最近在尝试将AI智能体集成到本地开发环境时发现很多工具要么过于复杂要么功能受限。直到深入研究了Hermes Agent才发现它可能是打通本地工作流与AI能力的最优解之一。然而无论是官方文档还是社区教程大多停留在基础介绍关于其核心原理、深度定制以及关键的私有化部署实战系统性的资料非常稀缺。本文将从零开始彻底拆解Hermes Agent。不仅会讲清楚它是什么、为什么需要它更会手把手带你完成从环境准备、安装配置、核心技能Skill开发到最终实现完全私有化部署的全流程代码实战。无论你是想提升个人开发效率还是为企业团队搭建一个安全、可控的AI辅助开发平台这篇文章都能提供一条清晰的路径。你会发现跟着步骤操作远比独自啃零散的文档要高效得多。1. Hermes Agent 核心概念与价值在深入动手之前我们有必要先厘清Hermes Agent究竟是什么以及它试图解决什么问题。这能帮助我们在后续的配置和开发中做出更合理的技术决策。1.1 什么是 Hermes AgentHermes Agent 是一个开源的、可编程的AI智能体框架。它的核心设计理念是作为一个“中间件”或“桥梁”运行在你的本地计算机或私有服务器上负责协调你本地的开发环境如IDE、终端、文件系统与云端或本地的大语言模型LLM之间的交互。你可以把它理解为一个高度可定制的“AI助手执行引擎”。它本身不提供AI能力但可以连接OpenAI API、Azure OpenAI、Ollama本地模型等多种AI服务。它的强大之处在于“Skill”技能系统通过编写或安装SkillHermes Agent能够理解自然语言指令并自动执行一系列复杂的本地操作例如文件操作根据描述创建、读取、修改或查找文件。代码生成与修改在指定文件中添加函数、修复Bug或重构代码。终端命令执行安全地运行Shell命令并返回结果。集成开发工具与Docker、Git、数据库等进行交互。简单来说你告诉Hermes Agent“帮我在项目根目录创建一个名为utils.py的文件并写入一个计算斐波那契数列的函数”它就能自动完成这些任务。1.2 为什么需要私有化部署对于开发者而言私有化部署Hermes Agent主要带来三大核心价值数据安全与隐私所有代码、文件内容、项目结构等敏感信息仅在本地环境或你的私有服务器内流转不会发送到不可控的第三方服务。这对于处理公司商业代码、个人隐私项目至关重要。网络与成本可控你可以选择连接本地部署的Ollama模型完全摆脱对公网和国外API的依赖实现离线使用。同时也能有效控制调用云端API所产生的成本。深度定制与集成私有化部署意味着你拥有完全的控制权。你可以根据团队的工作流开发专属的Skill将其深度集成到内部的CI/CD、项目管理、监控报警等系统中打造独一无二的AI辅助开发平台。1.3 Hermes Agent 与相关工具对比你可能也听说过OpenClaw龙虾、Cursor、Devika等其他AI编程工具。这里做一个简单区分Cursor更偏向于一个内置了AI能力的现代化IDE开箱即用但定制性和对本地环境的自动化能力相对固定。OpenClaw龙虾与Hermes Agent定位类似都是本地AI智能体框架。两者在功能上有重叠但设计哲学和Skill生态系统可能不同。它们可以共存例如在腾讯云轻量服务器上你可以根据需求选择安装或同时部署两者。Devika另一个AI软件工程师智能体目标更宏大旨在完全自主地处理复杂项目。Hermes Agent则更侧重于作为开发者的辅助工具执行精确的指令。选择Hermes Agent的理由在于其活跃的社区、清晰的Skill开发范式以及对私有化部署的友好支持。2. 环境准备与安装部署接下来我们将进入实战环节。首先需要搭建运行Hermes Agent的基础环境。本文将覆盖**Windows含WSL和LinuxUbuntu**两大主流平台。2.1 基础环境要求在开始安装前请确保你的系统满足以下条件Python版本 3.10 或更高。这是运行Hermes Agent的必备语言环境。Git用于克隆代码仓库和后续的版本管理。PipPython的包管理工具通常随Python安装。可选的AI模型后端方案A云端API一个可访问的OpenAI API密钥或Azure OpenAI等兼容API端点。方案B本地模型安装并运行了Ollama并已拉取如qwen2.5:7b、llama3.2等模型。这是实现完全私有化、离线运行的关键。2.2 Windows 系统安装指南在Windows上你有两种选择原生PowerShell环境或通过WSL2使用Linux环境。推荐使用WSL2能获得更接近生产环境的体验并避免一些潜在的路径兼容性问题。方式一通过WSL2安装推荐启用WSL2以管理员身份打开PowerShell运行wsl --install安装默认的Linux发行版通常是Ubuntu。安装完成后需要重启。启动WSL从开始菜单打开安装好的Ubuntu应用完成初始用户设置。在WSL中操作后续所有命令都将在WSL的Ubuntu终端中执行请跳转至下面的2.3 Ubuntu/Linux 安装指南。方式二原生Windows安装从Python官网下载并安装Python 3.10安装时务必勾选“Add Python to PATH”。打开PowerShell或CMD。使用pip安装Hermes Agent核心包pip install hermes-agent安装完成后可以尝试运行hermes --help查看是否安装成功。但请注意在原生Windows上运行可能会遇到更多与路径、权限相关的问题。2.3 Ubuntu/Linux 系统安装指南以下步骤在纯净的Ubuntu系统或WSL中的Ubuntu中通用。更新系统并安装Python3和pipsudo apt update sudo apt upgrade -y sudo apt install python3 python3-pip git -y使用pip安装Hermes Agent 建议使用--break-system-packages参数或使用虚拟环境venv。