构建 Hermes 插件

> 📖 本文档翻译自 Hermes Agent 官方文档 > 最后更新：2026-04-16

---

构建 Hermes 插件

本指南将从头开始引导你构建一个完整的 Hermes 插件。完成后你将拥有一个包含多个工具、生命周期钩子、数据文件和捆绑技能的完整插件。

你将构建什么

一个计算器插件，包含两个工具：

• calculate — 计算数学表达式（2**16、sqrt(144)、pi * 5**2）
• unit_convert — 单位转换（100 F → 37.78 C、5 km → 3.11 mi）

此外还有一个记录每次工具调用的钩子，以及一个捆绑的技能文件。

第 1 步：创建插件目录

mkdir -p ~/.hermes/plugins/calculator
cd ~/.hermes/plugins/calculator

第 2 步：编写清单文件

创建 plugin.yaml：

name: calculator
version: 1.0.0
description: Math calculator — evaluate expressions and convert units
provides_tools:
  - calculate
  - unit_convert
provides_hooks:
  - post_tool_call

这告诉 Hermes："我是一个名为 calculator 的插件，我提供工具和钩子。"provides_tools 和 provides_hooks 字段列出了插件注册的内容。

可选字段：

author: Your Name
requires_env:          # gate loading on env vars; prompted during install
  - SOME_API_KEY       # simple format — plugin disabled if missing
  - name: OTHER_KEY    # rich format — shows description/url during install
    description: "Key for the Other service"
    url: "https://other.com/keys"
    secret: true

第 3 步：编写工具 Schema

创建 schemas.py——这是 LLM 读取的内容，用于决定何时调用你的工具：

"""Tool schemas — what the LLM sees."""

CALCULATE = {
    "name": "calculate",
    "description": (
        "Evaluate a mathematical expression and return the result. "
        "Supports arithmetic (+, -, *, /, **), functions (sqrt, sin, cos, "
        "log, abs, round, floor, ceil), and constants (pi, e). "
        "Use this for any math the user asks about."
    ),
    "parameters": {
        "type": "object",
        "properties": {
            "expression": {
                "type": "string",
                "description": "Math expression to evaluate (e.g., '2**10', 'sqrt(144)')",
            },
        },
        "required": ["expression"],
    },
}

UNIT_CONVERT = {
    "name": "unit_convert",
    "description": (
        "Convert a value between units. Supports length (m, km, mi, ft, in), "
        "weight (kg, lb, oz, g), temperature (C, F, K), data (B, KB, MB, GB, TB), "
        "and time (s, min, hr, day)."
    ),
    "parameters": {
        "type": "object",
        "properties": {
            "value": {
                "type": "number",
                "description": "The numeric value to convert",
            },
            "from_unit": {
                "type": "string",
                "description": "Source unit (e.g., 'km', 'lb', 'F', 'GB')",
            },
            "to_unit": {
                "type": "string",
                "description": "Target unit (e.g., 'mi', 'kg', 'C', 'MB')",
            },
        },
        "required": ["value", "from_unit", "to_unit"],
    },
}

Schema 为什么重要：description 字段是 LLM 判断何时使用你的工具的依据。要具体说明工具的功能和使用时机。parameters 定义了 LLM 传递的参数。

第 4 步：编写工具处理器

创建 tools.py——这是当 LLM 调用你的工具时实际执行的代码：

"""Tool handlers — the code that runs when the LLM calls each tool."""

import json
import math

# Safe globals for expression evaluation — no file/network access
_SAFE_MATH = {
    "abs": abs, "round": round, "min": min, "max": max,
    "pow": pow, "sqrt": math.sqrt, "sin": math.sin, "cos": math.cos,
    "tan": math.tan, "log": math.log, "log2": math.log2, "log10": math.log10,
    "floor": math.floor, "ceil": math.ceil,
    "pi": math.pi, "e": math.e,
    "factorial": math.factorial,
}

def calculate(args: dict, **kwargs) -> str:
    """Evaluate a math expression safely.

