Cách biến Hermes thành chuyên viên phân tích tài chính chuẩn IB

Dĩ nhiên là mấy cái LLM nào cũng có thể nói mấy thứ thông minh về cổ phiếu. Ai chẳng làm được. Đó đâu phải việc chính.

Việc chính là cái dây cương, lớp vỏ bọc xung quanh mô hình, thứ quyết định xem chuyên viên phân tích của bạn là một bàn làm việc đáng tin cậy hay chỉ là một bộ sinh số ngẫu nhiên có ngữ pháp tốt. Bản thân mô hình là phần dễ thay thế nhất trong toàn bộ hệ thống.

Ba phần:

1. Cách chạy nó đúng cách
2. Cách đào tạo nó thành một cỗ máy tài chính (lợi thế thực sự)
3. Các kho lưu trữ và dịch vụ mở rộng nó.

Hãy đọc phần giữa hai lần.

Không phải Lời Khuyên Tài Chính. Hãy Tự Nghiên Cứu. Dự án của riêng tôi - @coldvisionXYZ

PHẦN 1: CHẠY NÓ, VÀ HIỂU NHỮNG GÌ BẠN ĐANG CHẠY

Một dòng lệnh. Nó sẽ cài đặt python, node, git, mọi thứ, vào thư mục ~/.hermes/:

1curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

Linux, macOS, WSL2, Android qua Termux (tự động phát hiện), Windows gốc (bản beta sớm, không cần WSL). Python 3.11+. Sau đó chạy hermes setup cho trình hướng dẫn, hoặc hermes model / hermes tools / hermes gateway setup theo từng phần. Chạy nó với hermes (CLI cổ điển) hoặc hermes --tui (được khuyến nghị).

Lớp trừu tượng hóa nhà cung cấp là siêu năng lực thầm lặng

Cùng một runtime điều khiển các API chat-completions, Anthropic Messages, Codex Responses, một đường dẫn ứng dụng Codex ngoài tiến trình và Bedrock.

Các định dạng gọi công cụ và các đặc thù riêng của nhà cung cấp được chuẩn hóa bởi các bộ điều hợp truyền tải, do đó ở cấp độ vòng lặp, bề mặt mô hình trông giống hệt nhau bất kể thứ gì đằng sau nó.

Điều đó có nghĩa là khả năng chuyển đổi dự phòng nhà cung cấp là có thật, và việc chuyển đổi mô hình thực sự là không cần code.

Hệ quả thực tế cho túi tiền của bạn: bạn không chỉ chạy một mô hình.

Trong mục auxiliary của file config.yaml, mọi tác vụ phụ, curator chạy, thị giác, embeddings, tạo tiêu đề, tìm kiếm phiên, trình tóm tắt nén, đều có thể gắn nhà cung cấp, mô hình, base_url và reasoning effort riêng của nó.

Vì vậy, mô hình suy luận đắt tiền của bạn sẽ không bao giờ đốt token để tóm tắt cuộc trò chuyện cũ hay đặt tên cho một phiên làm việc.

Ngoài ra còn có smart_model_routing để gửi các lượt khó đến mô hình mạnh và mọi thứ khác đến một mô hình rẻ.

Thiết lập rẻ nhất hợp lý: Nous Portal (một gói đăng ký, hơn 300 mô hình + Tool Gateway cho web/trình duyệt/hình ảnh/TTS) làm chính, một mô hình rẻ được gắn cho tất cả công việc phụ trợ, Ollama/vLLM cục bộ làm phương án dự phòng miễn phí. Nếu bạn dùng local, Ollama mặc định là ngữ cảnh 4k và âm thầm cắt bớt, hãy đặt num_ctx thành 64k+ nếu không thì agent sẽ trở nên ngốc nghếch và bạn sẽ đổ lỗi cho mô hình.

Điều bạn phải hiểu trước khi chạm vào cấu hình: prompt được định hình theo bộ nhớ đệm

Đây là bất biến mà toàn bộ hệ thống được xây dựng để bảo vệ, và nếu bạn không hiểu nó, bạn sẽ âm thầm tăng hóa đơn lên gấp 10 lần.

