企业官网建设流程全解析

1. 为什么单对话框模式撑不住多智能体协作

如果你现在用 AI 写代码还是「一个对话框来回折腾」——提需求、等回复、看不懂再追问——那你其实是在用电话客服的方式指挥一支本该并行开工的团队。Hermes Agent v0.12.0 带来的 Kanban 机制，把这件事从「串行问答」改成了「任务板 + 多智能体认领」：你往看板上贴任务卡片，researcher、coder、reviewer 各自领活、并行执行、把结果写回 SQLite，你只需要在真正需要人类拍板的地方出手。

这篇文章聚焦一个具体问题：怎么用 Hermes Agent v0.12.0 的 Kanban + SQLite + delegate_task，让一群 AI 真正替你干活，而不是卡在一个对话框里。适合已经跑通过 Hermes 基础对话、想往多智能体流水线进阶的开发者，也适合被「一个 Agent 干到一半崩了就全崩」折磨过的同学。下面我会给出可复制的config.toml骨架、TaoToken 统一 Key 配置、任务分派与状态落库的完整验证动作，以及我踩过的几个坑。

核心检索词先摆出来：Hermes Agent、Kanban、多智能体、SQLite、delegate_task。这五个词贯穿全文，你跟着做就能跑起来。

2. TaoToken 前置：统一 Key 与模型接入

Hermes Agent 的多智能体架构里，每个 profile（researcher、coder、reviewer）都要调用模型。如果每个 profile 各配一套 Key，管理成本会爆炸。我的做法是用 TaoToken 做统一入口，一个 Key 覆盖多个模型，profile 之间只改模型名不改鉴权。

TaoToken 在这里的角色是「模型调用的统一网关」：你拿到一个 API Key，配好 base_url，Hermes 的各个 profile 就能通过它调用不同模型。官网入口在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 地址是 https://taotoken.net/api （注意 API 地址不加 UTM 参数）。

操作顺序建议这样：先注册账号，进控制台创建 API Key，把 Key 存到环境变量里，再写进 Hermes 的config.toml。控制台地址 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API Keys 管理页 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。

注意：Key 不要硬编码进config.toml提交到 git。用环境变量TAOTOKEN_API_KEY注入，配置文件里写api_key_env = "TAOTOKEN_API_KEY"。

如果你还没决定用哪个模型，可以先去模型对话页试一下手感：https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。长期跑编码和 Agent 任务的话，Coding Plan 更划算：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。

3. 可复制配置：config.toml 骨架与 Kanban 参数

Hermes Agent v0.12.0 的配置文件默认在~/.hermes/config.toml。下面这份骨架是我实测能跑通多智能体协作的最小配置，你可以直接复制后改模型名。

# ~/.hermes/config.toml [provider] name = "taotoken" base_url = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY" timeout_seconds = 120 [kanban] enabled = true db_path = "~/.hermes/kanban.db" max_parallel_tasks = 5 claim_lock_ttl = 300 # 防重复认领的锁超时（秒） auto_retry_failed = true retry_backoff_seconds = 15 [kanban.dashboard] enabled = true host = "127.0.0.1" port = 8787 # 多智能体 profile 定义 [[profiles]] name = "researcher" model = "claude-sonnet-4-5" skills = ["kanban-worker", "web-research"] system_prompt = "你负责调研与资料汇总，输出结构化要点。" [[profiles]] name = "coder" model = "claude-sonnet-4-5" skills = ["kanban-worker", "code-edit"] system_prompt = "你负责按任务描述写代码，产出可运行文件。" [[profiles]] name = "reviewer" model = "gpt-5" skills = ["kanban-worker", "code-review"] system_prompt = "你负责审核代码，指出问题并给出修改建议。" [[profiles]] name = "orchestrator" model = "claude-sonnet-4-5" skills = ["kanban-orchestrator"] system_prompt = "你负责把大任务拆成子任务并分派给合适的 profile。"

几个参数值得单独说。max_parallel_tasks = 5控制同时开工的智能体数量，设太大容易触发上游限流，设太小又失去并行意义，5 是个稳妥起点。claim_lock_ttl = 300是防重复认领的关键：多个 worker 同时抢一个任务时，只有拿到锁的那个能执行，锁 300 秒后自动释放，避免某个 worker 崩了任务永远锁死。auto_retry_failed = true配合retry_backoff_seconds让失败任务自动重试，这是 Kanban 相比 delegate_task 最实用的差异之一。

