Hermes Agent 的研究面：批次跑幾千條 prompt 產訓練資料，以及把它嵌進別的系統
`batch_runner.py` 把數千條 prompt 平行跑成 ShareGPT 格式的 tool-calling trajectory，每條 prompt 可指定自己的容器映像，中斷後靠內容比對而非索引續跑。它內建兩道品質過濾：完全沒有 reasoning 的樣本丟掉、含幻覺工具名的條目在合併時剔除。這解釋了為什麼一家研究機構要做個人 agent——agent 本身就是資料產線。
全部文章
第 107 頁，共 129 頁
Hermes Agent 的 Gateway 與排程：無人看管的 agent 最該防的是自己花錢
一個 Gateway 行程接 30 幾個聊天平台，預設拒絕所有不在白名單也未配對的使用者。排程這邊做了兩道少見的防護：pre-dispatch 驗證讓設定壞掉的 job 連 LLM 都不呼叫就標成 blocked_config，而 model drift guard 會讓「沒釘模型」的 job 在全域模型被換掉時直接跳過執行——防的是你切到付費模型後，一個每小時跑的 job 幫你燒錢。
Hermes Agent 安裝與升級：先看支援層級，再決定用哪條路裝
Hermes 的安裝方式分成三個支援層級：macOS(Apple Silicon)／Windows 10-11／Linux-WSL2／Docker 是 Tier 1，Termux 與 Nix 是 Tier 2，而 pip、brew、AUR 與 Intel Mac 明確不支援——用不支援的路裝，修 bug 的 PR 官方不收。升級端 `hermes update` 會先做快照、pull 後編譯九個關鍵檔案驗語法，失敗自動 `git reset --hard` 回滾。
Hermes Agent 導讀：Nous Research 的自我改進 agent，以及它跟 OpenClaw 的真實關係
Hermes Agent 是 Nous Research 的 MIT 授權 agent 框架，賣點是內建學習迴路（自動生技能、記憶提醒、FTS5 跨 session 檢索）。它提供 `hermes claw migrate` 從 OpenClaw 搬家，但 OpenClaw 並沒有被取代，兩邊仍各自在走。這篇是系列導讀，先講清楚它是什麼、跟誰不同、哪些情況不該選它。
Hermes Agent 的記憶與技能：一個會自己改自己的系統，以及你能在哪裡插手
Hermes 的記憶是硬上限的：MEMORY.md 2,200 字元、USER.md 1,375 字元，寫爆不會自動壓縮而是回錯誤讓 agent 自己騰位子。技能則由 curator 背景維護，預設 7 天跑一次、只在閒置 2 小時後啟動，30 天未用標 stale、90 天封存——但從不刪除。真正該打開的開關是 `memory.write_approval` 與 `skills.write_approval`，它們把背景自我改進的寫入變成待審。
從 OpenClaw 搬到 Hermes Agent：搬得動的、搬不動的、還有那份封存目錄
`hermes claw migrate` 會把 OpenClaw 的 persona、記憶、四個來源的技能、模型與供應商設定、平台 token 與審批白名單搬進 Hermes——但金鑰永遠不會靜默搬過去，連 `--preset full` 都要另外加 `--migrate-secrets`。搬不動的東西（cron、plugin、hook、多 agent 清單、複雜頻道設定）不會消失，而是丟進 `~/.hermes/migration/openclaw/<timestamp>/archive/` 等你手動處理。從 Claude Code 或 Codex 過來則是另一個指令 `hermes import-agent`。
Hermes Agent 的模型供應商：訂閱制登入的帳單陷阱，以及 fallback 只會觸發一次
Hermes 支援 40 家以上供應商，其中「用消費者訂閱登入」的路徑最容易產生帳單意外：Anthropic OAuth 只吃 Claude Max 的加購額度、Claude Pro 根本不能用；auxiliary 任務預設 `provider: auto` 會走你的主模型，等於用貴模型做壓縮與視覺。fallback 鏈是每個 session 只觸發一次的一次性切換，不是持續重試。
Hermes Agent 的安全模型：--yolo 之下還有一層拿不掉的地板
Hermes 的審批預設是 smart 模式：低風險指令由 auxiliary 模型放行、真正危險的自動拒絕、不確定的才問人。`--yolo` 與 `approvals.mode: off` 都關不掉 hardline 封鎖清單（`rm -rf /`、fork bomb、`dd` 寫實體磁碟），而 `approvals.deny` 是它的使用者版：在 yolo 之前就攔下來。官方自己標明這整套的威脅模型是「誠實但犯錯的 agent」，不是對抗惡意行程。