Hermes cấu tạo system prompt theo ba tầng:

1. stable (ổn định)
2. context (ngữ cảnh)
3. volatile (biến đổi)

Stable mang định danh (SOUL.md), hướng dẫn công cụ chỉ dành cho các công cụ đã được bật, chỉ mục kỹ năng, gợi ý môi trường. Context có nguồn gốc từ thư mục làm việc hiện tại (cwd). Volatile thay đổi theo từng lượt. Việc phân tầng này được thể hiện rõ ràng trong code vì một lý do duy nhất: tính hợp lệ của bộ nhớ đệm tiền tố prompt (prompt-prefix cache). Các nhà cung cấp lưu vào bộ nhớ đệm tiền tố của prompt bạn và tính phí token đã lưu trong bộ nhớ đệm với giá rẻ hơn. Mỗi lần tầng stable thay đổi, bạn sẽ phá vỡ bộ nhớ đệm đó và phải trả toàn bộ chi phí cho mọi thứ.

Vì vậy, Hermes coi việc thay đổi ngữ cảnh gần như là thiêng liêng. Từ các quy tắc kỹ thuật của chính agent: thời điểm duy nhất nó cố tình thay đổi ngữ cảnh là trong quá trình nén. Các lệnh gạch chéo (/) làm thay đổi trạng thái system prompt (cài đặt kỹ năng, bật/tắt công cụ) mặc định là vô hiệu hóa trì hoãn, thay đổi sẽ có hiệu lực trong phiên tiếp theo, với cờ --now chọn tham gia khi bạn thực sự cần nó hoạt động ngay lập tức. /skills install --now là mẫu chuẩn "Tôi chấp nhận việc phá vỡ bộ nhớ đệm".

Tại sao bạn với tư cách là một nhà phân tích lại quan tâm: mọi kỹ năng bạn bật và mọi công cụ bạn bật đều nằm trong tầng stable đó và tiêu tốn token tiền tố cho mọi lần gọi. Một agent phình to với 60 công cụ được bật đang phải trả tiền cho tất cả 60 mô tả đó trong mọi lượt mãi mãi. Bộ công cụ tinh gọn và kỹ năng theo yêu cầu không chỉ là sự gọn gàng, mà chúng chính là mô hình chi phí.

Nén là dòng dõi, không phải cắt bỏ

Khi ngữ cảnh đầy, các agent ngây thơ sẽ bỏ các lượt cũ và bị mất trí nhớ.

Hermes chạy hai lớp nén độc lập:

1. một lưới an toàn "vệ sinh phiên" ở cổng vào, kích hoạt ở khoảng 85% ngữ cảnh dựa trên ước tính sơ bộ trước khi agent chạy
2. lớp thực sự, ContextCompressor trong vòng lặp, kích hoạt ở khoảng 50% sử dụng số lượng token chính xác do API báo cáo.

Nó tóm tắt các lượt ở giữa thành một tin nhắn mới thay vì xóa chúng, và các phiên làm việc theo dõi dòng dõi cha-con cho mọi lần phân tách nén. Bản tóm tắt trở thành một phần của bản ghi; bản gốc được giữ lại trong dòng dõi

Việc mất mát dữ liệu là ổn, nếu không mất mát thì sẽ dẫn đến hết bộ nhớ (OOM).

Các phiên làm việc là cơ sở hạ tầng, không chỉ là bản ghi.

Chúng mang theo các thẻ nguồn và siêu dữ liệu định tuyến, và có một công cụ tìm kiếm phiên dành cho mô hình (session_search) cùng một chỉ mục FTS5 SQLite trên mọi lượt trong quá khứ. Agent của bạn có thể nhớ lại "tôi đã kết luận gì về COIN ba tuần trước" ngay trong quá trình suy luận, không phải vì bạn nhồi nhét nó vào ngữ cảnh, mà vì nó có thể truy vấn lịch sử của chính nó khi cần.

Nó chạy ở đâu

Sáu backend terminal:

1. local
2. Docker
3. SSH
4. Singularity
5. Modal
6. Daytona

Modal và Daytona là serverless, môi trường ngủ đông khi không hoạt động và thức dậy theo yêu cầu, tốn rất ít chi phí giữa các lần chạy.