配置写完后，用环境变量注入 Key：

export TAOTOKEN_API_KEY="你的Key" hermes config validate

hermes config validate会检查 TOML 语法、profile 引用、数据库路径是否可写。看到config OK再往下走。

4. 任务分派、状态落库与结果校验

配置就绪后，进入实战环节。这一节分三步：创建任务、观察分派、校验结果。

4.1 用 delegate_task 创建任务并分派

Hermes 的 CLI 里，delegate_task负责把任务写进 Kanban 并指定执行者。先创建一个父任务，再挂子任务：

# 创建父任务：调研 + 实现 + 审核 一条流水线 hermes kanban create \ --title "实现一个 URL 短链服务" \ --profile orchestrator \ --id parent-001 # 子任务1：调研（无依赖，立即可跑） hermes kanban create \ --title "调研短链服务的存储方案" \ --profile researcher \ --parent parent-001 \ --id task-research # 子任务2：写代码（依赖调研完成） hermes kanban create \ --title "实现短链生成与跳转 API" \ --profile coder \ --parent parent-001 \ --depends-on task-research \ --id task-code # 子任务3：审核（依赖代码完成） hermes kanban create \ --title "审核短链服务代码" \ --profile reviewer \ --parent parent-001 \ --depends-on task-code \ --id task-review

--depends-on是 Kanban 依赖引擎的核心。task-code 不会在 task-research 完成前被认领，task-review 同理。这样你不需要手动协调顺序，依赖满足后任务自动进入 ready 状态。

4.2 观察状态落库

任务写进去后，状态全部落在 SQLite 里。你可以直接查库确认：

sqlite3 ~/.hermes/kanban.db \ "SELECT id, title, profile, status, depends_on FROM tasks ORDER BY created_at;"

预期输出类似：

parent-001|实现一个 URL 短链服务|orchestrator|running| task-research|调研短链服务的存储方案|researcher|done| task-code|实现短链生成与跳转 API|coder|running|task-research task-review|审核短链服务代码|reviewer|ready|task-code

看到task-research变成done、task-code变成running、task-review还是ready，说明依赖引擎在正常工作。如果 task-code 在 task-research 没完成时就 running，那说明--depends-on没生效，检查一下任务 ID 是否拼错。

4.3 校验结果与评论机制

任务完成后，结果写回 SQLite 的task_results表，同时可以在看板上看到。校验动作：

# 查看某个任务的产出 hermes kanban result task-code # 查看任务下的全部评论（人类和 AI 的对话） hermes kanban comments task-review

如果 reviewer 在审核时遇到不确定的技术决策，它会在任务下留言而不是卡死。你看到留言后回复：

hermes kanban comment task-review \ --author human \ --body "这个决策按方案 B 走，继续。"

reviewer 下次被唤醒时会读完全部评论再继续。这就是「人类在回路」的落地方式——不是打断流程，而是插入一条消息。

5. 本篇常见错排查

跑多智能体协作时，下面几个错我基本都踩过，列出来帮你省时间。

错误一：claim_lock_ttl设太小导致任务被重复执行。如果你把claim_lock_ttl设成 30 秒，而某个任务实际要跑 2 分钟，锁会在任务没完成时释放，另一个 worker 抢到同一个任务，结果就是重复执行。建议 TTL 至少是单任务平均耗时的 2 倍，默认 300 秒对多数任务够用。

错误二：SQLite 数据库被多进程同时写导致database is locked。Hermes 内部用了 WAL 模式缓解这个问题，但如果你自己写脚本直接连kanban.db做批量写，可能撞锁。解决办法是只读查询用sqlite3 -readonly，写操作走 Hermes CLI，不要绕过它。

错误三：profile 的 model 名写错，任务一直 pending。如果config.toml里某个 profile 的model字段拼错，任务创建成功但永远不被认领，状态卡在ready。用hermes config validate能提前发现，跑起来后也可以用hermes kanban list --status ready看有没有长期滞留的任务。

错误四：delegate_task和 Kanban 混用导致状态不一致。delegate_task 是函数调用模型，执行完就结束，不写 Kanban。如果你既用 delegate_task 又用 Kanban，两套状态各管各的，容易混乱。建议：需要持久化、可恢复、可并行的任务走 Kanban；一次性的、不需要留痕的子调用才用 delegate_task。

错误五：看板端口被占用。[kanban.dashboard]默认 8787，如果被占，改成 8788 或别的端口，重启 Hermes 即可。看板只是可视化，不影响任务执行，端口冲突不会导致任务失败。

6. 从单对话框到多智能体流水线的下一步

把上面这套跑通后，你手里就有了一条可复用的多智能体流水线：orchestrator 拆任务，researcher 调研，coder 实现，reviewer 审核，状态全在 SQLite，崩溃可恢复，人类可随时插入评论。这比在一个对话框里来回追问的效率高一个量级。

下一步可以做的：把max_parallel_tasks逐步调大，观察上游限流情况；给不同 profile 配不同模型，比如调研用便宜模型、审核用强模型，控制成本；把 Kanban 看板接到你的通知系统，任务完成时推消息。

如果你还没配好 Key，先去 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 创建一个，再回来看接入文档 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 确认 base_url 和鉴权头格式。长期跑编码和 Agent 任务的话，Coding Plan 的额度模型更适合这种多任务并行场景：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。Claude Code 相关的接入细节在 https://taotoken.net/claude-code?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。

最后留一个我实测有效的技巧：先跑两个 profile 的最小流水线，确认依赖引擎和状态落库都正常，再往上加 profile。一上来就配五个 profile 并行，出问题时你分不清是配置错、依赖错还是模型错。从 researcher + coder 两条开始，跑通再加 reviewer，稳得多。