    Rules for handlers:
    1. Receive args (dict) — the parameters the LLM passed
    2. Do the work
    3. Return a JSON string — ALWAYS, even on error
    4. Accept **kwargs for forward compatibility
    """
    expression = args.get("expression", "").strip()
    if not expression:
        return json.dumps({"error": "No expression provided"})

    try:
        result = eval(expression, {"__builtins__": {}}, _SAFE_MATH)
        return json.dumps({"expression": expression, "result": result})
    except ZeroDivisionError:
        return json.dumps({"expression": expression, "error": "Division by zero"})
    except Exception as e:
        return json.dumps({"expression": expression, "error": f"Invalid: {e}"})

# Conversion tables — values are in base units
_LENGTH = {"m": 1, "km": 1000, "mi": 1609.34, "ft": 0.3048, "in": 0.0254, "cm": 0.01}
_WEIGHT = {"kg": 1, "g": 0.001, "lb": 0.453592, "oz": 0.0283495}
_DATA = {"B": 1, "KB": 1024, "MB": 1024**2, "GB": 1024**3, "TB": 1024**4}
_TIME = {"s": 1, "ms": 0.001, "min": 60, "hr": 3600, "day": 86400}

def _convert_temp(value, from_u, to_u):
    # Normalize to Celsius
    c = {"F": (value - 32) * 5/9, "K": value - 273.15}.get(from_u, value)
    # Convert to target
    return {"F": c * 9/5 + 32, "K": c + 273.15}.get(to_u, c)

def unit_convert(args: dict, **kwargs) -> str:
    """Convert between units."""
    value = args.get("value")
    from_unit = args.get("from_unit", "").strip()
    to_unit = args.get("to_unit", "").strip()

    if value is None or not from_unit or not to_unit:
        return json.dumps({"error": "Need value, from_unit, and to_unit"})

    try:
        # Temperature
        if from_unit.upper() in {"C","F","K"} and to_unit.upper() in {"C","F","K"}:
            result = _convert_temp(float(value), from_unit.upper(), to_unit.upper())
            return json.dumps({"input": f"{value} {from_unit}", "result": round(result, 4),
                             "output": f"{round(result, 4)} {to_unit}"})

        # Ratio-based conversions
        for table in (_LENGTH, _WEIGHT, _DATA, _TIME):
            lc = {k.lower(): v for k, v in table.items()}
            if from_unit.lower() in lc and to_unit.lower() in lc:
                result = float(value) * lc[from_unit.lower()] / lc[to_unit.lower()]
                return json.dumps({"input": f"{value} {from_unit}",
                                 "result": round(result, 6),
                                 "output": f"{round(result, 6)} {to_unit}"})

        return json.dumps({"error": f"Cannot convert {from_unit} → {to_unit}"})
    except Exception as e:
        return json.dumps({"error": f"Conversion failed: {e}"})

处理器的关键规则：

1. 签名：def my_handler(args: dict, **kwargs) -> str
2. **返回值：**始终是 JSON 字符串，包括成功和错误情况。
3. **绝不抛出异常：**捕获所有异常，改为返回错误 JSON。
4. **接受 **kwargs：**Hermes 将来可能会传递额外的上下文。

第 5 步：编写注册代码

创建 __init__.py——将 schema 连接到处理器：

"""Calculator plugin — registration."""

import logging

from . import schemas, tools

logger = logging.getLogger(__name__)

# Track tool usage via hooks
_call_log = []

def _on_post_tool_call(tool_name, args, result, task_id, **kwargs):
    """Hook: runs after every tool call (not just ours)."""
    _call_log.append({"tool": tool_name, "session": task_id})
    if len(_call_log) > 100:
        _call_log.pop(0)
    logger.debug("Tool called: %s (session %s)", tool_name, task_id)

def register(ctx):
    """Wire schemas to handlers and register hooks."""
    ctx.register_tool(name="calculate",    toolset="calculator",
                      schema=schemas.CALCULATE,    handler=tools.calculate)
    ctx.register_tool(name="unit_convert", toolset="calculator",
                      schema=schemas.UNIT_CONVERT, handler=tools.unit_convert)

    # This hook fires for ALL tool calls, not just ours
    ctx.register_hook("post_tool_call", _on_post_tool_call)

register() 的作用：

• 启动时恰好调用一次
• ctx.register_tool() 将你的工具放入注册表——模型立即可以看到它
• ctx.register_hook() 订阅生命周期事件
• ctx.register_cli_command() 注册一个 CLI 子命令（例如 hermes my-plugin <subcommand>）
• 如果此函数崩溃，插件会被禁用，但 Hermes 本身继续正常运行

第 6 步：测试

启动 Hermes：

hermes

你应该在启动横幅的工具列表中看到 calculator: calculate, unit_convert。

试试这些提示：

What's 2 to the power of 16?
Convert 100 fahrenheit to celsius
What's the square root of 2 times pi?
How many gigabytes is 1.5 terabytes?

