开源 Agent 框架架构对比技术报告

开源 Agent 框架架构对比技术报告

对象： AutoGPT、LangChain（含 LangGraph / Deep Agents）、Hermes Agent
性质： 官方文档 + 仓库源码 + 本机安装交叉验证
研究日期： 2026-08-19（UTC）
本机对照基线： Hermes Agent v0.20.4（标签 2026.8.18），安装路径 /usr/local/lib/hermes-agent
方法： 多轮官方检索、全文抽取、GitHub API 元数据、本机源码核对；关键事实带编号引用。

0. 执行摘要

三个项目经常被并列为“开源 Agent 框架”，但它们解决的不是同一层问题。

一句话选型：

GitHub API 在本研究拉取时刻返回的 star 数为：Hermes 232,691、AutoGPT 186,683、LangChain 144,518、LangGraph 39,987。[23][24][25][26] 星标只说明关注度，不能单独代表架构成熟度或生产可靠性。

1. 研究范围、方法与交叉验证协议

1.1 为什么是这三个

用户给定样例为 AutoGPT、LangChain、Hermes。2026 年的 LangChain 不能再被简化成“Chain 拼接库”：官方已把产品线拆成 framework / runtime / harness 三层，对比时必须同时读 LangChain、LangGraph 与 Deep Agents，否则会把 2023 年的印象套到 1.0 之后的实现上。[12][15]

AutoGPT 同理：仓库里同时存在 classic/ 与 autogpt_platform/，许可证也不同。只读 2023 年博客会得到错误结论。[19][20]

1.2 证据层级

  1. 官方文档全文：Hermes Architecture / Agent Loop / Memory / Skills；LangChain Agents / Middleware / Products；LangGraph Persistence；AutoGPT Platform 与 Self-host。
  2. 仓库与 API：README、LICENSE、GitHub REST 元数据、AutoGPT Classic agent.py、Platform executor/manager.py。
  3. 本机源码：对当前 VPS 上已安装的 Hermes v0.20.4 直接读 run_agent.py、agent/iteration_budget.py、toolsets.py、LICENSE。这一层用于发现“文档口径”和“已部署代码”的偏差。

1.3 不在范围内的事

2. 产品定位：框架、运行时、Harness、平台

2.1 LangChain 自己的三层模型

LangChain 官方把生态拆成三档：[12]

官方原话把公式写成 Agent = Model + Harness。create_agent 是“最小但可高度配置的 harness”：提示词、工具、以及改写循环行为的 middleware。[7][9]

2025 年 10 月，LangChain 与 LangGraph 同时到 v1.0。1.0 的核心卖点是：create_agent 建立在 LangGraph runtime 上，并用 middleware 做逐步控制。[15][28]

2.2 Hermes：可运行的闭环 Agent，而不是 SDK

官方文档首页自称 “the only agent with a built-in learning loop”：从经验写 skill、使用中改 skill、主动把知识写入记忆、用 FTS5 搜历史会话、并对用户建模。[5][30]

架构页给出的入口不是 pip install 后自己 invoke，而是：

全部汇入同一个 AIAgent（run_agent.py）。[1]

本机 LICENSE 为 MIT，版权行是 Copyright (c) 2025 Nous Research。仓库创建于 2025-07-22。[6][26]

2.3 AutoGPT：从“自主循环实验”到“工作流平台”

官方 README 把产品写成四块表面：AutoPilot、Agents、Marketplace、Build。托管平台管基础设施、模型访问、凭据、可靠性和更新；自建则自己提供机器和模型 key。[16]

平台文档把架构收成两块：[17]

  1. AutoGPT Server：核心逻辑、基础设施、Marketplace。
  2. AutoGPT Frontend：Agent Builder、工作流、部署控制、现成 agent、监控。

Agent 在这里的定义已经变了：agent 本质是你设计的自动化 workflow；Block 才是可连接的动作单元（外部服务、数据处理、模型、脚本、条件）。[17][27]

Classic 官方说得很硬：

This project is unsupported, and dependencies will not be updated.
If you want to use AutoGPT, you should use the AutoGPT Platform.[20]

Classic 的历史价值仍在：它是最早一批把“拆目标 → 调工具 → 根据结果再规划”做成可跑系统的实现之一。[20][21]

