Hermes全模态工作流 | 低成本跑通

title: " Hermes全模态工作流 | 低成本跑通" category: 人工智能 tags:

大模型API中转站
Hermes
4SAPI
多模态
AI Agent
图片生成
视频生成 description: "把 Hermes Agent 的模型入口切到 4SAPI，用低成本方式跑通文本 Agent、图片生成、视频生成和批量内容生产。重点不是免费白嫖，而是统一 Base URL、统一 Key、统一日志和预算，把全模态工作流管起来。"

这篇先把标题里的话说实一点：

text

不要再写“零成本全模态”。
更准确的说法是：低成本、可控预算、可复用配置。

免费 API 听起来很爽，但长期用来跑 Agent、图片生成、视频生成和批量任务，最怕三个问题：

text

今天能用，明天限额。
单个模型能跑，但能力不全。
没有日志和预算，出了问题不知道钱花在哪。

所以这篇换一个更适合长期使用的方案：

text

Hermes Agent 负责执行工作流。
4SAPI 负责统一模型入口、Key、模型选择、日志和成本。

核心思路一句话：

text

让 Hermes 通过 OpenAI-compatible 方式接入 4SAPI，把文本、图片、视频等模型能力统一收到一个低成本模型网关里。

这样你不用在 Hermes 里到处散填不同平台的 Key，也不用每次换模型都重写一套 Skill。模型能力在 4SAPI 侧管理，Hermes 只管调用和编排。

1. 准备工作：两个东西就够

先准备两个东西：

工具	用途
Hermes Agent	本地 Agent 执行入口，负责对话、工具、Skill 和任务编排
4SAPI	大模型 API 中转站，负责统一 API Key、Base URL、模型路由和成本记录

这篇不讨论任何违规代理用途，只讲合法合规的模型聚合、接口适配、成本管理和本地 Agent 工作流。

1.1 部署 Hermes Agent

项目地址：

text

https://github.com/NousResearch/hermes-agent

Windows 用户建议用 WSL。原因很简单：Hermes 这类 Agent 工具经常要读写文件、跑命令、创建 Skill、调用本地脚本。放在类 Linux 环境里，路径、权限和依赖排查会少很多麻烦。

最小检查：

bash

hermes --version
hermes --help

如果你已经装过 Hermes Desktop 或 Gateway，也要分清楚：

组件	作用
Hermes Agent / CLI	本地执行和配置入口
Hermes Desktop GUI	桌面聊天界面
Gateway	飞书、Telegram、Discord 等平台消息入口
`~/.hermes/`	本地配置、会话、状态和环境变量

这篇重点讲 Agent 和模型配置。

1.2 注册 4SAPI 并创建专用 Key

4SAPI 接入地址通常按 OpenAI 兼容方式填写：

text

Base URL: https://4sapi.com/v1
API Key: 4SAPI 工作台创建的令牌
Model: 从 4SAPI 模型广场复制完整模型名

建议不要拿主业务 Key 直接填进 Hermes。

单独创建一个：

text

hermes-agent-dev

或者按用途拆成几把 Key：

text

hermes-text-agent
hermes-image-gen
hermes-video-gen
hermes-batch-task

个人使用可以先一把 Key 跑通。团队使用建议从一开始就拆用途，后面查日志和控预算会轻松很多。

2. 先配文本 Agent：让 Hermes 走 4SAPI

先不要急着做图片和视频。

第一步只验证文本模型能不能跑。

在终端执行：

bash

hermes model

配置时按这个思路填：

text

Provider 类型：Custom / Direct API
API Base URL：https://4sapi.com/v1
API Key：4SAPI 后台创建的专用令牌
API 格式：OpenAI-compatible / chat 格式
Model：从 4SAPI 模型广场复制一个文本或 Agent 模型

