用户实测树莓派部署Hermes后转投Claude Code

背景

在开源大模型应用生态中，Hermes 作为一个基于 Telegram 的 AI Agent 框架，因其灵活性和可扩展性受到不少技术爱好者的关注。许多用户倾向于在本地硬件（如树莓派）上部署 Hermes，以实现对 AI 交互的完全掌控，并尝试将其与各种工具链（Skills、MCP 服务器等）结合，构建个性化的自动化工作流。

然而，随着以 Claude Code 为代表的新一代 AI 编程助手及其生态（如 TLive 项目）的兴起，开发者开始探索将更强大的模型能力通过 Telegram Bot 形式暴露出来的可能性。这种趋势引发了关于“本地轻量级框架”与“云端强大模型+本地封装”两种技术路线的对比与思考。本文基于 LINUX DO 社区的一篇讨论，深入剖析了一位开发者从部署 Hermes 到转向 Claude Code 封装的完整心路历程与技术实践。

核心内容

该开发者在树莓派 5 上部署了 Hermes，初衷是利用闲置硬件并探索其潜力。他配置了两个不同的 Profile（配置文件）以区分用途：

1. Default Profile（远程操作与部署）：

   • 功能定位：用于远程让 AI 在树莓派上执行部署 Skills、MCP（Model Context Protocol）等操作。
   • 模型接入：接入了 Kimi 的订阅接口。
   • 安全策略：出于数据隐私考虑，关闭了文件操作和命令执行工具，防止敏感配置文件被读取用于模型训练。
   • MCP 集成：安装了两个 MCP 服务器。
     • 自制 MCP：接入学校作业网站，每日推送即将到期的作业（Due）及教授的新消息。
     • L站 API MCP：利用 Letterboxd（L站）API 推荐用户感兴趣的帖子。

2. Agent Profile（信息总结）：

   • 功能定位：专门用于帮助用户总结信息。
   • 模型接入：使用 OpenRouter 上的免费模型。

在初步探索后，开发者将重心转移到了 TLive 项目。该项目允许将 Claude Code 包装成 Hermes 风格的 Agent，并通过 Telegram Bot 的形式进行交互。开发者接入了自己的 Claude Max 订阅，并对 TLive 进行了一些 Bug 修复和功能升级，使其能够稳定运行。

经过实际使用对比，开发者发现：

• 功能覆盖：Hermes 能实现的功能，Claude Code 封装后的 Bot 均能实现。
• 性能优势：由于 Claude Max 模型本身的强大，封装后的 Bot 在可控性和易用性上均优于 Hermes。
• 新功能发现：在折腾 Claude Code 的过程中，开发者发现了其 Remote Control（远程控制）功能，使得操作更加便捷。

最终，开发者认为 Hermes 的价值被削弱，甚至面临“吃灰”的命运，因为其核心优势被更强大的模型和更成熟的封装方案所取代。

关键要点

• 本地部署的灵活性：Hermes 允许用户在本地硬件（如树莓派）上精细控制 AI 的行为，包括配置不同的 Profile 来区分工作负载（如远程部署 vs. 信息总结）。
• MCP 生态的实用性：通过集成 MCP 服务器，AI Agent 可以无缝接入外部数据源（如学校作业系统、Letterboxd），实现个性化的自动化通知和推荐，这是提升 AI 实用性的关键。
• 安全与隐私考量：在部署涉及文件操作和命令执行的 AI Agent 时，需警惕数据泄露风险。通过关闭敏感工具或选择隐私友好的模型接口（如 Kimi 订阅），可以降低训练数据被窃取的可能性。
• 模型能力决定上限：Hermes 等框架本质上是“壳”，其最终体验高度依赖于后端模型的能力。Claude Max 等顶级模型在逻辑推理、可控性和通用性上远超普通开源模型或免费模型，使得前端框架的差异变得次要。
• TLive 项目的价值：TLive 项目成功地将 Claude Code 的强大能力通过 Telegram Bot 的形式暴露出来，并提供了 Remote Control 等便捷功能，证明了“强大模型 + 成熟封装”路线在实际应用中的优越性。
• 技术选型的动态性：开发者的技术栈选择并非一成不变。当出现更优的解决方案（如 Claude Code + TLive）时，早期投入精力搭建的复杂本地架构（Hermes）可能迅速失去竞争力，导致资源闲置。

意义与影响

这一案例反映了当前 AI 应用开发中的一个重要趋势：框架的边界正在模糊，模型能力的提升正在重新定义工具的价值。

1. 从“构建框架”到“利用模型”：早期 AI 爱好者热衷于搭建复杂的本地 Agent 框架（如 Hermes），以弥补模型能力的不足或实现高度定制。但随着 Claude、GPT-4o 等模型能力的飞跃，用户更倾向于直接利用这些强大模型的 API，并通过简单的封装（如 Telegram Bot）来满足需求，而非投入大量时间维护复杂的本地逻辑。
2. MCP 作为标准化接口的重要性：无论前端框架如何变化，MCP 作为连接 AI 与外部数据的标准化协议，其价值日益凸显。无论是 Hermes 还是 Claude Code 封装，能够轻松集成 MCP 服务器，是实现 AI 实用化的关键。
3. 隐私与性能的权衡：在追求强大模型能力的同时，隐私保护仍是用户关注的重点。开发者通过关闭敏感工具、选择特定模型接口等方式，在享受便利的同时试图守住安全底线，这为其他用户提供了参考。
4. 开源社区的创新活力：TLive 项目等社区创新，证明了开源生态能够快速响应市场需求，将前沿模型能力转化为易用工具。这种“微创新”往往比从头构建框架更具生命力。

总之，该案例提醒开发者和技术爱好者：在选择 AI 工具时，应动态评估模型能力、框架复杂度与实际需求的匹配度。当模型能力成为主要瓶颈时，转向更强大的模型服务可能是更高效的选择；而当隐私、成本或特定本地集成需求成为核心诉求时，本地框架（如 Hermes）仍具有不可替代的价值。