2.4 定位对照（文字矩阵）

你买到的东西

默认用户

开源纯度

3. 执行环与编排模型

这是三者差异最大的一层。

3.1 Hermes：同步 ReAct 环 + 三套 API 适配

官方把 AIAgent 定义为同步编排引擎，职责包括：拼系统提示、选 provider/API mode、可中断模型调用、执行工具、维护 OpenAI 风格消息、压缩、重试、fallback、刷记忆。[1][2]

一回合生命周期（官方）：[2]

  1. 生成 task_id，追加 user 消息
  2. 构建或复用 system prompt
  3. 超过上下文 50% 则预压缩
  4. 按 API mode 转消息格式
  5. 注入临时层（预算警告等）
  6. Anthropic 上打 cache breakpoint
  7. _interruptible_api_call
  8. 有 tool_calls 则执行并回到第 4 步；否则落盘并返回

三种 API mode 最后都收敛到内部 OpenAI 风格 {role, content, tool_calls}：[2]

工具执行：单工具主线程；多工具 ThreadPoolExecutor 并发，交互式工具（如 clarify）强制串行；结果按原始顺序回填。[2]
部分工具在 registry 之前被 run_agent.py 截获：todo、memory、session_search、delegate_task。[2]

中断模型：API 在后台线程跑，主线程等 response / interrupt / timeout。用户新消息或 /stop 会丢弃未完成响应，不把半截内容写进历史。[2]

数据流入口（官方）：[1]

本机核对：run_agent.py 第 412 行确有 class AIAgent，文件约 9051 行；构造器默认参数写的是 max_iterations: int = 90。与此同时，agent/iteration_budget.py 注释仍写父代理默认 500、子代理 delegation.max_iterations 默认 50，且 parent+children 总和可以超过父上限。官方 Agent Loop 文档也写默认 500。[2]

续跑二次核对（本机 /root/.hermes/config.yaml，2026-08-19）：agent.max_turns: 120，delegation.max_iterations: 100，memory.memory_char_limit: 6600，memory.user_char_limit: 6600。

交叉验证结论： 文档/注释口径是 500；源码构造器字面量是 90；本机生效配置是 120 / 100。部署时必须以实际 config.yaml 为准，不能只信文档或构造器默认值。

3.2 LangChain：循环被编译成图，Middleware 是改环的旋钮

官方定义：agent 是“模型在循环里调工具直到任务完成”；harness 是循环周围的一切——prompt、tools、middleware。[9]

最小形态：

from langchain.agents import create_agent
agent = create_agent(model="...", tools=tools, system_prompt="...")

create_agent 返回的是编译好的 LangGraph。Middleware 不是另一套运行时，而是插在这张图上的 hook：before_model / after_model 以及工具前后。整颗 agent（含 middleware）可以再作为更大 StateGraph 的一个 node。[10][28]

1.0 的设计意图写得很明确：核心仍是 model node + tool node，但 middleware 可以在每一步改 state、换模型、过滤工具、提前跳转。[15][28]

预置 middleware 覆盖：工具错误转消息、工具重试、模型重试/fallback、摘要、HITL、PII、限流等。[10][28]

LangGraph 这一层提供的是编排原语，而不是再包一层 prompt 框架。官方强调可以在同一张图里混 确定性手写步骤 与 LLM 决策步骤，并给出持久化、HITL、流式、长任务恢复。[8] 灵感来自 Pregel / Beam，公共接口像 NetworkX。[8]

状态模型：AgentState 至少有 append-only 的 messages；可用 state_schema 加字段。调用时用 thread_id 续写同一对话，前提是编译了 checkpointer。[9][11]

3.3 AutoGPT Classic：组件管道 + 多种 prompt strategy

Classic Agent.propose_action() 仍是“想一步、做一步”的自主环，但实现已经组件化：[21]

  1. 跑 DirectiveProvider 管道，收集 resources / constraints / best_practices
  2. 跑 CommandProvider 得到命令列表并剔除禁用项
  3. history.prepare_messages()（可跳过，例如 ReWOO 的 EXECUTING 阶段）
  4. MessageProvider 组消息
  5. prompt_strategy.build_prompt(...)
  6. complete_and_parse 调模型，cycle_count += 1

源码里 union 的提案类型包括：OneShot、PlanExecute、ReWOO、Reflexion、TreeOfThoughts、LATS、Debate。[21] ReWOO 的 EXECUTING 阶段会抛 UseCachedActionException，跳过 LLM，直接用计划里缓存的动作。[21]