检查插件状态：

/plugins

输出：

Plugins (1):
  ✓ calculator v1.0.0 (2 tools, 1 hooks)

插件的最终结构

~/.hermes/plugins/calculator/
├── plugin.yaml      # "I'm calculator, I provide tools and hooks"
├── __init__.py      # Wiring: schemas → handlers, register hooks
├── schemas.py       # What the LLM reads (descriptions + parameter specs)
└── tools.py         # What runs (calculate, unit_convert functions)

四个文件，职责分明：

• 清单文件声明插件是什么
• Schema 为 LLM 描述工具
• 处理器实现实际逻辑
• 注册代码将一切连接起来

插件还能做什么？

捆绑数据文件

将任何文件放入你的插件目录，在导入时读取：

# In tools.py or __init__.py
from pathlib import Path

_PLUGIN_DIR = Path(__file__).parent
_DATA_FILE = _PLUGIN_DIR / "data" / "languages.yaml"

with open(_DATA_FILE) as f:
    _DATA = yaml.safe_load(f)

捆绑技能

插件可以捆绑技能文件，Agent 通过 skill_view("plugin:skill") 加载。在你的 __init__.py 中注册它们：

~/.hermes/plugins/my-plugin/
├── __init__.py
├── plugin.yaml
└── skills/
    ├── my-workflow/
    │   └── SKILL.md
    └── my-checklist/
        └── SKILL.md

from pathlib import Path

def register(ctx):
    skills_dir = Path(__file__).parent / "skills"
    for child in sorted(skills_dir.iterdir()):
        skill_md = child / "SKILL.md"
        if child.is_dir() and skill_md.exists():
            ctx.register_skill(child.name, skill_md)

Agent 现在可以通过命名空间名称加载你的技能：

skill_view("my-plugin:my-workflow")   # → plugin's version
skill_view("my-workflow")              # → built-in version (unchanged)

关键特性：

• 插件技能是只读的——它们不会进入 ~/.hermes/skills/，也无法通过 skill_manage 编辑。
• 插件技能不会列在系统提示的 <available_skills> 索引中——它们是按需显式加载的。
• 裸技能名称不受影响——命名空间防止了与内置技能的冲突。
• 当 Agent 加载插件技能时，会在前面添加一个横幅，列出同一插件的同级技能。

旧版模式

旧的 shutil.copy2 模式（将技能复制到 ~/.hermes/skills/）仍然可用，但存在与内置技能名称冲突的风险。新插件请使用 ctx.register_skill()。

基于环境变量的条件加载

如果你的插件需要 API 密钥：

# plugin.yaml — simple format (backwards-compatible)
requires_env:
  - WEATHER_API_KEY

如果 WEATHER_API_KEY 未设置，插件将被禁用并显示清晰的提示信息。不会崩溃、不会在 Agent 中报错——只会显示 "Plugin weather disabled (missing: WEATHER_API_KEY)"。

当用户运行 hermes plugins install 时，会交互式提示输入缺少的 requires_env 变量。值会自动保存到 .env。

为了更好的安装体验，可以使用带描述和注册 URL 的富格式：

# plugin.yaml — rich format
requires_env:
  - name: WEATHER_API_KEY
    description: "API key for OpenWeather"
    url: "https://openweathermap.org/api"
    secret: true

字段	是否必需	说明
name	是	环境变量名称
description	否	安装提示时显示给用户
url	否	获取凭据的地址
secret	否	如果为 true，输入将被隐藏（类似密码字段）

两种格式可以在同一列表中混合使用。已设置的变量会被静默跳过。

条件性工具可用性

对于依赖可选库的工具：

ctx.register_tool(
    name="my_tool",
    schema={...},
    handler=my_handler,
    check_fn=lambda: _has_optional_lib(),  # False = tool hidden from model
)