不同版本的 Hermes 菜单文案可能不一样。有的叫 custom direct API，有的叫 OpenAI compatible，有的会让你选 chat 格式。不要纠结名字，抓住三件事：

text

base_url = https://4sapi.com/v1
api_key = 你的 4SAPI Key
model = 4SAPI 模型广场里的完整模型名

第一次建议选低成本、响应快、稳定的模型。

不要上来就选最贵模型。

文本 Agent 的第一轮目标不是“能力拉满”，而是确认：

text

1. Hermes 能连到 4SAPI。
2. Key 能鉴权。
3. 模型名能识别。
4. 普通对话能返回。
5. 日志里能看到调用记录。

启动 Hermes：

bash

hermes

发一个低风险测试：

text

请用一句话回复：当前 Hermes 已经接入 4SAPI。

如果能正常回复，说明文本通道跑通。

如果不通，优先查四件事：

问题	排查
401 / 鉴权失败	Key 是否复制完整，是否多填了 `Bearer`
404 / 模型不存在	模型名是否从 4SAPI 模型广场完整复制
URL 错误	`https://4sapi.com` 和 `https://4sapi.com/v1` 是否被工具重复拼接
协议不匹配	Hermes 当前选择的是 OpenAI chat 还是 Anthropic messages

3. 模型不要只选一个，按任务分层

全模态工作流最容易犯的错，是把所有任务都塞给一个模型。

文本、Agent、图片、视频、结构化输出，本来就不是同一类任务。

建议在 4SAPI 侧先按用途分层：

层级	适合任务	选择原则
快速文本档	日常问答、摘要、标题、轻量改写	低成本、响应快
Agent 主力档	Hermes 规划任务、写脚本、创建 Skill	稳定、工具调用理解好
推理档	复杂流程、代码排错、架构判断	能力优先，低频使用
图片档	封面、插图、绘本、分镜图	看风格稳定性和单张成本
视频档	短视频片段、动效测试、分镜验证	先小样，再终稿

Hermes 里可以先配一个主力文本模型。

图片和视频不要强行塞到同一个 chat 模型里，而是通过 Skill 调 4SAPI 的对应接口或对应模型。

一句话：

text

Hermes 是工作流入口，4SAPI 是模型调度层。

4. 自制图片生成 Skill：不要硬编码 Key

原来的玩法是让 Hermes 学某个平台的图片 API 文档，然后自己写 Skill。

现在换成 4SAPI，也可以这么做，只是要改两个关键点：

text

1. API 入口统一指向 4SAPI。
2. API Key 从环境变量读取，不要硬编码进 Skill。

可以先让 Hermes 读取 4SAPI 文档或你自己的接入说明：

text

请阅读 4SAPI 的接入文档，重点学习图片生成相关接口。
目标：写一个 Hermes Skill，用 4SAPI 调用图片生成模型。
要求：API Key 从环境变量 4SAPI_API_KEY 读取，不要写死。

然后让它创建 Skill：

text

请帮我创建一个 Hermes Skill：
名称：generate_image_4sapi
用途：调用 4SAPI 的图片生成模型生成图片。

要求：
1. 从环境变量 4SAPI_API_KEY 读取 Key。
2. base_url 使用 https://4sapi.com/v1。
3. 模型名做成参数，默认使用我稍后在 4SAPI 模型广场复制的图片模型。
4. 输入包括 prompt、size、style、output_path。
5. 保存生成结果到本地 images/ 目录。
6. 失败时输出错误码和排查建议，不要吞掉错误。

注意这里不要写：

text

API key 可以先硬编码，后面我自己替换。

这句话很危险。

一旦 Skill 被提交到仓库、同步到云盘、发给别人，Key 就可能泄露。

更稳的做法是：

bash

export 4SAPI_API_KEY="sk-xxxxxxxxxxxxxxxx"

或者放到本地 .env，并确保 .env 不提交到 Git。

Skill 生成后，先测一张小图：

text

调用 generate_image_4sapi，生成一张 16:9 技术博客封面草图。
主题：Hermes Agent 通过 4SAPI 统一调用文本、图片、视频模型。
风格：米白底、黑色线稿、少量金棕色点缀、极简。

第一张图只验证链路，不追求完美。

5. 视频生成也可以做 Skill，但要先限预算

视频比图片更容易烧成本。

所以视频 Skill 不建议一上来就开放给 Hermes 随便调用。

先做成“受控工具”：

text

一次只生成 3-5 秒。
默认低分辨率。
默认不批量。
每次调用前让 Hermes 先输出分镜和预算预估。

可以给 Hermes 这样的指令：

text

请创建一个 Hermes Skill：
名称：generate_video_4sapi
用途：调用 4SAPI 的视频生成模型，生成短视频片段。

要求：
1. API Key 从环境变量 4SAPI_API_KEY 读取。
2. base_url 使用 https://4sapi.com/v1。
3. 模型名作为参数，不硬编码。
4. 默认时长不超过 5 秒。
5. 默认分辨率使用低成本预览档。
6. 每次调用前输出：prompt、模型、时长、分辨率、预计用途。
7. 批量生成必须先询问用户确认。
8. 输出文件保存到 video/ 目录。