组件侧已经很“现代”：文件、Docker 代码执行、Git、Playwright、搜索、todo、skills（SKILL.md）、watchdog，以及可选的 Platform Blocks。[21] 这说明 Classic 后期并不是纯 2023 年的 JSON-thought 循环，但官方仍把它标成研究结束、依赖不再更新。[20]

3.4 AutoGPT Platform：图执行器，不是单进程 thought 环

autogpt_platform/backend/backend/executor/manager.py 导出 ExecutionProcessor 与 ExecutionManager。[22]

从 import 即可还原运行时形状：

这是分布式工作流引擎：节点是 Block，边是数据/控制链接，执行被切成可排队的 node execution。它和 Hermes 的“一个同步循环打工具”不是同一算法，也和 LangGraph 的“进程内状态机 + checkpointer”不同——更接近带计费与市场的自动化平台。

Block SDK 要求每个 Block 声明 Input/Output schema，run() 里 yield 输出销；ProviderBuilder 管 API key / OAuth / 成本。[27]

3.5 执行模型对照

4. 工具、集成与扩展面

4.1 Hermes：注册表 + toolset + 多后端

官方：中央 tools/registry.py，文档口径 70+ tools / ~28 toolsets；终端后端 local / Docker / SSH / Daytona / Modal / Singularity / Vercel Sandbox（架构页也写过 6–7 个）。[1][30]

本机 toolsets.py 交叉验证（v0.20.4）：

文档 70+/28 已经落后于本机 94/35。 写方案时以本机 hermes tools / toolsets.py 为准。

扩展通道：MCP 动态接入、插件 hook（pre_tool_call / post_tool_call）、skill 脚本、execute_code 里用 RPC 调工具。[1][2][4]

危险命令走 tools/approval.py，等 approval_callback。[2]

4.2 LangChain：工具是函数，能力靠组合

create_agent(..., tools=[...]) 接受 Python callable、LangChain tool 或 dict。[9]
MCP、文件系统、沙箱、解释器出现在 Deep Agents 层：ls / read_file / write_file / edit_file / glob / grep / execute，后端可换 memory / disk / store。[13]

这意味着：LangChain 核心很瘦，“像 Hermes 那样开箱即用的 90+ 工具”不是框架默认值，而是你或 Deep Agents 装上去的。换来的是：同一套 agent 可以嵌进任意业务 API，而不必接受 Hermes 的工具世界观。

中间件还可以在运行期过滤工具、做模型 fallback、HITL 拦截特定 tool name。[10]

4.3 AutoGPT：Block 市场与集成目录

平台把集成做成 Block，官方宣传托管面有 “45+ connected platforms and hundreds of AI models”。[16]
模型目录在仓库内 autogpt_platform/backend/backend/data/llm_registry/catalog.py，文档点名 OpenAI、Anthropic、Groq、Llama、AI/ML API 等。[17]

Classic 则是组件式 Command：WebSearch、Playwright、CodeExecutor（Docker 容器名带 agent_id）、Git、ImageGen、Skills 等。[21]

新 Block 放在 backend/blocks/，用 schema + run() 注册，可接 webhook / OAuth。[27]

4.4 扩展哲学

5. 记忆与上下文工程

5.1 Hermes：有界策展记忆 + 无限会话检索 + Skill 渐进披露

官方记忆是两个有硬顶的文件，注入系统提示的冻结快照（为了 prefix cache，当轮写入要到下次会话才出现在 system prompt）：[3]

本机当前配置把上限调到了 6,600（用户画像与记忆均是），说明这两个数字是 config.yaml 可改的，不是协议常数。写满不会自动压缩，memory 工具直接报错，要求模型当轮 replace/remove 腾位。[3]

另有：

这是一条明确的学习闭环：执行 → 评价 → 沉淀 skill/memory → 下次按需加载。[5][30]

5.2 LangChain / LangGraph：Checkpointer + Store + 可选摘要中间件

官方把持久化分成两种：[11]

内存实现（InMemorySaver）重启即丢；生产应换 Postgres / SQLite。[11]
create_agent 本地必须显式传 checkpointer 才能按 thread_id 续上；部署到 LangSmith Agent Server 时平台代管。[9]

