可選技能目錄

官方可選技能隨 hermes-agent 倉庫一起提供，位於 optional-skills/ 目錄下，但默認情況下未啟用。需顯式安裝：

hermes skills install official/<category>/<skill>

例如：

hermes skills install official/blockchain/solana
hermes skills install official/mlops/flash-attention

安裝後，該技能將出現在 Agent 的技能列表中，並在檢測到相關任務時自動加載。

卸載方法如下：

hermes skills uninstall <skill-name>

---

自主 AI Agent

技能	描述
blackbox	將編碼任務委派給 Blackbox AI CLI Agent。多模型 Agent，內置評判機制，通過多個大語言模型運行任務並選擇最佳結果。
honcho	配置並使用 Honcho 記憶與 Hermes 集成 —— 跨會話用戶建模、多配置文件同伴隔離、觀測配置以及辯證推理。

區塊鏈

技能	描述
base	查詢 Base（以太坊 L2）區塊鏈數據並附帶美元定價 —— 錢包餘額、代幣信息、交易詳情、Gas 分析、合約檢查、巨鯨檢測以及實時網絡狀態。無需 API 密鑰。
solana	查詢 Solana 區塊鏈數據並附帶美元定價 —— 錢包餘額、代幣組合、交易詳情、NFT、巨鯨檢測以及實時網絡狀態。無需 API 密鑰。

通信

技能	描述
one-three-one-rule	用於提案和決策制定的結構化溝通框架。

創意

技能	描述
blender-mcp	通過 socket 連接，直接從 Hermes 控制 Blender，使用 blender-mcp 插件。創建 3D 對象、材質、動畫，並運行任意 Blender Python（bpy）代碼。
meme-generation	使用 Pillow 從模板中選取併疊加文字，生成真實的 meme 圖像。輸出實際的 .png meme 文件。

DevOps

技能	描述
cli	通過 inference.sh CLI（infsh）運行 150+ 個 AI 應用 —— 圖像生成、視頻創建、大語言模型、搜索、3D 和社交自動化。
docker-management	管理 Docker 容器、鏡像、卷、網絡以及 Compose 堆棧 —— 生命週期操作、調試、清理以及 Dockerfile 優化。

郵件

技能	描述
agentmail	通過 AgentMail 為 Agent 配置專屬郵箱收件箱。使用 Agent 擁有的郵箱地址自主發送、接收和管理郵件。

健康

技能	描述
neuroskill-bci	用於神經科學研究工作流的腦機接口（BCI）集成。

MCP

技能	描述
fastmcp	使用 Python 的 FastMCP 構建、測試、檢查、安裝和部署 MCP 服務器。涵蓋將 API 或數據庫包裝為 MCP 工具、暴露資源或提示，以及部署。

遷移

技能	描述
openclaw-migration	將用戶的 OpenClaw 自定義足跡遷移至 Hermes Agent。導入記憶、SOUL.md、命令允許列表、用戶技能以及選定的工作區資產。

