给 Hermes Agent 套一层操作层：oh-my-hermes 把路由、记忆和证据边界管起来
一、它到底解决什么痛点
大多数 AI 编码工具把两类事情混为一谈，OMH 的整个设计都在拆开它们：
- 「完成」是模糊词。executor 说做完了，和真的有人验证过，多数工具都叫 complete。
- 模型不会自己省钱。所有任务都丢给同一个顶级模型是烧钱；手动切模型又打断思路。
- 长期记忆要么没有，要么偷偷写。你根本不知道它记了什么、为什么记。
OMH 的底层立场只有一句：准备（prepared）永远不等于执行（executed）。
二、这个项目是做什么的
OMH 把一次普通的 Hermes Agent 请求，变成「清晰的能力 + 有用的下一步 + 诚实的记录」。它不替代 Hermes，也不在背后藏一个代码执行器；它站在 Hermes 原生技能之上做调度：框定问题、挑工作流与证据闸门、把原生技能作为受治理路径里的能力来运行。
它给 Hermes 三样东西，打包成一个插件：
- 编码智能：混合模型路由、按模型家族校准提示词、并行扇出、108 个专家技能。
- 长期记忆系统：准入审查、可追溯、不偷偷改 Hermes 自己的记忆。
- 优化过的工作流包：ulw-* 九条引擎 + omh-* 技能。
三、怎么装、怎么用（命令取自 README 原文）
Quick Start（macOS / Linux）：
curl -fsSL https://raw.githubusercontent.com/rlaope/oh-my-hermes/main/install.sh | sh
Windows（PowerShell 5.1+）：
irm https://raw.githubusercontent.com/rlaope/oh-my-hermes/main/install.ps1 | iex
装完必须初始化（README 原文）：
omh setup
之后的日常命令：
omh update # 自检安装方式并升级 omh doctor # 验证或排错
如果你更习惯包管理器，README 也给了 Homebrew / Bun / npm 三条等价路径，装完同样跑 omh setup：
| 安装方式 | 命令 |
|---|---|
| Homebrew | brew install rlaope/tap/omh |
| Bun | bun install -g oh-my-hermes |
| npm | npm install -g oh-my-hermes |
四、四个立刻能感知到的能力
1. 混合模型路由（Mixture-of-Models Routing）。每条被派发的任务都会落到一个「类别」（模型 + 推理力），比如 ultrabrain / deep / quick / writing / visual-engineering。类别链在提供商拒绝某模型时会顺延，而不是悄悄降级。README 给的例子：同一批编码任务、同一个 GPT-6 Astra，同样的答案从 4.29 美元降到 0.66 美元，23 分钟降到 5 分钟。
2. 并行扇出 ulw-work。一个被接受的计划会被拆成「永不共享同一文件」的单元，每个单元有独立 worktree，各自带回带四种状态的类型化结果：进程退出 / schema 合法 / 验证已观测 / 可集成。退出码 0 但没有任何证据，会停留在 reported done，直到某个闸门去检查它。
3. 长期记忆（你自己审阅的）。不会偷偷记。一条候选从会话里被捕获、放上审查卡，然后被「记住 / 拒绝 / 推迟」并写下理由。被批准的记录带着来源与复核截止日；确认它才重置时钟，沉默会让它从 active 老化到 reference 再到 archive。关键点：OMH 从不读、也不改 Hermes 自己的记忆，这块存储是 OMH 自己的、文件落地、经过审阅。
4. 证据边界（三态）。你看到的每一行状态都有两部分：阶段，以及 OMH 对它有多确定。
| 你看到 | 含义 |
|---|---|
| Plan · not run | 计划就绪，还没跑任何东西 |
| Code · reported done | executor 说做完了，没人检查结果 |
| Test · verified | 测试 / 评审 / CI 闸门真的过了 |
OMH 的坚持是中间那行：executor 说完成 ≠ 有人检查过，而多数工具把两者都写成「完成」。
五、优点 / 缺点（诚实摆）
优点：
- 不替换、不绑架 Hermes：装在你已有的 Agent 旁边，不 patch 它，原有配置保留。
- 成本可观测：每行 HUD 都有 token 数与美元数（取自带出处的价目表）；算不出的写 unknown，绝不写 0 美元骗你。
- 证据纪律：prepared ≠ executed，reported done ≠ verified，把「自嗨式完成」挡在门外。
- 记忆可审计：文件落地、准入审查、来源可追溯，且动的是 OMH 自己的存储。
- 隐私克制：只读 provider 的 id 和环境变量名，绝不读 key / token。
- 授权宽松：MIT，商用、改派生都自由。
缺点：
- 不是独立产品：必须先有 Nous Research 的 Hermes Agent，否则装了也跑不起来。
- 概念密度高：类别、链、HUD、ulw-* 九条引擎、omh-* 上百技能、记忆生命周期……上手门槛不低，需要花时间读文档。
- Windows 的扇出派发缺文件系统隔离后端（issue #1357 待补），在 Windows 上做并行派发要留意隔离边界。
- 降本 / 校准数字目前是项目自报，缺独立复测（见上）。
- 模型校准针对一批特定模型家族（GPT-6 Astra、Claude Fable 5.1、Kimi K3、GLM 5.3 等），若你的模型池不同，需要自己重新校准链。
六、最终能达到什么效果
装好并跑通 omh setup 之后，你得到的是一条「被治理」的工作流：每次任务先被框定、按类别落到合适的模型与推理力、必要时并行扇出、关键改动能被验证闸门拦下、长期经验沉淀成可审阅的记忆。
适合谁：已经在用或愿意用 Hermes Agent、对成本敏感、希望 AI 编码过程「说得清、查得动」的人。
不适合谁：只想装一个开箱即用的独立编码助手、不想引入额外概念与配置的人。
坑：先确认本机有 Hermes Agent 且能连上你的模型提供商；Windows 上谨慎用并行扇出；别把 README 里的降本数字当承诺。
下期预告：把「数据握在自己手里」自托管工具横向合集——LocalSend 文件互传 / vaultwarden 密码库 / NOMAD 离线知识库三篇回顾对比，清此前久欠的合集债。