Deep Agents 再叠：SummarizationMiddleware、MemoryMiddleware（如 AGENTS.md）、SkillsMiddleware、虚拟文件系统卸载大结果。[9][13]

对比 Hermes： LangGraph 的记忆是图状态基础设施（可恢复、可时间旅行）；Hermes 的记忆是策展过的人格/环境摘要 + 独立检索库。前者强在工作流正确性，后者强在“下次打开还认识你”。

5.3 AutoGPT

Classic：EpisodicActionHistory + ActionHistoryComponent（按 token 预算准备消息），工作区文件、todo、以及 ~/.autogpt/skills 的 SKILL.md。[21]
Platform：执行状态是 GraphExecution / 节点结果，属于工作流持久化，不是 Hermes 那种跨会话 USER.md。长期“记得用户是谁”要靠你在图里自己接存储 Block。文档主叙事是 continuous agents、触发器、可靠长跑，而不是人格记忆。[17]

5.4 上下文策略对照

6. 多 Agent、委派与人机协同

6.1 Hermes

人机：clarify、危险命令 approval、可中断 API。[2]

6.2 LangChain 多 Agent 模式库

官方列出五种，并给了调用次数/token 的粗算：[14]

Deep Agents 把 subagents、todo、filesystem 预装进 harness。[13][14]

HITL：LangGraph interrupt；LangChain HumanInTheLoopMiddleware 可按工具名拦截。[8][10]

6.3 AutoGPT

Classic：ExecutionContext + DefaultAgentFactory，root agent 可 spawn 子 agent（parent_agent_id / depth）。[21]
Platform：图里的 AgentExecutorBlock 等于“图中嵌 agent”；Marketplace 提供现成团队/专家向工作流。执行器自带审核、余额、凭据租约，这是运营型多租户，而不是研究型辩论环。[22]

6.4 协作语义

7. 部署、许可、观测与生产化

7.1 部署形态

Hermes
单进程即可：CLI、gateway systemd、desktop、dashboard、ACP。终端后端可把执行甩到 Docker/SSH/Modal/Daytona。官方强调 5 美元 VPS 也能跑，闲时 serverless 接近零成本。[30]
本机即是 DigitalOcean VPS + hermes-gateway.service 的活体样本。

LangChain / LangGraph
库嵌入你的服务。生产向能力在 LangSmith：trace、eval、Agent Server 代管 checkpointer、LangSmith Engine 读 trace 提修复。[7][8][9]
这意味着“开源核心 + 商业控制面”是一等公民，不是事后插件。

AutoGPT
托管：platform.agpt.co，按 run 计费。[16]
自建：官方警告不要跟外部过时教程；依赖 Node、Docker、Docker Compose；可用 setup.agpt.co/install.sh。[18]

7.2 许可

若产品形态接近“托管 agent 平台”，AutoGPT Platform 的许可证必须做法务审阅，不能因为它的 GitHub 星星多就当 Apache/MIT 用。

7.3 观测与评测

7.4 仓库元数据（GitHub API，2026-08-19）

Hermes 提交极密（本机文档树写过约 25,000 tests / 1,250 files；GitHub 页面同时显示上万 commit）。这支持“产品型单体仓库”判断，也解释了文档数字（70+ tools）会落后于 toolsets.py。

8. 交叉验证：一致点、矛盾点、过时叙事

8.1 三方都承认的结构事实

  1. 2026 年的主流 Agent 都是 模型 + 工具循环 + 某种外围 harness，不再是纯 chain。[7][9][12]
  2. Skills 渐进披露同时出现在 Hermes 与 Deep Agents / LangChain multi-agent 文档，并指向 agentskills.io 一类标准。[4][13][14]
  3. 子代理用来隔离上下文，不是为了“看起来更智能”。LangChain 甚至量化了 subagents 在多领域任务上更省 token、在单次任务上多一次模型调用。[14]
  4. 持久化必须分清“线程内状态”和“跨会话知识”。LangGraph 用 checkpointer/store 说这件事；Hermes 用 session DB + MEMORY.md 说这件事。[3][11]

8.2 必须丢掉的过时叙事

8.3 文档与本机 Hermes 的硬差异

对照项：工具数量。官方文档 70+ / 约 28 个 toolset。[1] 本机 v0.20.4 的 toolsets.py 为 35 个 toolset、声明 94 个工具名。