注册多个钩子

def register(ctx):
    ctx.register_hook("pre_tool_call", before_any_tool)
    ctx.register_hook("post_tool_call", after_any_tool)
    ctx.register_hook("pre_llm_call", inject_memory)
    ctx.register_hook("on_session_start", on_new_session)
    ctx.register_hook("on_session_end", on_session_end)

钩子参考

每个钩子在 事件钩子参考 中有完整的文档——回调签名、参数表、触发时机和示例。以下是摘要：

钩子	触发时机	回调签名	返回值
pre_tool_call	任何工具执行之前	tool_name: str, args: dict, task_id: str	被忽略
post_tool_call	任何工具返回之后	tool_name: str, args: dict, result: str, task_id: str	被忽略
pre_llm_call	每轮一次，工具调用循环之前	session_id: str, user_message: str, conversation_history: list, is_first_turn: bool, model: str, platform: str	上下文注入
post_llm_call	每轮一次，工具调用循环之后（仅成功的轮次）	session_id: str, user_message: str, assistant_response: str, conversation_history: list, model: str, platform: str	被忽略
on_session_start	新会话创建时（仅第一轮）	session_id: str, model: str, platform: str	被忽略
on_session_end	每次 run_conversation 调用结束时 + CLI 退出	session_id: str, completed: bool, interrupted: bool, model: str, platform: str	被忽略
pre_api_request	每次向 LLM Provider 发送 HTTP 请求之前	method: str, url: str, headers: dict, body: dict	被忽略
post_api_request	每次从 LLM Provider 收到 HTTP 响应之后	method: str, url: str, status_code: int, response: dict	被忽略

大多数钩子是即发即弃的观察者——它们的返回值被忽略。唯一的例外是 pre_llm_call，它可以向对话注入上下文。

所有回调都应接受 **kwargs 以保持向前兼容性。如果钩子回调崩溃，会被记录并跳过。其他钩子和 Agent 继续正常运行。

pre_llm_call 上下文注入

这是唯一返回值有意义的钩子。当 pre_llm_call 回调返回一个带有 "context" 键的字典（或纯字符串）时，Hermes 会将该文本注入到当前轮次的用户消息中。这是记忆插件、RAG 集成、护栏以及任何需要向模型提供额外上下文的插件的机制。

返回格式

# Dict with context key
return {"context": "Recalled memories:\n- User prefers dark mode\n- Last project: hermes-agent"}

# Plain string (equivalent to the dict form above)
return "Recalled memories:\n- User prefers dark mode"

# Return None or don't return → no injection (observer-only)
return None

任何带有 "context" 键（或非空纯字符串）的非 None、非空返回值都会被收集并追加到当前轮次的用户消息中。

注入的工作原理

注入的上下文被追加到用户消息中，而不是系统提示。这是一个经过深思熟虑的设计选择：

• 保持提示缓存——系统提示在各轮之间保持不变。Anthropic 和 OpenRouter 会缓存系统提示前缀，因此保持稳定可以在多轮对话中节省 75% 以上的输入 token。如果插件修改了系统提示，每轮都会导致缓存未命中。
• 临时性——注入仅在 API 调用时发生。对话历史中的原始用户消息永远不会被修改，也不会有任何内容持久化到会话数据库。
• 系统提示是 Hermes 的领地——它包含模型特定的指导、工具执行规则、人格说明和缓存的技能内容。插件通过用户输入旁边提供上下文来参与，而不是修改 Agent 的核心指令。

示例：记忆回忆插件

"""Memory plugin — recalls relevant context from a vector store."""

import httpx

MEMORY_API = "https://your-memory-api.example.com"

def recall_context(session_id, user_message, is_first_turn, **kwargs):
    """Called before each LLM turn. Returns recalled memories."""
    try:
        resp = httpx.post(f"{MEMORY_API}/recall", json={
            "session_id": session_id,
            "query": user_message,
        }, timeout=3)
        memories = resp.json().get("results", [])
        if not memories:
            return None  # nothing to inject

        text = "Recalled context from previous sessions:\n"
        text += "\n".join(f"- {m['text']}" for m in memories)
        return {"context": text}
    except Exception:
        return None  # fail silently, don't break the agent

def register(ctx):
    ctx.register_hook("pre_llm_call", recall_context)

示例：护栏插件

"""Guardrails plugin — enforces content policies."""