# 方法1直接安装可能需要参数 pip3 install hermes-agent --break-system-packages # 方法2使用虚拟环境更推荐环境隔离 python3 -m venv hermes-env source hermes-env/bin/activate pip install hermes-agent验证安装hermes --version # 或 hermes --help如果看到版本信息和帮助文档说明核心框架安装成功。2.4 初始化配置与连接AI模型安装完成后Hermes Agent需要一个配置文件来指定使用哪个AI模型。运行初始化命令hermes init这个命令会在你的用户目录下如~/.hermes/创建默认配置文件。配置AI模型连接 编辑配置文件~/.hermes/config.yaml。# 示例连接 OpenAI API llm: provider: openai api_key: your-openai-api-key-here # 替换为你的真实密钥 model: gpt-4o-mini # 或 gpt-4-turbo, gpt-3.5-turbo 等 # 示例连接本地 Ollama llm: provider: ollama base_url: http://localhost:11434 # Ollama 默认地址 model: qwen2.5:7b # 你本地通过 ollama run qwen2.5:7b 拉取的模型名重要如果你使用Ollama请确保已安装Ollama并在另一个终端运行了ollama serve或ollama run 模型名。运行Hermes Agent 配置完成后就可以启动Agent的交互式对话界面了。hermes chat如果一切正常你将看到一个提示符可以开始用自然语言给它下达任务了。例如输入“列出当前目录下的所有Python文件。”3. 核心架构与Skill机制详解仅仅安装成功只能算“入门”。要“精通”并实现私有化部署必须理解其核心架构尤其是Skill机制。3.1 Hermes Agent 的架构组成Hermes Agent 采用了一种清晰的分层架构用户接口层提供hermes chat命令行交互界面。未来可能包含图形桌面版Desktop或IDE插件。核心协调层Hermes Core接收用户指令调用LLM进行理解和规划将复杂任务分解为可执行的步骤并调度相应的Skill去执行。技能执行层Skills这是能力的核心。每个Skill都是一个独立的Python模块注册了它能处理的“意图”和具体的执行函数。例如FileSystemSkill可以读写文件ShellSkill可以执行命令。模型抽象层LLM Provider统一接口兼容OpenAI、Ollama、Anthropic等多种大模型服务使得核心逻辑与具体模型解耦。3.2 理解与开发自定义Skill系统自带了一些基础Skill但真正的威力在于自定义Skill。一个Skill通常包含以下部分技能描述用自然语言告诉LLM这个技能是做什么的。参数模式定义技能执行所需的参数及其类型如文件路径、字符串、布尔值。执行函数具体的Python代码实现技能的逻辑。让我们看一个最简单的自定义Skill示例一个向指定文件追加内容的技能。创建Skill文件结构 Hermes Agent会在特定目录查找Skill。我们创建一个自定义目录并在此开发。mkdir -p ~/.hermes/custom_skills cd ~/.hermes/custom_skills编写Skill代码 创建文件append_file_skill.py。# ~/.hermes/custom_skills/append_file_skill.py from hermes.hermes import Hermes from typing import Dict, Any import os # 定义一个技能类 class AppendFileSkill: 一个可以向文件末尾追加内容的技能。 def __init__(self, hermes: Hermes): self.hermes hermes # 注册技能意图和参数模式 def register_intents(self): return { append_to_file: { description: 向一个已存在的文件末尾追加文本内容。如果文件不存在则会创建它。, parameters: { file_path: {type: string, description: 目标文件的路径}, content: {type: string, description: 要追加的文本内容} } } } # 技能的具体执行逻辑 async def append_to_file(self, file_path: str, content: str, **kwargs) - Dict[str, Any]: try: # 确保目录存在 os.makedirs(os.path.dirname(file_path), exist_okTrue) # 以追加模式打开文件 with open(file_path, a, encodingutf-8) as f: f.write(content \n) return {success: True, message: f已成功向 {file_path} 追加内容。} except Exception as e: return {success: False, error: str(e)} # 工厂函数用于被Hermes核心加载 def create_skill(hermes: Hermes): return AppendFileSkill(hermes)配置Hermes加载自定义Skill 修改~/.hermes/config.yaml添加自定义技能路径。