Một VPS 5 đô la hoặc một hộp serverless ngủ đông là thứ "5 đô la" thực sự. Kết nối cổng vào (gateway) và cùng một agent có thể chạy trên hơn 20 nền tảng (Telegram, Discord, Slack, Signal, …) với định tuyến phiên thống nhất, vì vậy bạn có thể nói chuyện với nó từ điện thoại trong khi nó làm việc trên hộp đám mây.

Các phiên làm việc tồn tại sau khi khởi động lại nhờ SQLite ở chế độ WAL với một lớp thử lại tùy chỉnh để xử lý xung đột ghi đa tiến trình, do đó các tác vụ cron và công việc gateway không làm hỏng lẫn nhau.

PHẦN 2 - ĐÀO TẠO NÓ THÀNH MỘT CỖ MÁY TÀI CHÍNH

Một agent đơn thuần là một thực tập sinh xuất sắc nhưng không được đào tạo trong lĩnh vực cụ thể và không có kỷ luật phán đoán. Bạn thực sự đào tạo nó qua bốn kênh: bản sắc (identity), kịch bản (playbooks), bộ nhớ (memory) và tiêu chuẩn (standards). Sau đó, nó tự đào tạo, và công việc thực sự của bạn trở thành quản lý và tuyển chọn.

2a. Bản sắc - SOUL.md là vị trí số 1

SOUL.md thực sự là thứ đầu tiên trong system prompt, trước các công cụ, trước các kỹ năng, trước mọi thứ. Nó là lớp tính cách và giá trị.

Đối với một nhà phân tích tài chính, đây là nơi bạn thiết lập tính khí nhận thức luận, chứ không phải là những thứ trang trí tính cách rườm rà.

Những thứ như: "Bạn là một nhà phân tích bên mua đầy hoài nghi. Bạn không tin vào những con số tròn trịa và các câu chuyện. Bạn không bao giờ đưa ra một con số mà bạn không tự lấy từ một công cụ trong phiên làm việc này. Bạn thà nói 'không đủ dữ liệu' còn hơn là phỏng đoán. Bạn coi các kết luận trước đây của chính mình như những xác suất tiên nghiệm cần được cập nhật."

Điều đó nằm trong tầng bộ nhớ đệm ổn định và tô điểm cho mọi lượt mà không mất phí. Hầu hết mọi người để SOUL.md ở mặc định. Đối với một nhà phân tích, đây là 1.500 ký tự mang lại hiệu quả cao nhất của bạn.

2b. Kịch bản - kỹ năng, và tại sao mô tả là kỹ thuật thực sự

Một kỹ năng là một file SKILL.md, bao gồm tên + mô tả + quy trình, được lưu trữ trong ~/.hermes/skills/.

Chỉ các mô tả ngắn nằm trong chỉ mục kỹ năng luôn được tải.

Toàn bộ quy trình được tải theo yêu cầu khi một nhiệm vụ phù hợp. Vì vậy, thư viện kỹ năng của bạn có thể rất lớn mà không làm phình to phần tiền tố.

Điều đó có nghĩa là mô tả là nơi kỹ năng thành công hay thất bại.

Nó là một bộ định tuyến. Nếu mô tả mơ hồ, agent sẽ không bao giờ tải kỹ năng khi đáng lẽ phải tải, hoặc tải nó khi không nên. Hãy viết mô tả như các điều kiện kích hoạt, không phải bản tóm tắt.

"Sử dụng khi người dùng nêu tên một cổ phiếu niêm yết tại Mỹ và muốn có một bản đọc về cơ bản (fundamental)" tốt hơn là "phân tích cổ phiếu."

Một kỹ năng phân tích thực tế, hãy lưu ý các tiêu chuẩn từ phần 2d được đưa thẳng vào quy trình:

1---
2name: equity-snapshot
3description: Sử dụng khi người dùng nêu tên một ticker niêm yết tại Mỹ và muốn có một bản đọc về cơ bản + giá với các cờ rủi ro.
4---
5
6# Equity Snapshot
7
81. Tra cứu ticker -> CIK qua bản đồ company_tickers của SEC. KHÔNG BAO GIỜ đoán ticker.
92. Lấy 10-K/10-Q mới nhất (doanh thu, nợ, FCF) qua EDGAR. Ghi lại số hiệu accession.
103. KHÔNG BAO GIỜ tự tính toán các tỷ lệ. Gọi công cụ `calc` để tính P/E, biên lợi nhuận, YoY.
114. Kiểm tra chéo doanh thu qua hai nguồn. Nếu chúng không khớp, HÃY BÁO CÁO khoảng cách chênh lệch, không chọn một cái.
125. Đầu ra: luận điểm (thesis) (2 dòng), 3 chất xúc tác, 3 rủi ro, đánh giá định giá, độ tin cậy 0-1,
13   và "một điểm dữ liệu nào sẽ làm thay đổi điều này." Nếu dữ liệu mỏng, trả về "pass" (bỏ qua).