MLOps

最大的可選類別 —— 覆蓋從數據整理到生產推理的完整機器學習流程。

技能	描述
accelerate	最簡單的分佈式訓練 API。僅需 4 行代碼即可為任意 PyTorch 腳本添加分佈式支持。統一的 API 支持 DeepSpeed/FSDP/Megatron/DDP。
chroma	開源嵌入數據庫。存儲嵌入向量和元數據，支持向量搜索與全文搜索。為 RAG 和語義搜索提供簡單的 4 函數 API。
faiss	Facebook 開發的高效密集向量相似性搜索與聚類庫。支持數十億向量，具備 GPU 加速功能，支持多種索引類型（Flat、IVF、HNSW）。
flash-attention	通過 Flash Attention 優化 Transformer 注意力機制，實現 2-4 倍加速與 10-20 倍內存減少。支持 PyTorch SDPA、flash-attn 庫、H100 FP8 以及滑動窗口。
hermes-atropos-environments	構建、測試與調試用於 Atropos 訓練的 Hermes Agent 強化學習環境。涵蓋 HermesAgentBaseEnv 接口、獎勵函數、Agent 循環集成與評估。
huggingface-tokenizers	基於 Rust 的快速分詞器，適用於研究與生產環境。1GB 文本分詞耗時低於 20 秒。支持 BPE、WordPiece 和 Unigram 算法。
instructor	從 LLM 響應中提取結構化數據，支持 Pydantic 驗證，自動重試失敗的提取任務，並支持流式輸出部分結果。
lambda-labs	用於機器學習訓練與推理的預留與按需 GPU 雲實例。支持 SSH 訪問、持久化文件系統以及多節點集群。
llava	大型語言與視覺助手 —— 視覺指令微調與基於圖像的對話，結合 CLIP 視覺模型與 LLaMA 語言模型。
nemo-curator	面向 LLM 訓練的 GPU 加速數據清洗工具。支持模糊去重（快 16 倍）、質量過濾（30+ 啟發式規則）、語義去重與 PII 信息脫敏。可與 RAPIDS 無縫擴展。
pinecone	用於生產級 AI 的託管向量數據庫。支持自動擴展、混合搜索（密集 + 稀疏）、元數據過濾與低延遲（p95 低於 100ms）。
pytorch-lightning	高級 PyTorch 框架，提供 Trainer 類、自動分佈式訓練（DDP/FSDP/DeepSpeed）、回調機制與極簡樣板代碼。
qdrant	高性能向量相似性搜索引擎。基於 Rust 構建，支持快速最近鄰搜索、帶過濾的混合搜索以及可擴展的向量存儲。
saelens	使用 SAELens 訓練與分析稀疏自編碼器（SAEs），將神經網絡激活分解為可解釋的特徵。
simpo	簡單偏好優化 —— 無需參考模型的 DPO 替代方案，性能更優（AlpacaEval 2.0 上提升 +6.4 分）。無需參考模型。
slime	使用 Megatron+SGLang 框架對 LLM 進行強化學習後訓練。支持自定義數據生成工作流，並與 Megatron-LM 緊密集成以實現強化學習的可擴展性。
tensorrt-llm	使用 NVIDIA TensorRT 優化 LLM 推理以實現最大吞吐量。在 A100/H100 上，結合量化（FP8/INT4）與飛行中批處理，速度比 PyTorch 快 10-100 倍。
torchtitan	原生 PyTorch 分佈式 LLM 預訓練框架，支持 4D 並行（FSDP2、TP、PP、CP）。支持從 8 到 512+ GPU 的擴展，兼容 Float8 與 torch.compile。

生產力

技能	描述
canvas	Canvas LMS 集成 —— 使用 API Token 認證獲取註冊課程與作業信息。
memento-flashcards	基於間隔重複的閃卡系統，用於學習與知識留存。
siyuan	SiYuan 筆記 API，用於在自託管知識庫中搜索、讀取、創建與管理塊與文檔。
telephony	為 Hermes 提供電話功能 —— 配置 Twilio 號碼，發送/接收短信/MMS，撥打電話，並通過 Bland.ai 或 Vapi 實現 AI 驅動的外呼。

研究

技能	描述
bioinformatics	通往 400+ 生物信息學技能的入口，涵蓋 bioSkills 與 ClawBio 提供的內容。包括基因組學、轉錄組學、單細胞分析、變異檢測、藥物基因組學、宏基因組學與結構生物學。
domain-intel	使用 Python 標準庫進行被動域名偵察。支持子域名發現、SSL 證書檢查、WHOIS 查詢、DNS 記錄分析與批量多域名分析。無需 API 密鑰。
duckduckgo-search	通過 DuckDuckGo 免費進行網絡搜索 —— 支持文本、新聞、圖片與視頻。無需 API 密鑰。
gitnexus-explorer	使用 GitNexus 索引代碼庫，並通過 Web UI 與 Cloudflare 隧道提供交互式知識圖譜服務。
parallel-cli	Parallel CLI 的供應商技能 —— 原生 Agent 的網絡搜索、信息提取、深度研究、數據增強與監控。
qmd	使用 qmd —— 一種結合 BM25、向量搜索與 LLM 重排序的混合檢索引擎，本地搜索個人知識庫、筆記、文檔與會議記錄。
scrapling	使用 Scrapling 進行網頁爬取 —— 支持 HTTP 獲取、隱身瀏覽器自動化、Cloudflare 繞過與爬蟲爬行，可通過 CLI 與 Python 使用。

安全

技能	描述
1password	配置並使用 1Password CLI (op)。安裝 CLI，啟用桌面應用集成，登錄，併為命令讀取/注入密鑰。
oss-forensics	開源軟件取證 — 分析軟件包、依賴項及供應鏈風險。
sherlock	OSINT 用戶名搜索，覆蓋 400 多個社交網絡。通過用戶名追蹤社交媒體賬戶。

---

貢獻可選技能

要向倉庫添加新的可選技能：

1. 在 optional-skills/<category>/<skill-name>/ 下創建一個目錄
2. 添加一個 SKILL.md，包含標準 frontmatter（名稱、描述、版本、作者）
3. 在 references/、templates/ 或 scripts/ 子目錄中包含任何支持文件
4. 提交拉取請求 —— 技能在合併後將顯示在此目錄中