# 在config.yaml中添加 skills: directories: - ~/.hermes/custom_skills重启并测试Skill 重启hermes chat现在你可以尝试指令“向test.txt文件追加内容 ‘Hello from custom skill!’”。Hermes会理解你的意图并调用我们刚写的append_to_file函数来完成任务。通过这个例子你可以看到Skill开发的完整流程定义意图、声明参数、实现函数、注册加载。基于这个模式你可以开发出连接内部API、操作特定数据库、触发构建部署等任何你需要的强大技能。4. 私有化部署全流程实战私有化部署不仅仅是让Hermes Agent运行在内网服务器上更意味着打造一个稳定、可管理、可扩展的AI辅助开发平台。我们将以部署到腾讯云轻量应用服务器或其他Linux VPS为例完成从零到一的部署。4.1 服务器环境准备购买并登录服务器选择Ubuntu 22.04 LTS或更高版本的系统镜像。基础安全设置# 更新系统 sudo apt update sudo apt upgrade -y # 创建非root用户可选但推荐 sudo adduser hermesuser sudo usermod -aG sudo hermesuser # 切换到新用户 su - hermesuser安装必备软件sudo apt install python3-pip python3-venv git curl -y4.2 部署本地大模型Ollama要实现完全私有化我们需要在服务器上运行本地模型。安装Ollamacurl -fsSL https://ollama.com/install.sh | sh启动Ollama服务并拉取模型 Ollama安装后会自动创建服务。我们拉取一个适合代码任务的较小模型。# 拉取模型这需要较长时间和磁盘空间约4-8GB ollama pull qwen2.5:7b # 验证模型运行 ollama run qwen2.5:7b Hello你可以根据服务器配置选择模型如llama3.2:3b更小或codellama:7b代码专用。4.3 安装与配置 Hermes Agent使用虚拟环境安装Hermespython3 -m venv /opt/hermes-agent/venv source /opt/hermes-agent/venv/bin/activate pip install hermes-agent创建系统服务以便持久运行 我们希望Hermes Agent能像后台服务一样一直运行。sudo nano /etc/systemd/system/hermes-agent.service写入以下内容注意调整路径和用户[Unit] DescriptionHermes Agent AI Assistant Afternetwork.target ollama.service # 确保在Ollama之后启动 Wantsollama.service [Service] Typesimple Userhermesuser WorkingDirectory/home/hermesuser EnvironmentPATH/opt/hermes-agent/venv/bin ExecStart/opt/hermes-agent/venv/bin/hermes chat --config /home/hermesuser/.hermes/config.yaml Restartalways RestartSec10 [Install] WantedBymulti-user.target创建Hermes配置文件mkdir -p ~/.hermes nano ~/.hermes/config.yaml配置内容指向本地Ollamallm: provider: ollama base_url: http://localhost:11434 model: qwen2.5:7b temperature: 0.1 # 降低随机性使输出更稳定 skills: directories: - ~/.hermes/custom_skills # 可选设置工作根目录限制Agent的操作范围 workspace: /home/hermesuser/agent_workspace启动并启用服务sudo systemctl daemon-reload sudo systemctl start hermes-agent sudo systemctl enable hermes-agent # 开机自启 sudo systemctl status hermes-agent # 查看状态如果状态显示active (running)恭喜你一个私有化的Hermes Agent服务已经部署成功4.4 开发并部署自定义业务Skill现在我们将开发一个实战Skill项目文件结构分析器。这个技能可以分析指定项目的文件结构并生成一份树状图和语言统计报告。在服务器上创建Skill文件mkdir -p ~/.hermes/custom_skills nano ~/.hermes/custom_skills/project_analyzer_skill.py编写项目分析Skill代码# ~/.hermes/custom_skills/project_analyzer_skill.py import os from pathlib import Path from typing import Dict, Any, List from hermes.hermes import Hermes import json class ProjectAnalyzerSkill: 分析指定软件项目的文件结构和语言组成。 