关注公众号
AI Agent DeepSeek Hermes 大模型

Hermes v0.18 MoA实战：用"群狼战术"打爆单模型

Hermes v0.18引入MoA多模型协同，让多个AI模型并行讨论再由聚合模型综合判断，跑分超越Opus 4.8和GPT-5.5。本文实测配置全流程。

Hermes v0.18 MoA实战：用"群狼战术"打爆单模型 封面图

title: “Hermes v0.18 MoA实战：用"群狼战术"打爆单模型” author: 三木 digest: “Hermes v0.18引入MoA多模型协同，让多个AI模型并行讨论再由聚合模型综合判断，跑分超越Opus 4.8和GPT-5.5。本文实测配置全流程。” thumb_media_id: “61Qnpyvd4_n1a2sqxmIliFrMiBYtcFUzl8-G0Kr7vYmdcAh0iZ22_HaOcTG-YRds” date: “2026-07-02T00:00:00+08:00”

Hermes v0.18 MoA实战：用"群狼战术"打爆单模型

最强的模型用不上？Hermes v0.18的MoA（Mixture of Agents）给出了答案——与其死磕一个顶配模型，不如让一群好模型组队干活。

实测下来，这种"模型委员会"模式的回答质量确实碾压单模型调用，而且配置简单到只需要改几行YAML。

一、MoA到底是什么？

MoA的全称是Mixture of Agents（多模型混合），在Hermes里它不是一个独立的工具，而是一个虚拟模型提供者。

它的核心思路很简单：

参考模型并行分析 → 聚合模型综合判断 → 输出最终答案

具体来说，当你选中一个MoA预设时：

  1. Hermes同时向多个参考模型（如GPT-5.5、DeepSeek-V4-Pro）发送同一个问题
  2. 每个参考模型独立给出分析结果
  3. 聚合模型（如Claude Opus 4.8）把所有参考结果汇总，综合判断后输出最终答案

整个过程对你是透明的——你照常跟Hermes对话，只是背后跑的是一个"模型团队"而不是单个模型。

MoA架构示意

⚠️ 上面的示意图是占位图，实际MoA架构图可用下面这张生成的配图：

MoA面板概念图

二、为什么要用MoA？

2.1 闭源模型门槛太高

GPT-5.6 Sol和Claude Fable 5这些最新模型要么被 gate（限制访问），要么价格高到离谱。MoA让你用已有的模型组合，绕过单模型门槛。

2.2 多视角 > 单视角

复杂任务（代码审查、数学证明、架构设计）天然需要多角度分析。一个模型再强也有盲区，但几个不同模型从不同维度切入，聚合后的答案质量明显提升。

2.3 跑分说话

根据Hermes Bench基准测试，MoA组合的跑分超越Claude Opus 4.8约8%，超越GPT-5.5约11%。这不是理论推演，是实际跑出来的数字。

三、配置MoA：三步搞定

第一步：确认版本

hermes --version

确保你的Hermes版本 ≥ v0.18.0。如果还在v0.17.0，先执行：

pip install --upgrade hermes-agent

第二步：查看现有预设

hermes moa list

默认会看到一个default预设，结构如下：

moa:
  default_preset: default
  presets:
    default:
      reference_models:
        - provider: openai-codex
          model: gpt-5.5
        - provider: openrouter
          model: deepseek/deepseek-v4-pro
      aggregator:
        provider: openrouter
          model: anthropic/claude-opus-4.8
      reference_temperature: 0.6
      aggregator_temperature: 0.4
      max_tokens: 4096
      enabled: true

解读一下：

  • reference_models: 参考模型列表，会并行调用
  • aggregator: 聚合模型，负责综合参考模型的输出
  • temperature: 参考模型和聚合模型的温度参数（越低越确定）
  • max_tokens: 聚合模型的最大输出token数

第三步：自定义预设

假设你想创建一个"轻量版"MoA，用便宜一点的模型：

hermes moa configure lite

然后编辑 config.yaml 中的 moa.presets.light 部分：

light:
  reference_models:
    - provider: openrouter
      model: meta-llama/llama-4-scout
    - provider: openrouter
      model: google/gemini-2.5-pro
  aggregator:
    provider: openrouter
      model: anthropic/claude-sonnet-4-20250514
  reference_temperature: 0.5
  aggregator_temperature: 0.3
  max_tokens: 2048
  enabled: true

你也可以直接在 config.yaml 里编辑，或者用CLI：

hermes moa configure review  # 创建名为review的预设
hermes moa delete lite       # 删除不需要的预设

四、使用MoA：三种方式

方式一：模型选择器

在Dashboard、TUI或Desktop模型选择器中，找到 Mixture of Agents 那一行，里面列出了你配置的所有预设名称，点击即可切换。

方式二：Slash命令

# 切换到默认MoA预设
/moa

# 切换到指定预设
/moa review

# 一次性MoA调用（临时切换，用完恢复原模型）
/moa design and implement a migration plan for this flaky test cluster

注意：/moa 后面的名字必须是预设的精确匹配，Hermes不会模糊匹配，防止误操作。

方式三：命令行

/model default --provider moa
/model review --provider moa

五、配置要点和踩坑记录

5.1 模型组合策略

参考模型选什么？原则是多样性：

  • 不同厂商的模型（OpenAI + Anthropic + Google）
  • 不同擅长领域（代码 + 推理 + 创意）
  • 不需要都是顶级模型，中等模型组合起来效果也很好

聚合模型是关键——它决定了最终输出的质量。建议选你最信任的那个模型来做裁判。

5.2 温度参数调整

  • reference_temperature 设低一点（0.3-0.6），让参考模型输出更稳定
  • aggregator_temperature 也可以设低一点（0.2-0.4），聚合需要确定性

5.3 费用控制

MoA的费用 = 所有参考模型费用 + 聚合模型费用。一个请求可能花掉单模型3-5倍的钱。

建议：

  • 简单任务用单模型，别浪费MoA
  • 只在真正复杂的任务上开MoA（代码审查、架构设计、数学证明）
  • 考虑用lite预设降低日常成本

5.4 实际踩坑

坑1：单个参考模型失败不影响其他模型

Hermes的MoA实现中，参考模型并行运行，某个模型挂了不会取消其他模型的调用。聚合模型会收到"部分缺失"的结果，仍然能工作，只是质量可能下降。

坑2：config.yaml的provider格式

provider字段必须和你 config.yaml 中配置的模型提供商名称完全一致。比如你配的是 openai-codex，就不能写成 openai。可以用 hermes model list 查看所有已注册的provider名称。

坑3：enabled: false 禁用预设

不想用的预设不要删，把 enabled: false 就行。这样以后想用的时候改回来就好。

MoA工作流程

六、MoA vs 单模型对比

维度单模型MoA
响应速度快（单次调用）慢（并行+聚合）
单次费用低高（3-5倍）
回答质量取决于模型能力多视角综合，通常更高
适用场景日常对话、简单任务复杂推理、代码审查、架构设计
容错性模型挂了就没戏单个模型挂了不影响整体
配置复杂度零需要配置预设

七、总结

MoA的本质是用金钱换质量——不是花更多的钱买更好的模型，而是用合理的成本组合多个模型，获得超越单模型的效果。

对于经常处理复杂技术问题的开发者来说，MoA是最值得尝试的v0.18新功能之一。配置不到5分钟，用对了地方效果立竿见影。

建议起步姿势：先用默认的default预设跑几个复杂任务感受一下效果，满意后再按需创建自己的轻量/专业预设。

数据来源：Hermes官方文档、Hermes Bench基准测试结果、实测配置经验

← 返回文章列表