企业官网建设流程全解析

1. 从一句“分析甲醇”说起：多角色投研到底解决什么问题

如果你做过期货或者股票的基本面研究，大概率经历过这种状态：打开行情软件看技术面，切到资讯页翻供应新闻，再打开 Excel 拉库存和开工率数据，最后在脑子里把多空逻辑揉成一团，写出一份“综合判断”。问题不在于你不会分析，而在于一个人同时扮演数据员、技术派、多头、空头和风控，视角会互相污染。你刚看完伊朗装置复产的利空，再去看多头逻辑，写出来的多头论据明显就软了。

Hermes 的多角色协作就是冲着这个痛点来的。它把“一个 Agent 切来切去”变成“多个独立 Profile 各跑各的”，每个角色在自己的进程里工作，看不见别人的中间产物，最后通过 Kanban 任务图把产物汇总给一个综合者。这套机制在智能投研场景里特别合适，因为投研本身就是天然的多角色分工：数据采集、技术分析、多头论证、空头论证、风险评估、最终裁决，每个环节需要的能力和心态都不一样。

这篇文章要带你跑通的，是一条完整的多角色投研流水线：用 Profile 划分研究员/风控/交易员角色，用 Skill 封装数据抓取与研报生成，用 Kanban 跟踪任务、Dispatcher 分发调度。我会给出可复制的 Profile 与 Skill 配置骨架、Kanban 看板字段示例，并演示一次从任务下发到研报产出的完整验证流程。目标很明确——你照着做，能跑通自己的多角色投研系统。

适合谁看：用过 Hermes 或者类似 Agent 框架、想从单 Agent 升级到多 Agent 协作的开发者；做量化或投研、想把重复性研究工作自动化的技术人；以及任何对“多角色 Agent 协作”这个模式好奇、想找个真实场景练手的人。不需要你是期货专家，文章里的甲醇只是案例载体，换成股票、可转债、甚至非金融领域的多角色协作，逻辑完全复用。

在开始之前，先把四个核心概念摊开，避免读到一半卡壳。

Hermes Agent：一个 AI Agent 框架，定位类似 Claude Code / Cursor，但有三个独到能力——持久记忆（关机不丢）、技能系统（领域知识沉淀成可复用包）、多 Profile 协作（一个工具跑多个 AI 角色协同）。本文集中在第三个能力上。

Profile：一份独立的 Agent 配置，通俗说就是“一个 AI 角色”。每个 Profile 有自己的模型选择、人设规则（SOUL.md）、记忆、技能集。7 个 Profile 启动后是 7 个独立进程，看不见彼此的中间产物。

Kanban：SQLite 持久化的任务图。所有任务、依赖、状态、事件流都存在~/.hermes/kanban/kanban.db这一个本地数据库文件里。Hermes 内置 dispatcher 调度器——每秒扫一次：哪些任务的依赖都满足了就升为 ready，哪些 Profile 有空闲槽就 spawn 一个 worker 过去 claim 任务。Profile 之间不直接对话，全部通过 Kanban 传递产物。

Skill：可复用的领域包。不是一段 prompt，是一个完整目录，含SKILL.md（描述能力）、scripts/（可执行脚本）、references/（知识库）。Agent 加载技能用渐进披露——先看目录，按需展开内容。

把这四个概念挂住，后面所有内容都是它们的组合。下面进入实操。

2. 前置准备：TaoToken 接入与 Hermes 环境搭建

在跑多角色投研之前，得先把模型接入和环境配好。这一步很多人会卡在 API 配置上，我把自己踩过的坑和最终跑通的配置完整写出来。

2.1 为什么用 TaoToken 做模型接入层

Hermes 的每个 Profile 都要调模型，7 个角色意味着 7 套模型配置。如果每个 Profile 都单独去配官方 API，管理成本很高，而且不同角色的模型切换、额度控制会很麻烦。TaoToken 在这里扮演的是统一接入层的角色——一个 API Key、一个 Base URL，所有 Profile 共用，切换模型只改 Model ID 就行。

它的 API 地址是https://taotoken.net/api，兼容 OpenAI 格式的调用方式，Hermes 的config.yaml里直接填就行。官网在https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=，注册和拿 Key 都在控制台里完成。

2.2 拿 API Key 并配置到 Hermes

第一步，登录控制台创建 API Key。地址是https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite，进去之后在 API Keys 页面新建一个 Key，复制出来备用。这个 Key 后面要填到每个 Profile 的config.yaml里，或者统一放到环境变量里让所有 Profile 共享。

第二步，确认 Hermes 已经装好。如果你还没装，先按官方文档把 Hermes CLI 装到本机，能跑hermes --version就行。

第三步，配置模型接入。Hermes 的每个 Profile 目录下都有一个config.yaml，模型相关的字段在这里配。下面是我实际用的配置骨架，路径是~/.hermes/profiles/<profile_name>/config.yaml：