def __init__(self, hermes: Hermes): self.hermes hermes self.language_exts { .py: Python, .js: JavaScript, .ts: TypeScript, .java: Java, .cpp: C, .c: C, .go: Go, .rs: Rust, .html: HTML, .css: CSS, .json: JSON, .md: Markdown, .yaml: YAML, .yml: YAML, .toml: TOML, } def register_intents(self): return { analyze_project: { description: 分析一个目录下的项目结构生成文件树和编程语言统计。, parameters: { project_path: {type: string, description: 要分析的项目的根目录路径}, max_depth: {type: integer, description: 遍历的最大深度默认3, default: 3} } } } async def analyze_project(self, project_path: str, max_depth: int 3, **kwargs) - Dict[str, Any]: try: root Path(project_path).expanduser().resolve() if not root.exists() or not root.is_dir(): return {success: False, error: f路径 {project_path} 不存在或不是一个目录。} file_tree [] lang_stats {} def scan_dir(current_path: Path, depth: int, prefix: str ): if depth max_depth: return try: items sorted(current_path.iterdir()) for i, item in enumerate(items): is_last (i len(items) - 1) connector └── if is_last else ├── file_tree.append(f{prefix}{connector}{item.name}) # 统计语言 if item.is_file(): ext item.suffix.lower() lang self.language_exts.get(ext, Other) lang_stats[lang] lang_stats.get(lang, 0) 1 # 递归扫描子目录 if item.is_dir(): new_prefix prefix ( if is_last else │ ) scan_dir(item, depth 1, new_prefix) except PermissionError: file_tree.append(f{prefix}├── [权限拒绝]) scan_dir(root, 0) # 生成报告 report f项目分析报告{root}\n report * 50 \n report 文件结构\n \n.join(file_tree) \n\n report 语言统计\n for lang, count in sorted(lang_stats.items(), keylambda x: x[1], reverseTrue): report f {lang}: {count} 个文件\n return { success: True, report: report, tree: file_tree, statistics: lang_stats, project_path: str(root) } except Exception as e: return {success: False, error: f分析过程中出错{str(e)}} def create_skill(hermes: Hermes): return ProjectAnalyzerSkill(hermes)重启Hermes服务使新Skill生效sudo systemctl restart hermes-agent测试私有化部署的Skill 通过SSH登录服务器我们可以直接与Hermes服务交互进行测试。更优雅的方式是通过一个简单的HTTP API包装下一步介绍这里我们先用命令行测试。# 进入虚拟环境 source /opt/hermes-agent/venv/bin/activate # 使用hermes命令行工具直接调用技能需要一些技巧这里演示核心逻辑 # 实际上我们通常通过 hermes chat 对话来触发。 # 我们可以写一个测试脚本 cat test_skill.py EOF import asyncio from hermes.hermes import Hermes import sys sys.path.insert(0, /home/hermesuser/.hermes/custom_skills) from project_analyzer_skill import create_skill async def test(): hermes Hermes(config_path/home/hermesuser/.hermes/config.yaml) await hermes.initialize() skill_instance create_skill(hermes) result await skill_instance.analyze_project(project_path., max_depth2) print(json.dumps(result, indent2, ensure_asciiFalse)) if __name__ __main__: import json asyncio.run(test()) EOF python test_skill.py你应该能看到当前目录的文件结构分析和语言统计报告。4.5 构建简易管理API可选进阶为了让团队其他成员也能方便地使用这个私有化Agent我们可以用FastAPI快速搭建一个简单的Web API。