Hermes Agent 的七種終端後端：換到沙箱等於關掉危險指令審批
Hermes 的指令可以跑在 local、ssh、docker、singularity、modal、daytona、vercel_sandbox 七種後端。關鍵取捨不是效能而是審批：local 與 ssh 會做危險指令檢查，其餘五種一律跳過，因為官方把容器／沙箱本身當成邊界。另外 Docker 預設是「一個長壽容器跨 session 共用」，不是每次對話一個乾淨環境。
Nous Tool Gateway：用一份訂閱換掉四個帳號，代價是把工具供應鏈集中到一家
Tool Gateway 把 Hermes 的網頁搜尋（Firecrawl）、圖像生成（FAL 九個模型）、TTS（OpenAI）與雲端瀏覽器（Browser Use）四類工具改走 Nous 的基礎設施，用一次 OAuth 取代四個帳號。它是 per-tool 開關而非全有全無，`use_gateway: true` 會蓋過你 `.env` 裡的直連金鑰——這是最容易搞混的優先序。
Hermes Agent 的工具層：3,300 個 MCP 工具塞不進 context 時，它怎麼處理
接上一堆 MCP server 之後，工具 schema 本身就會吃掉大半 context——官方舉的極端例子是 Cloudflare 單一 server 約 3,300 個工具、光名稱就 32K token。Hermes 的解法是 Tool Search：把 MCP 與非核心 plugin 工具換成三個橋接工具，schema 按需載入，核心工具永不延後。另外 plugin 預設全部停用，要在 `plugins.enabled` 逐一點名才會跑。
微軟 AB-100（Agentic AI Business Solutions Architect）備考路徑：架構師那張，考的是判斷而不是實作
AB-100 是微軟 agent 線的架構師版，三塊權重 25-30 / 25-30 / 40-45，重心在部署與治理。它的 outline 幾乎全是 design、recommend、propose 這類動詞——考的是情境判斷而不是實作。三個要先知道的：它有先修，除了考過 AB-100，還必須持有官方清單裡的任一張 associate 認證（AI-103、AB-620、AI-300 都在清單上）；它有免費練習測驗，是微軟三張 agent 證照裡唯一有的；考試頁有一段簡介寫的是合規類考試的內容，準備要以 study guide 為準。官方規格：美國 $165、13 種語言含繁體中文、及格 700、效期一年。
微軟 AB-620（AI Agent Builder）備考路徑：Copilot Studio 這條低程式碼的 agent 線
AB-620 是微軟 agent 認證線裡的低程式碼那條——考的是 Copilot Studio 上的 agent flows、adaptive cards、computer use、MCP tools、A2A 與 Fabric data agent，不是寫 Python。三塊權重 30-35 / 40-45 / 20-25，最重的是整合與擴充。官方規格：$165、120 分鐘、及格 700、效期一年、13 種語言含繁體中文。已經 GA，但練習測驗還沒開放。
微軟 AI-103（Azure AI Apps and Agents Developer）備考路徑：Foundry 換代之後，舊 Azure AI 教材全部作廢
AI-103 取代 2026 年 6 月 30 日退場的 AI-102，考綱完全重寫成 Microsoft Foundry 體系——prompt flow、Azure AI Studio、Azure OpenAI Service、Azure AI Agent Service 這些名詞在目標裡一個都沒有。五塊技能權重 25-30 / 30-35 / 10-15 / 10-15 / 10-15，生成式與 agent 佔最大宗。官方規格：$165、120 分鐘、及格 700、有繁體中文、含互動題型，而且效期只有一年——但續期是免費、開書、非監考的線上評量。
微軟 AI-500（Multi-Agent AI Solutions Expert）備考路徑：考綱已經公布，官方教材還沒上線