Các kỹ năng hỗ trợ bật/tắt theo từng nền tảng, kích hoạt có điều kiện dựa trên sự sẵn có của công cụ và xác thực điều kiện tiên quyết, do đó một kỹ năng có thể khai báo "chỉ khả dụng nếu công cụ EDGAR có mặt."

Định dạng này là tiêu chuẩn mở agentskills.io, do đó những gì bạn viết có thể chuyển được sang các agent tương thích khác.

2c. Vòng lặp tự cải thiện và bảo trì

Agent tự viết các kỹ năng của riêng nó.

Sau khi giải quyết một vấn đề thông qua thử và sai (thường là một tác vụ với vài lần gọi công cụ), nó lưu cách tiếp cận đã hiệu quả thành một file SKILL.md trong thư mục agent_created/.

Công cụ quản lý kỹ năng có sáu hành động và hành động bạn cần biết là patch: một bản sửa lỗi có mục tiêu, được ưa chuộng hơn các bản viết lại toàn bộ (edit) vì nó tiết kiệm token.

Agent thực sự tinh chỉnh các kịch bản của chính nó ngay tại chỗ trong quá trình sử dụng.

Nếu không bảo trì, các kỹ năng tự động sẽ di căn.

Bạn sẽ có hàng tá kịch bản hẹp, chồng chéo, đốt token tiền tố và làm ô nhiễm bộ định tuyến.

Curator xử lý việc này, và cơ chế của nó đáng để biết. Nó không phải là một daemon cron, nó chạy dựa trên kiểm tra không hoạt động: khi khoảng 7 ngày trôi qua kể từ lần chạy cuối cùng và agent đã không hoạt động hơn 2 giờ, một tiến trình con nền sẽ khởi động với bộ nhớ đệm prompt riêng của nó, không bao giờ chạm vào cuộc trò chuyện đang hoạt động, và chạy một vòng lặp đánh giá LLM, tự động lưu trữ các kỹ năng cũ (vào .archive/, có thể phục hồi, không có gì bị mất).

Cấu hình nằm dưới mục curator trong config.yaml: interval_hours, min_idle_hours, stale_after_days, archive_after_days.

Hãy coi các kỹ năng tự động như bản nháp của thực tập sinh. Dùng hermes curator review để xem xét chúng, ghim những cái thực sự tốt để chúng tồn tại, để phần còn lại bị lưu trữ. Việc quản lý vòng lặp này chính là quá trình đào tạo.

Một agent không được quản lý sẽ trở nên tồi tệ hơn theo thời gian, chứ không phải tốt hơn.

2d. Tiêu chuẩn - kỷ luật, được xếp hạng theo mức độ tiết kiệm cho bạn

Đây là những quy tắc bạn đưa vào SOUL.md và mọi SKILL.md. Theo thứ tự tác động.

1. Cấm tính toán số học. LLM dự đoán token. Đây là nguồn số một của các con số sai một cách tự tin. Việc triển khai sạch sẽ sử dụng execute_code (được đề cập trong phần 2e) để một tập lệnh xác định thực hiện phép tính và mô hình chỉ quyết định đầu vào và diễn giải đầu ra.

Một DCF mà mô hình "ước tính" là hư cấu; một DCF do tập lệnh tính toán và mô hình kiểm tra sức chịu đựng mới là sản phẩm.

2. Kèm bằng chứng cho mọi con số. Mọi con số đều được trả về kèm theo nguồn và ngày tháng, không bao giờ trần trụi. Trình kết xuất (renderer) sẽ loại bỏ bất cứ thứ gì không có bằng chứng.