视频生成建议采用两段式：

text

先用文本模型写分镜
  -> 人确认
  -> 低成本视频模型出小样
  -> 人选定
  -> 再生成终稿

不要直接让 Hermes：

text

帮我生成 20 段视频素材。

这类任务一旦跑起来，账单会比文本 Agent 快很多。

6. 批量生图做绘本：可以跑，但要先做风格锁定

原稿里提到的“让 Hermes 写 HTML 儿童绘本《龟兔赛跑》，再批量生成插图”，这个方向可以保留。

但要换成低成本可控版。

不要一上来生成 1 张封面 + 8 张场景图。

先让 Hermes 做三步：

text

1. 写故事分镜。
2. 做风格规范。
3. 先生成 1 张封面 + 1 张场景样图。

指令可以这样写：

text

请帮我制作一个 HTML 儿童绘本《龟兔赛跑》的生成计划。

要求：
1. 先输出 8 个场景分镜，不要直接生成图片。
2. 统一视觉风格：可爱清新、柔和色彩、儿童绘本、角色一致。
3. 为每个场景写英文图片 prompt。
4. 先选择封面和第 1 个场景做小样。
5. 小样通过后，再批量调用 generate_image_4sapi 生成剩余图片。
6. 每次批量前先列出预计生成张数和使用的模型。

风格规范可以这样固定：

text

Character bible:
- Rabbit: small white rabbit, red scarf, energetic expression.
- Tortoise: green tortoise, round glasses, calm expression.
- Style: soft watercolor children's book, warm daylight, clean background.
- Composition: simple scene, readable emotion, no text inside image.

图片 prompt 里要反复带上角色设定。

否则批量生成时最容易出现：

text

兔子长得一张图一个样。
乌龟颜色乱变。
画风从水彩跑到 3D。
场景里出现乱码文字。

如果通过 4SAPI 调用图片模型，建议给生图单独 Key 或单独预算。这样你能看到这本绘本到底花了多少，不会和 Hermes 日常聊天混在一起。

7. 一套低成本全模态工作流可以这样设计

现在把文本、图片、视频放到一条链路里。

一个比较稳的 Hermes + 4SAPI 工作流是：

text

选题/任务
  -> Hermes 用低成本文本模型拆需求
  -> 主力模型生成执行计划
  -> 图片 Skill 生成封面或插图小样
  -> 视频 Skill 生成 3-5 秒预览片段
  -> 人工确认风格和事实
  -> 批量生成
  -> Hermes 整理 HTML / Markdown / 素材目录
  -> 人工发布

对应模型策略：

阶段	建议模型
需求拆解	快速文本档
Agent 计划	Agent 主力档
代码/HTML 生成	代码或文本主力档
图片小样	低成本图片档
图片终稿	质量更稳的图片档
视频小样	低成本视频档
视频终稿	按预算少量生成
最终检查	推理档或人工

这就是“低成本”的关键。

不是每一步都用最低价模型，而是：

text

便宜模型跑试错。
主力模型跑生产。
强模型只做关键判断。
图片和视频先小样再终稿。

8. 4SAPI 的价值不是“换个 API 地址”

把 Hermes 接到 4SAPI，表面上只是改了三项：

text

base_url
api_key
model

但真正有价值的是后面的治理。

如果你长期用 Hermes 做全模态工作流，至少要管 6 件事：

治理项	为什么重要
Key 分用途	文本、图片、视频消耗差异很大
模型分层	不同任务不该都用同一个模型
预算限额	防止 Agent 批量任务跑飞
调用日志	知道钱花在哪一步
敏感数据边界	不把密钥、合同、隐私资料交给不该用的模型
人工审批	图片、视频和发布动作必须人确认

尤其是 Hermes 这种 Agent 工具，一旦让它拥有文件读写、联网、脚本执行、Skill 调用能力，就不要只把它当聊天框。

它更像一个会干活的本地助手。

会干活，就要有边界。

9. 常见坑：从免费 API 迁到 4SAPI 时别踩

坑一：继续写“零成本”