对照项：迭代上限。官方文档默认 500。[2] 源码构造器字面量 90；IterationBudget 注释仍写 500/50。本机生效配置 agent.max_turns=120、delegation.max_iterations=100。

对照项：记忆容量。官方文档 2200 / 1375。[3] 本机 config.yaml 为 6600 / 6600。

对照项：终端后端数。架构图写 6、正文写 7。[1] 本机列举集合与文档一致，只是计数口径不统一。

这些差异不是否证文档，而是说明 Hermes 迭代快，架构页数字会旧。对比报告若只抄官网会低估工具面、误报默认预算。

8.4 AutoGPT 许可字段

GitHub API 给 AutoGPT 的 license.spdx_id 是 NOASSERTION。[23] 打开仓库 LICENSE 才能看到双许可正文。[19] 任何自动化“按 SPDX 过滤 MIT 仓库”的脚本都会把 AutoGPT 整库误判。

8.5 第三方对比文的可用性

检索中大量 2026 年博客把 Hermes 写成“只有记忆、多 Agent 还在路线图”，或把 LangChain 写成“没有持久记忆”。这与三方自己的文档冲突。[3][11][14][30] 本报告不以这类二手表为证据。

9. 架构级权衡与选型

9.1 控制权 vs 完成时间

9.2 状态语义

需要“跑了 40 分钟、进程死了、从节点 17 续上”：LangGraph checkpointer 或 AutoGPT GraphExecution。[11][22]
需要“三个月后还记得我用 zsh、讨厌逐步确认”：Hermes USER.md + session_search。[3]

两者可以叠：用 Hermes 当操作员，用 LangGraph 当你业务里那条必须可恢复的核心工作流。

9.3 推荐场景

选 LangChain / LangGraph / Deep Agents，若：

选 Hermes，若：

选 AutoGPT Platform，若：

不要选 Classic 上生产。[20]

9.4 组合拳（实践上更常见）

  1. Hermes 作外壳 + LangGraph 作内核：人从 Telegram 下指令，Hermes 调内部 LangGraph 服务跑可恢复业务流。
  2. Deep Agents 作研究/编码 harness，Hermes 作日常网关：两套 harness，职责分开。
  3. AutoGPT 画布产出的图，只作为业务自动化；人格助手仍用 Hermes。

10. 风险、局限与后续可验证项

10.1 已标明的风险

10.2 本报告未做、但会影响最终拍板的验证

  1. 同一任务（例如“读仓库写修复 PR”）三条栈的美元成本与人工介入次数。
  2. AutoGPT 自建一套的真实运维成本（Postgres/Redis/Rabbit/Frontend）。
  3. LangGraph PostgresSaver 在长线程下的 checkpoint 膨胀（官方已警告需清理）。[11]
  4. Hermes 默认迭代的解析优先级：本机已核实生效值为 config.yaml 的 agent.max_turns=120，高于构造器 90 与文档 500；Gateway 是否另有覆盖仍未逐行追完。

10.3 对“自动续跑测试”的元结论

三套架构里，只有带外部持久编排的系统适合“断点续跑”：LangGraph thread checkpoint、AutoGPT GraphExecution、Hermes session lineage / kanban 任务卡。纯内存 while-loop（早期 AutoGPT 印象、未加 checkpointer 的 create_agent）在进程被杀后无法诚实续跑。

若测试目标是“报告完成前不得结束”，Hermes 这种同步长循环能撑完一次研究写作；若测试目标是“机器重启后从第 7 章接着写”，应把大纲与引用账本落盘（本报告已落在 /root/workspace/j-agent-frameworks-report/），这是上下文外置，不是框架魔法。

11. 最终对照结论（交付口径）

三条栈不要互相替代，按层选。

编排层 - AutoGPT Platform：分布式图执行（GraphExecution / NodeExecution + RabbitMQ/Redis），节点是 Block。[22] - LangChain / LangGraph：进程内状态机；create_agent 编译成图，可混确定性节点与模型节点，checkpointer 负责续跑。[8][9][11] - Hermes：单进程同步 AIAgent 环，工具循环直到文本回复；压缩产生 session lineage，不把图当一等公民。[1][2]

产品层 - AutoGPT：低代码平台 + 市场 + 可托管；Classic 研究结束。[16][17][20] - LangChain：给工程师的库与商业控制面（LangSmith）。[7][15] - Hermes：装完即用的助手运行时（CLI / Gateway / Desktop / ACP）。[5][30]