Lợi ích mang tính đối kháng: khi hai nguồn không đồng ý, sự bất đồng chính là tín hiệu.

3. Chỉ dữ liệu tại thời điểm. Sai lệch nhìn về phía trước (look-ahead bias) là kẻ giết người thầm lặng của mọi backtest và mọi ảnh chụp màn hình kiểu "nó đã dự đoán đúng". API mặc định phục vụ dữ liệu hiện tại đã được điều chỉnh lại (restated).

Hãy gắn thẻ ngày tháng cho các dữ kiện và giới hạn agent chỉ sử dụng những gì có thể biết được tại thời điểm ra quyết định.

4. Xây dựng theo hướng đối kháng. Một subagent xây dựng luận điểm tăng giá (long case), một subagent thứ hai được lệnh phản bác nó, một subagent thứ ba dung hòa với một mức độ tin cậy đã nêu. Giá trị nằm hoàn toàn ở các mục tiêu thực sự đối lập, chứ không phải ở số lượng agent.

Các mô hình trung lập rất quan trọng ở đây vì chúng sẽ tranh luận mạnh mẽ cho luận điểm giảm giá (bear case) thay vì làm nó nhạt nhẽo.

5. Được phép không đưa ra quyết định. Buộc phải trả lời "một điểm dữ liệu nào sẽ làm thay đổi điều này" trong mọi lần gọi.

Nếu đó là dữ liệu mà agent không có, câu trả lời là không có vị thế (no position).

2e. Động thái nâng cao: gọi công cụ theo chương trình giúp sập các pipeline với chi phí ngữ cảnh bằng không

Đây là tính năng mà một khi bạn hiểu, nó sẽ thay đổi cách bạn xây dựng mọi quy trình làm việc của nhà phân tích.

Thông thường, một pipeline nhiều bước đốt một lượt LLM cho mỗi bước: "Tôi sẽ tìm kiếm… bây giờ tôi sẽ đọc… bây giờ tôi sẽ tóm tắt… bây giờ tôi sẽ viết."

Mỗi bước máy móc đều tốn token suy luận và làm ô nhiễm ngữ cảnh với những thứ rác rưởi trung gian.

execute_code loại bỏ điều đó

Agent viết một tập lệnh Python gọi các công cụ của riêng Hermes qua một RPC socket miền Unix (Unix-domain-socket RPC). Tập lệnh chạy trong một tiến trình con; các lời gọi công cụ đi qua socket trở lại tiến trình cha và được phân phối thông qua cùng một trình xử lý như các lời gọi công cụ thông thường.

Quan trọng: chỉ đầu ra print() của tập lệnh mới được trả về mô hình. Các kết quả công cụ trung gian không bao giờ đi vào cửa sổ ngữ cảnh.

1# agent viết cái này MỘT LẦN; mô hình chỉ tham gia tại điểm ra quyết định
2from hermes_tools import edgar_fetch, market_price, calc
3
4tickers = ["TSLA", "NVDA", "COIN"]
5rows = []
6for t in tickers:
7    f = edgar_fetch(t, form="10-Q")          # gọi công cụ qua RPC
8    px = market_price(t)                      # gọi công cụ qua RPC
9    pe = calc("pe", price=px["last"], eps=f["eps"])  # toán xác định, không phải LLM
10    rows.append({"ticker": t, "pe": pe, "src": f["accession"], "as_of": f["period_end"]})
11
12print(rows)   # CHỈ cái này đi vào cửa sổ ngữ cảnh

Đối với một nhà phân tích tài chính, điều này là vô cùng to lớn.

Một lượt quét buổi sáng qua 20 ticker với ba lần gọi công cụ mỗi cái là 60 lần gọi công cụ mà nếu làm theo cách thông thường sẽ làm nổ tung ngữ cảnh và ngân sách token của bạn.

Dưới dạng một tập lệnh, nó chỉ là một lượt, một bảng in sạch sẽ, phép tính được thực hiện xác định ngay trong dòng lệnh. Bạn gấp toàn bộ pipeline thành một lần suy luận duy nhất và mô hình chỉ suy nghĩ tại những điểm thực sự cần phán đoán. Hãy xây dựng các quy trình làm việc phân tích định kỳ của bạn dưới dạng các tập lệnh execute_code được bọc trong các kỹ năng. (Chỉ dành cho Linux/macOS, nó yêu cầu Unix domain sockets.)