POLICY = """You MUST follow these content policies for this session:
- Never generate code that accesses the filesystem outside the working directory
- Always warn before executing destructive operations
- Refuse requests involving personal data extraction"""

def inject_guardrails(**kwargs):
    """Injects policy text into every turn."""
    return {"context": POLICY}

def register(ctx):
    ctx.register_hook("pre_llm_call", inject_guardrails)

示例：仅观察者钩子（不注入）

"""Analytics plugin — tracks turn metadata without injecting context."""

import logging
logger = logging.getLogger(__name__)

def log_turn(session_id, user_message, model, is_first_turn, **kwargs):
    """Fires before each LLM call. Returns None — no context injected."""
    logger.info("Turn: session=%s model=%s first=%s msg_len=%d",
                session_id, model, is_first_turn, len(user_message or ""))
    # No return → no injection

def register(ctx):
    ctx.register_hook("pre_llm_call", log_turn)

多个插件返回上下文

当多个插件从 pre_llm_call 返回上下文时，它们的输出会用双换行符连接并一起追加到用户消息。顺序遵循插件发现顺序（按插件目录名字母排序）。

注册 CLI 命令

插件可以添加自己的 hermes <plugin> 子命令树：

def _my_command(args):
    """Handler for hermes my-plugin <subcommand>."""
    sub = getattr(args, "my_command", None)
    if sub == "status":
        print("All good!")
    elif sub == "config":
        print("Current config: ...")
    else:
        print("Usage: hermes my-plugin <status|config>")

def _setup_argparse(subparser):
    """Build the argparse tree for hermes my-plugin."""
    subs = subparser.add_subparsers(dest="my_command")
    subs.add_parser("status", help="Show plugin status")
    subs.add_parser("config", help="Show plugin config")
    subparser.set_defaults(func=_my_command)

def register(ctx):
    ctx.register_tool(...)
    ctx.register_cli_command(
        name="my-plugin",
        help="Manage my plugin",
        setup_fn=_setup_argparse,
        handler_fn=_my_command,
    )

注册后，用户可以运行 hermes my-plugin status、hermes my-plugin config 等。

记忆 Provider 插件使用基于约定的方式：在插件的 cli.py 文件中添加 register_cli(subparser) 函数。记忆插件发现系统会自动找到它——无需调用 ctx.register_cli_command()。详情请参阅记忆 Provider 插件指南。

**活跃 Provider 条件门控：**记忆插件 CLI 命令仅在其 Provider 是配置中活跃的 memory.provider 时才会出现。如果用户尚未设置你的 Provider，你的 CLI 命令不会出现在帮助输出中。

提示

本指南涵盖通用插件（工具、钩子、CLI 命令）。对于专门的插件类型，请参阅：

• 记忆 Provider 插件——跨会话知识后端
• 上下文引擎插件——替代上下文管理策略

通过 pip 分发

要公开分享插件，在你的 Python 包中添加一个入口点：

# pyproject.toml
[project.entry-points."hermes_agent.plugins"]
my-plugin = "my_plugin_package"

pip install hermes-plugin-calculator
# Plugin auto-discovered on next hermes startup

常见错误

处理器没有返回 JSON 字符串：

# Wrong — returns a dict
def handler(args, **kwargs):
    return {"result": 42}

# Right — returns a JSON string
def handler(args, **kwargs):
    return json.dumps({"result": 42})

处理器签名中缺少 **kwargs：

# Wrong — will break if Hermes passes extra context
def handler(args):
    ...

# Right
def handler(args, **kwargs):
    ...

处理器抛出异常：

# Wrong — exception propagates, tool call fails
def handler(args, **kwargs):
    result = 1 / int(args["value"])  # ZeroDivisionError!
    return json.dumps({"result": result})

# Right — catch and return error JSON
def handler(args, **kwargs):
    try:
        result = 1 / int(args.get("value", 0))
        return json.dumps({"result": result})
    except Exception as e:
        return json.dumps({"error": str(e)})

Schema 描述太模糊：

# Bad — model doesn't know when to use it
"description": "Does stuff"

# Good — model knows exactly when and how
"description": "Evaluate a mathematical expression. Use for arithmetic, trig, logarithms. Supports: +, -, *, /, **, sqrt, sin, cos, log, pi, e."