知识层 - Hermes：有界策展 MEMORY/USER + FTS5 + 自动写 skill。[3][4] - LangGraph：线程 checkpoint + 跨线程 store；Deep Agents 再叠 skill/摘要/虚拟文件系统。[11][13] - AutoGPT：工作流状态持久化为主，人格记忆不是主叙事。[17][21]

许可层 - Hermes / LangChain / LangGraph：MIT。[6][24][25] - AutoGPT Platform：Polyform Shield，不能当纯 MIT。[19]

本机交叉验证后的 Hermes 生效数字（覆盖文档） - 版本：v0.20.4（2026.8.18） - 工具：35 toolset / 94 个声明工具名 - 轮次：max_turns=120，子代理 max_iterations=100 - 记忆：6600 / 6600

选型一句话 - 做可恢复的业务编排：LangGraph。 - 做会记、会学、挂在消息软件上的个人/小团队助手：Hermes。 - 做可视化自动化与商店运营：AutoGPT Platform。 - 不要用 AutoGPT Classic 上生产。[20]

附录 A. 本机 Hermes 核对摘录

附录 B. 关键源码锚点

Sources

[1] https://hermes-agent.nousresearch.com/docs/developer-guide/architecture — Hermes Architecture [2] https://hermes-agent.nousresearch.com/docs/developer-guide/agent-loop — Hermes Agent Loop Internals [3] https://hermes-agent.nousresearch.com/docs/user-guide/features/memory — Hermes Persistent Memory [4] https://hermes-agent.nousresearch.com/docs/user-guide/features/skills — Hermes Skills System [5] https://hermes-agent.nousresearch.com/docs — Hermes Docs Home [6] https://github.com/NousResearch/hermes-agent — NousResearch/hermes-agent [7] https://docs.langchain.com/oss/python/langchain/overview — LangChain overview [8] https://docs.langchain.com/oss/python/langgraph/overview — LangGraph overview [9] https://docs.langchain.com/oss/python/langchain/agents — LangChain Agents [10] https://docs.langchain.com/oss/python/langchain/middleware/overview — LangChain Middleware [11] https://docs.langchain.com/oss/python/langgraph/persistence — LangGraph Persistence [12] https://docs.langchain.com/oss/python/concepts/products — Runtimes frameworks harnesses [13] https://docs.langchain.com/oss/python/deepagents/overview — Deep Agents overview [14] https://docs.langchain.com/oss/python/langchain/multi-agent — LangChain multi-agent [15] https://www.langchain.com/blog/langchain-langgraph-1dot0 — LangChain LangGraph 1.0 [16] https://github.com/Significant-Gravitas/AutoGPT — Significant-Gravitas/AutoGPT [17] https://agpt.co/docs/platform/what-is-autogpt-platform.md — What is AutoGPT Platform [18] https://agpt.co/docs/platform/self-hosting/getting-started.md — AutoGPT Self-Host [19] https://raw.githubusercontent.com/Significant-Gravitas/AutoGPT/master/LICENSE — AutoGPT LICENSE [20] https://raw.githubusercontent.com/Significant-Gravitas/AutoGPT/master/classic/README.md — AutoGPT Classic README [21] https://raw.githubusercontent.com/Significant-Gravitas/AutoGPT/master/classic/original_autogpt/autogpt/agents/agent.py — AutoGPT Classic Agent.py [22] https://raw.githubusercontent.com/Significant-Gravitas/AutoGPT/master/autogpt_platform/backend/backend/executor/manager.py — AutoGPT ExecutionManager [23] https://api.github.com/repos/Significant-Gravitas/AutoGPT — GitHub API AutoGPT [24] https://api.github.com/repos/langchain-ai/langchain — GitHub API LangChain [25] https://api.github.com/repos/langchain-ai/langgraph — GitHub API LangGraph [26] https://api.github.com/repos/NousResearch/hermes-agent — GitHub API Hermes [27] https://agpt.co/docs/platform/building-blocks/new_blocks.md — AutoGPT Build Blocks [28] https://www.langchain.com/blog/agent-middleware — LangChain Agent Middleware blog [30] https://raw.githubusercontent.com/NousResearch/hermes-agent/main/README.md — Hermes README