2f. Bộ nhớ - sự kiện (facts) so với mô hình người dùng (user-model)

Bộ nhớ của Hermes gồm ba cơ chế trực giao (cách phân loại "3 lớp" là một sự đơn giản hóa cho việc giảng dạy, trong code chúng độc lập):

• MEMORY.md - các sự kiện bền vững. Giới hạn ~2.200 ký tự.
• USER.md - mô hình về bạn. Giới hạn ~1.375 ký tự.
• SessionDB - SQLite, WAL, FTS5 trên mọi lượt trong quá khứ, được truy vấn qua session_search.

Một MemoryStore đọc MEMORY.md và USER.md một lần khi bắt đầu phiên và nhúng chúng như một khối bất biến duy nhất trong system prompt.

Agent có thể ghi vào các tệp đó giữa phiên và các lần ghi sẽ được lưu vào đĩa, nhưng bản sao trong prompt sẽ không thay đổi cho đến phiên tiếp theo, bởi vì thay đổi nó sẽ phá vỡ bộ nhớ đệm tiền tố (cùng một bất biến như mọi nơi khác).

Thêm 8 nhà cung cấp bên ngoài tùy chọn (mô hình hóa người dùng biện chứng của Honcho, Mem0, Hindsight, Supermemory…), chọn một, hermes memory setup.

Các giới hạn ký tự là một tính năng. Chúng buộc bạn phải giữ USER.md như một cơ sở hạ tầng tín hiệu cao, chứ không phải là một bãi chứa.

Đối với một nhà phân tích, USER.md là nhiệm vụ của bạn: khả năng chấp nhận rủi ro, tầm nhìn, các chỉ số bạn thực sự hành động, định dạng đầu ra.

MEMORY.md dành cho các sự kiện bền vững mà agent đã thu thập được ("Doanh thu của COIN khớp với 10-K sạch hơn là với FMP").

SessionDB là người ghi điểm của bạn, lưu trữ mọi lần gọi, chấm điểm so với kết quả, và agent cập nhật các xác suất tiên nghiệm trong khi bạn học được khả năng hiệu chuẩn của nó, nó chính xác ở đâu và nó lạc quan kinh niên ở đâu. Bản đồ hiệu chuẩn đó là alpha mà không nhà bán lẻ nào chịu thu thập.

2g. Khi prompt là không đủ: GAPA, sau đó là RL

Trước khi bạn nghĩ đến fine-tuning: Hermes có GAPA, công cụ tối ưu hóa prompt có hệ thống cho SOUL.md, hướng dẫn kỹ năng và system prompt của bạn, thay vì phải mày mò thử và sai thủ công.

Hãy thử nó khi hiệu suất chững lại.

Ngoài ra, Hermes thực hiện tạo quỹ đạo hàng loạt (batch trajectory generation) và xuất các dấu vết định dạng ShareGPT cho SFT, và có một đường dẫn RL (Atropos) để thực sự fine-tune hành vi gọi công cụ trên các quỹ đạo của riêng bạn. Đây là giới hạn thực sự của "đào tạo nó", nó kết thúc bằng việc huấn luyện một mô hình về cách nhà phân tích của bạn làm việc.

PHẦN 3 - MỞ RỘNG NÓ: KHO LƯU TRỮ, MCP, DỊCH VỤ

MCP: tách biệt đăng ký khỏi hiển thị

Thêm máy chủ qua CLI hoặc config.yaml; agent liệt kê các công cụ của chúng khi khởi động và đăng ký chúng cùng với các công cụ tích hợp sẵn. Kỷ luật chính, phản ánh logic bộ nhớ đệm ở trên: sử dụng danh sách trắng với tools.include để bạn chỉ hiển thị những gì bạn cần, bởi vì mọi công cụ được hiển thị đều tốn token tiền tố và mở rộng bề mặt tấn công của bạn.

1hermes mcp add github --command npx --args "-y,@modelcontextprotocol/server-github"
2hermes mcp configure github   # bật/tắt từng công cụ

1mcp_servers:
2  filesystem:
3    command: npx
4    args: ["-y", "@modelcontextprotocol/server-filesystem", "/home/you/research"]
5    tools: { include: [read_file, list_directory] }   # chỉ đọc, không ghi

/reload-mcp để áp dụng.

