice on 等命令启用对应功能。
06
风险与注意事项
- Jev 是云端 API，默认 redacted-text 模式下仍会发送经过脱敏的用户请求文本，强隐私场景需要谨慎配置 private_profiles。
- 项目依赖 TypeSafe / Jev 服务，可用性、价格、API 变更会影响实际使用。
- 模型路由决策如果配置不当，可能导致任务被分配给能力不足的模型，影响质量。
- 虽然设计为失败开放，但超时仍可能带来额外延迟，例如路由最多等待约 2.5 秒。
- 对中文场景的效果需要自行验证，README 中的评测和示例主要面向英文环境。
- 电脑和浏览器使用虽然只能选择预定义 action id，但上层动作表如果设计不严谨仍可能引入自动化风险。
- 邮箱分类会发送显示名和部分正文内容，企业邮件或客户数据场景需要合规评估。
- 仓库 star 较多但仍属于较新型 Agent 基础设施，生产落地前需要充分测试。
2026-09-24
第17名
新收录 · github_search