安装FastAPIpip install fastapi uvicorn创建API应用nano ~/hermes_api.py# ~/hermes_api.py from fastapi import FastAPI, HTTPException from pydantic import BaseModel import subprocess import json from typing import Optional import asyncio app FastAPI(titleHermes Agent Private API) class ChatRequest(BaseModel): message: str session_id: Optional[str] None class SkillRequest(BaseModel): skill_name: str parameters: dict app.post(/api/chat) async def chat_with_agent(request: ChatRequest): 发送消息给Hermes Agent并获取回复简化版通过命令行调用 # 注意这是一个简化实现。生产环境应使用Hermes的Python API直接调用。 try: # 这里演示通过子进程调用 hermes chat 的非交互模式 # 实际部署中你需要集成Hermes的Python SDK或直接调用其内部函数 cmd fecho {request.message} | /opt/hermes-agent/venv/bin/hermes chat --no-prompt --config /home/hermesuser/.hermes/config.yaml result subprocess.run(cmd, shellTrue, capture_outputTrue, textTrue, timeout30) if result.returncode 0: return {response: result.stdout.strip()} else: return {error: result.stderr} except subprocess.TimeoutExpired: raise HTTPException(status_code504, detailAgent response timeout) except Exception as e: raise HTTPException(status_code500, detailstr(e)) app.post(/api/skill/analyze_project) async def analyze_project(path: str ., max_depth: int 3): 直接调用项目分析技能 try: # 这里需要从你的自定义技能模块导入并调用 # 假设我们将技能逻辑封装成了一个可导入的函数 from custom_skills.project_analyzer_skill import ProjectAnalyzerSkill hermes None # 实际需要初始化Hermes实例 skill ProjectAnalyzerSkill(hermes) # 由于异步需要稍作调整。此处仅为示意架构。 # result await skill.analyze_project(path, max_depth) # return result return {status: Skill endpoint under construction. Refer to internal implementation.} except Exception as e: raise HTTPException(status_code500, detailfSkill execution failed: {e}) app.get(/health) async def health_check(): return {status: healthy, service: Hermes Agent Private API} if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)注意上面的API代码是一个架构示例直接运行可能需调整。核心是展示如何将Hermes Agent的能力封装成HTTP服务。使用PM2或Systemd管理API服务以Systemd为例sudo nano /etc/systemd/system/hermes-api.service[Unit] DescriptionHermes Agent API Service Afternetwork.target hermes-agent.service [Service] Userhermesuser WorkingDirectory/home/hermesuser EnvironmentPATH/opt/hermes-agent/venv/bin ExecStart/opt/hermes-agent/venv/bin/uvicorn hermes_api:app --host 0.0.0.0 --port 8000 Restartalways [Install] WantedBymulti-user.target启动并启用它sudo systemctl start hermes-api sudo systemctl enable hermes-api。现在你的团队可以通过http://你的服务器IP:8000/api/chat来与私有化部署的Hermes Agent交互了。5. 常见问题与故障排查在部署和使用过程中你可能会遇到以下问题。这里提供一份排查清单。5.1 安装与启动问题问题现象可能原因解决方案hermes: command not foundPIP安装路径未加入系统PATH或虚拟环境未激活。1. 