不建议。

图片和视频只要跑起来，就一定要谈成本。

正确口径是：

text

低成本、可控预算、按需选择模型。

这比“免费随便用”更稳，也更可信。

坑二：把 Key 写进 Skill

不要硬编码。

统一用环境变量：

bash

export 4SAPI_API_KEY="sk-xxxxxxxxxxxxxxxx"

或者用本地 .env。

坑三：模型名手打

不要凭记忆写模型名。

去 4SAPI 模型广场复制完整名称。模型名多一个空格、少一个版本号，都可能报错。

坑四：文本、图片、视频共用一把无限额 Key

个人测试可以临时这么做。

长期不建议。

至少把视频生成单独拆出来，因为它的成本和失败重试都更敏感。

坑五：让 Hermes 自动批量生成，不让人确认

批量生图、批量视频、批量发布，都要先停下来让人确认。

Agent 可以执行，不能替你拍板。

10. 一个最小可用配置清单

你可以按这个顺序跑：

text

1. 安装 Hermes Agent。
2. 在 4SAPI 创建 hermes-agent-dev Key。
3. 执行 hermes model。
4. Provider 选择 Custom / OpenAI-compatible。
5. Base URL 填 https://4sapi.com/v1。
6. API Key 填 4SAPI 专用令牌。
7. Model 从 4SAPI 模型广场复制。
8. 启动 hermes，测试普通对话。
9. 创建 generate_image_4sapi Skill。
10. 用环境变量保存 4SAPI_API_KEY。
11. 先生成 1 张小样。
12. 再考虑批量图片和视频。

如果你还要接飞书、Telegram 或 Discord，让 Gateway 复用同一个 4SAPI provider 即可。前面第 23、24 期已经讲过 Hermes GUI、Gateway、~/.hermes/ 和 provider 路由，不要把桌面窗口和后台网关混在一起。

总结：低成本不是白嫖，而是把试错成本管住

这套 Hermes + 4SAPI 的方案，最值得保留的不是“某个免费模型真香”。

免费额度会变，模型会上下架，接口也会调整。

真正能长期复用的是这套结构：

text

Hermes 负责执行。
Skill 负责封装能力。
4SAPI 负责统一模型入口。
Key 和预算按用途拆。
图片和视频先小样再终稿。
发布前人工拍板。

这样配置以后，你确实可以用相对低的成本，把文本 Agent、图片生成、视频生成、HTML 内容生产、批量素材整理串成一条全模态工作流。

它不一定每一步都超过一线模型。

但它足够实用，足够可控，也更适合长期跑。

工具帮你省时间。

4SAPI 帮你看住模型入口和成本。

最后省下来的时间花在哪里，才是你和别人真正拉开差距的地方。

参考资料

Hermes Agent GitHub：https://github.com/NousResearch/hermes-agent
4SAPI 接入文档：https://4sapi.apifox.cn/
4SAPI 接入地址：https://4sapi.com/v1

Hermes全模态工作流 | 低成本跑通

1. 准备工作：两个东西就够

1.1 部署 Hermes Agent

1.2 注册 4SAPI 并创建专用 Key

2. 先配文本 Agent：让 Hermes 走 4SAPI

3. 模型不要只选一个，按任务分层

4. 自制图片生成 Skill：不要硬编码 Key

5. 视频生成也可以做 Skill，但要先限预算

6. 批量生图做绘本：可以跑，但要先做风格锁定

7. 一套低成本全模态工作流可以这样设计

8. 4SAPI 的价值不是“换个 API 地址”

9. 常见坑：从免费 API 迁到 4SAPI 时别踩

坑一：继续写“零成本”

坑二：把 Key 写进 Skill

坑三：模型名手打

坑四：文本、图片、视频共用一把无限额 Key

坑五：让 Hermes 自动批量生成，不让人确认

10. 一个最小可用配置清单

总结：低成本不是白嫖，而是把试错成本管住

参考资料

推荐阅读

Bedrock 流式 500 如何定位区域与请求问题

Pi Agent Harness 的模型、工具与上下文如何协作

Claude Code 审批弹窗与 AutoMode 异常如何排查

AI 编程如何把需求澄清、TDD 与 Bug 诊断串成闭环