AI-500 是主流雲端業者裡少見的多 agent 系統專家級認證，四塊權重 15-20 / 30-35 / 20-25 / 20-25，官方點名 Agent Framework、LangGraph、Hugging Face Transformers、MCP server 架在 Azure Functions / Logic Apps / API Management、A2A、Key Vault、AI Red Teaming Agent。有兩個限制要先知道：必須先取得 AI-103 才能考，而且官方學習路徑尚未上線、練習測驗也還沒有。官方頁面已在 2026 年 9 月底拿掉 beta 標示。
多 agent 架構的考點交集：五張證照重複考什麼，又各自獨有什麼
微軟 AI-500、AB-620、AB-100、NVIDIA NCP-AAI、Claude CCAR-F 這五張證照都考多 agent 架構，交集是七件事：編排拓樸、A2A 與 MCP、每個 agent 的身分邊界、三層記憶、可觀測性與 agent replay、人在迴圈、四個介入點的 guardrail。但同一件事四家用四個名字，而且各自有無法互相轉移的獨有考點——微軟命名了四種 context window 失效模式、NVIDIA 有 7% 綁死自家 NeMo 與 NIM、Claude 考 stop_reason 這種 SDK 層細節。另外修一個常見誤解：Google PMLE 滿篇「Agent Platform」是 Vertex AI 改名，不是多 agent 考點。
2026 上半年多模態模型盤點：原生融合 vs. 外接視覺，以及排行榜為什麼會互相打臉
純圖片理解已經打平：MMMU-Pro 上四家前沿模型全部過 80%，差距在 3 分內。真正分勝負的是影片、長文件 OCR、即時語音這幾條軸線，各有不同的領先者。但整理這些排名時最該學的一課，是兩份都算可信的來源對同一個 Video-MME 給出的榜首可以差超過 10 分，而且不是同一家。七月與八月又各換過一輪。
NVIDIA NCA-GENL（Generative AI LLMs Associate）備考路徑：名字寫 LLM，考綱有一半是傳統 ML
NCA-GENL 是職缺點名「NVIDIA Generative AI / LLM 相關認證」時最常指的那張。但官方 blueprint 的權重跟名字落差很大——Core Machine Learning and AI Knowledge 30%、Software Development 24%、Experimentation 22%、Data Analysis 14%、Trustworthy AI 10%，LLM 與 RAG 的內容散在條目層而不是自成一塊，spaCy、NumPy、Keras、cross validation 都在考。另一個要先知道的：官方的建議教材在 2026 年秋天整個換過，現在每一塊只推兩項，一份放在 GitHub 上的免費開源深度學習教材，加一門 LLM 應用開發課。官方規格：$125、1 小時、50–60 題、效期兩年、僅英文、pass/fail 不給分數。
NVIDIA NCA-GENM（Generative AI Multimodal Associate）備考路徑：與 NCA-GENL 同價同級，重心換成實驗與多模態
NCA-GENM 與 NCA-GENL 同價同時長同級別，但重心完全不同：Experimentation 升到 25%（最重），Core ML 從 30% 降到 20%，並多出 Multimodal Data 15% 與 Performance Optimization 10% 兩塊。內容上考 U-Net、CLIP、擴散模型、多模態損失函數、attention map，以及 Riva／NeMo／Triton／ACE 這幾個 NVIDIA SDK。官方的建議教材在 2026 年秋天整個換過：現在只推一份放在 GitHub 上的免費開源深度學習教材，加一門多模態 agent 的課，而且各塊配的不一樣，最重的 Experimentation 只配免費教材。官方規格：$125、1 小時、50–60 題、效期兩年、僅英文。
NVIDIA NCP-AAI（Agentic AI Professional）備考路徑：十個領域只有 7% 綁 NVIDIA 產品，但現在還不能報名
NCP-AAI 是 NVIDIA 的 agentic AI 專業級認證，$200、120 分鐘、60–70 題、效期兩年。十個領域裡最重的是 Agent Architecture and Design 15% 與 Agent Development 15%，只有 NVIDIA Platform Implementation 7% 明確綁自家產品，其餘是通用的 agentic 工程。兩件事要先知道：官方頁面的 Register 按鈕旁標著「Coming soon」，現在還不能報名；官方網頁與 PDF study guide 有兩項權重不同（Deployment and Scaling 13% 對 5%、Run/Monitor/Maintain 5% 對 7%），配時間時當成區間看。