Composio MCP là mã gian lận, một máy chủ, hàng trăm kết nối SaaS; mọi người xây dựng các agent tài chính trên Hermes để lấy dữ liệu thị trường và viết báo cáo lên Google Docs hoàn toàn thông qua nó. Và hermes mcp serve chạy Hermes như một máy chủ MCP, hiển thị lịch sử phiên của nó để Claude Desktop hoặc Cursor có thể truy vấn những gì nhà phân tích của bạn đã tìm thấy, agent trở thành một cơ sở kiến thức mà các công cụ khác của bạn đọc.

Các vòi dữ liệu (xếp hạng: xương sống so với trang trí)

Xương sống Crypto:

DefiLlama

(miễn phí, không cần khóa, không giới hạn tỷ lệ thực sự, TVL/phí/lợi suất/giá, một nửa các bảng điều khiển trả phí là bản sao chép giao diện)

+ Helius

(vua Solana, phân tích giao dịch nâng cao biến byte-soup thành các swap có thể đọc được).

Trang trí:

Birdeye (OHLCV+websocket), Jupiter (định tuyến/báo giá), Dune+Flipside (SQL trên chuỗi), Bitquery (GraphQL đa chuỗi), Nansen/Arkham (nhãn, trả phí).

Xương sống TradFi:

FRED

(St Louis Fed, dữ liệu vĩ mô miễn phí tín hiệu cao nhất, dữ liệu mà các bàn giao dịch thực sự theo dõi)

+ edgartools

(MIT, không cần khóa, dữ liệu tài chính có kiểu từ các 10-K kèm số hiệu accession).

Trang trí:

Finnhub (gói miễn phí tốt nhất), FMP (các tỷ lệ được tính toán sẵn), Polygon/Tiingo (lịch sử sạch sẽ), yfinance (băng keo, hỏng ngầm), GDELT (sự kiện tin tức toàn cầu).

Cạm bẫy: các gói miễn phí rất hạn chế (Alpha Vantage ~2 chục lần gọi/ngày). Bạn sẽ nghĩ code của mình bị hỏng. Hãy lưu vào bộ nhớ đệm mọi thứ, và sử dụng nhóm thông tin đăng nhập (credential pools) (config.yaml) để tự động luân chuyển qua nhiều khóa và vượt qua giới hạn tỷ lệ.

Các kho lưu trữ đáng để bạn dành thời gian

• NousResearch/hermes-agent

Đọc tài liệu hướng dẫn dành cho nhà phát triển: kiến trúc, vòng lặp agent, nén và lưu vào bộ nhớ đệm ngữ cảnh. DeepWiki và các bản sao mudrii/hermes-agent-docs rất tốt cho các chi tiết nội bộ.

• 0xNyk/awesome-hermes-agent

Các kỹ năng, công cụ, máy chủ MCP, tích hợp đã được tuyển chọn. Bắt đầu từ đây. Trung tâm kỹ năng: Hub chính thức (680+ kỹ năng, 18 danh mục), skills.sh, ClawHub.

• OpenBB-finance/OpenBB

Bloomberg mã nguồn mở cung cấp máy chủ MCP, do đó nó cắm thẳng vào Hermes và cung cấp cho agent một bề mặt dữ liệu thị trường + phân tích rộng lớn thông qua một giao diện duy nhất. Phần bổ sung có đòn bẩy cao nhất.

• polakowo/vectorbt

Backtesting nhanh Numba, hàng ngàn biến thể trong vài giây. Bọc nó trong một kỹ năng để agent kiểm tra mọi giả thuyết trước khi bạn tin tưởng nó.

• TauricResearch/TradingAgents (+ auronsun/TradingAgents-crypto)

Mô phỏng công ty giao dịch đa agent. Đọc nó để hiểu cấu trúc, sau đó xây dựng phiên bản subagent bull/bear tinh gọn hơn mà bạn hiểu. microsoft/qlib và nautechsystems/nautilus_trader cho các chiến lược có hệ thống thực sự. wilsonfreitas/awesome-quant làm bản đồ thư viện.