使用python3 -m hermes代替hermes。2. 确认虚拟环境已激活 (source venv/bin/activate)。3. 检查~/.local/bin是否在PATH中。ModuleNotFoundError: No module named hermes在错误的Python环境或未安装。1. 确认当前Python解释器路径 (which python3)。2. 在正确的环境中重新安装pip install hermes-agent。Connection error连接到LLMOllama服务未启动或API密钥错误或网络不通。1. 运行ollama serve确保Ollama在运行。2. 检查config.yaml中的base_url和api_key。3. 用curl http://localhost:11434/api/tags测试Ollama。Hermes启动后无响应或立即退出配置文件错误或技能加载失败。1. 检查config.yaml的YAML格式是否正确缩进、冒号后空格。2. 运行hermes --debug chat查看详细错误日志。3. 检查自定义Skill代码是否有语法错误。5.2 Skill开发与使用问题问题现象可能原因解决方案自定义Skill未被加载技能目录路径配置错误或技能文件格式不符合要求。1. 确认config.yaml中skills.directories路径存在且可读。2. 确保Skill文件有create_skill函数。3. 重启Hermes服务。Agent不理解Skill描述的任务Skill的description或parameters描述不够清晰。1. 用更详细、精确的自然语言重写技能描述。2. 确保参数描述说明了格式如“文件的绝对路径”。3. 在hermes chat中使用/debug模式查看LLM对指令的解析过程。Skill执行时报权限错误Agent进程用户无权访问目标文件或目录。1. 检查运行Hermes的系统用户如hermesuser对相关路径的读写权限。2. 避免让Agent操作敏感系统目录通过workspace配置限制其范围。5.3 私有化部署进阶问题问题现象可能原因解决方案Ollama模型加载慢内存不足服务器内存小于模型要求。1. 选择更小的模型如llama3.2:3b,qwen2.5:1.5b。2. 为服务器增加Swap交换空间。3. 在Ollama启动时使用num_gpu等参数限制资源。API服务无法外部访问服务器防火墙未开放端口。1. 检查云服务器安全组规则放行对应端口如8000。2. 检查系统防火墙sudo ufw status。多用户同时使用冲突单实例Hermes的对话状态可能混淆。1. 为每个会话使用不同的session_id。2. 考虑部署多个Hermes实例或开发支持多会话的后端。6. 最佳实践与工程建议将Hermes Agent用于个人或团队生产环境遵循以下最佳实践能避免很多坑。6.1 安全第一最小权限原则永远不要使用root用户运行Hermes Agent。创建一个专用低权限用户并严格控制其工作目录workspace配置项。技能沙箱化对于高风险操作如执行任意Shell命令在Skill代码内部进行严格的输入验证和白名单过滤。考虑使用subprocess的shellFalse并传递参数列表。审计与日志确保Hermes的日志可通过配置开启详细日志被妥善记录定期审查Agent执行了哪些操作。关键的写操作Skill应记录操作者、时间和内容。网络隔离在严格的内网环境部署Ollama和Hermes确保其不会访问外网或不可信资源。6.2 技能设计规范单一职责一个Skill只做好一件事。例如将“读写文件”和“执行Git命令”拆分成两个独立的Skill。清晰的描述与参数技能的description和parameters描述是LLM理解能力的关键。使用具体、无歧义的语言并举例说明。健壮的错误处理Skill函数内部必须用try...except捕获异常并返回结构化的错误信息{success: False, error: ...}而不是让进程崩溃。异步支持Hermes核心使用异步IO。Skill的执行函数应定义为async def即使内部是同步操作以保持兼容性。6.3 配置与维护版本控制将你的自定义Skill代码、config.yaml配置文件纳入Git版本管理。环境分离为开发、测试、生产环境准备不同的配置文件使用环境变量来切换关键配置如API密钥、模型地址。模型选择对于代码任务codellama、deepseek-coder等代码专用模型通常比通用模型表现更好。在Ollama中多尝试几个模型找到速度与精度的最佳平衡点。定期更新关注Hermes Agent官方仓库的更新及时升级以获得新功能和安全修复。同时Ollama的模型也在不断迭代可以定期拉取最新版本。6.4 性能优化技能懒加载如果技能很多可以考虑动态加载而不是在启动时全部加载。上下文管理与LLM的交互会消耗上下文窗口。在Skill设计中尽量让结果简洁。对于长输出如文件列表可以考虑先摘要再详细查询的模式。缓存策略对于耗时的查询类技能如分析大型项目可以考虑对结果进行缓存避免重复计算。从理解Hermes Agent作为连接本地环境与AI的智能桥梁到一步步完成在Linux服务器上的私有化部署再到开发出能分析项目结构的自定义Skill我们走完了一个完整的“从入门到精通”的闭环。私有化部署的核心价值在于将AI能力安全、可控、定制化地融入你的开发流水线。这条路并非一蹴而就你可能需要根据团队的具体需求开发更多的Skill比如集成Jira/Tapd、连接内部部署的数据库、对接K8s集群进行部署等。Hermes Agent提供的框架已经搭好了舞台真正的威力取决于你编写的“剧本”——也就是那些解决实际痛点的技能。建议你从一个小而具体的需求开始例如自动生成API文档、检查代码规范、管理Docker容器亲手实现一个Skill感受它如何切实提升你的效率。当你和你的团队习惯了这个“数字同事”的存在开发工作流将会进入一个全新的阶段。