# ~/.hermes/profiles/bull_researcher/config.yaml model: provider: openai-compatible base_url: "https://taotoken.net/api" api_key: "${TAOTOKEN_API_KEY}" model_id: "deepseek-v4-flash" temperature: 0.7 max_tokens: 8192 runtime: max_runtime: 20m max_retries: 2

这里有几个关键点。base_url填https://taotoken.net/api，注意不要带多余的路径后缀。api_key我用的是环境变量${TAOTOKEN_API_KEY}，这样 7 个 Profile 共用一份 Key，不用每个文件都改。model_id填你要用的模型标识，我这次全用deepseek-v4-flash是为了控本机预算，生产环境可以给 CIO 换更强的推理模型。

环境变量在 shell 里这样设：

export TAOTOKEN_API_KEY="你的_API_Key"

想持久化就写进~/.zshrc或~/.bashrc。设完之后echo $TAOTOKEN_API_KEY确认一下能打印出来。

2.3 验证接入是否通

配好之后别急着建 Profile，先验证一下模型能不能调通。Hermes 有个简单的对话入口，或者你直接用 curl 测一下 TaoToken 的接口：

curl https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "deepseek-v4-flash", "messages": [{"role": "user", "content": "回复 OK 两个字"}] }'

如果返回里有正常的choices字段和内容，说明 Key 和 Base URL 都没问题。这一步很重要，因为后面 7 个 Profile 都依赖这个接入，如果这里不通，后面所有任务都会卡在模型调用上。

2.4 创建 7 个 Profile 的目录骨架

接入验证通过后，开始建 Profile。Hermes 创建 Profile 的命令是hermes profile create <name>，但为了让你理解每个 Profile 的目录结构，我先把骨架列出来。每个 Profile 落到磁盘上是一个目录，路径在~/.hermes/profiles/<profile_name>/：

~/.hermes/profiles/bull_researcher/ ├── profile.yaml # Profile 元信息（名字、描述、属哪个集合） ├── config.yaml # 模型、温度、token 上限等运行参数 ├── SOUL.md # 这个角色的"灵魂"——人设规则、判断框架、输出约束 ├── memories/ │ └── MEMORY.md # 这个角色的持久记忆（关机不丢） ├── skills/ # 挂到这个角色的技能目录树 ├── sessions/ # 历史会话存档 ├── checkpoints/store/ # 关键操作前的回滚快照 ├── cron/ # 这个角色专属的定时任务 ├── hooks/ # 事件钩子 ├── workspace/ # 角色的工作目录 └── state.db # SQLite，存这个角色的运行时状态

最关键的是SOUL.md，它是这个角色的人设和判断规则。我的bull_researcher的SOUL.md核心内容是这样的：

# Bull Researcher Agent Persona You are a biased long-only hedge fund analyst. Mission: Construct the strongest bullish case. Rules: - Focus only on upside catalysts - Ignore bearish arguments unless refuting them - Think in asymmetric upside scenarios Output: Bullish drivers, catalysts, acceleration conditions

bear_researcher是镜像版本，只看空。risk_manager的SOUL.md让它不站队、专做最大回撤情景。chief_investment_officer的SOUL.md让它最后看完所有人的报告再下结论。7 个 Profile 的差异本质是 7 份SOUL.md的差异，其他都是 Hermes 给每个 Profile 标配的基础设施。

建完 7 个 Profile 后，跑hermes profile list应该能看到类似这样的输出：

到这里，前置准备就完成了。模型接入通了，7 个角色骨架建好了，接下来进入核心配置环节。

3. 可复制配置：Profile 与 Skill 骨架 + Kanban 字段示例

这一节是全文最核心的部分，我会把 Profile 配置、Skill 目录结构、Kanban 任务字段三样东西的骨架完整给出来，你直接复制改改就能用。

3.1 Profile 配置骨架：以 bull_researcher 为例

每个 Profile 的config.yaml结构基本一致，差异在SOUL.md和挂载的 Skill。下面这份是bull_researcher的完整配置，路径~/.hermes/profiles/bull_researcher/config.yaml：

# ~/.hermes/profiles/bull_researcher/config.yaml profile: name: bull_researcher description: "只看多的研究员，负责把多头逻辑挖到底" collection: investment_research model: provider: openai-compatible base_url: "https://taotoken.net/api" api_key: "${TAOTOKEN_API_KEY}" model_id: "deepseek-v4-flash" temperature: 0.7 max_tokens: 8192 runtime: max_runtime: 20m max_retries: 2 heartbeat_interval: 60s skills: auto_load: - research -># ~/.hermes/profiles/bull_researcher/profile.yaml name: bull_researcher description: "只看多的研究员" collection: investment_research created_at: "2026-06-10"

SOUL.md是人设核心，前面已经给过骨架。这里补充一个更完整的版本，包含输出格式约束：

# Bull Researcher Agent Persona You are a biased long-only hedge fund analyst. Mission: Construct the strongest bullish case. Rules: - Focus only on upside catalysts - Ignore bearish arguments unless refuting them - Think in asymmetric upside scenarios - Always quantify: price targets, probability, time horizon Output Format: 1. Bullish Drivers (ranked by importance) 2. Catalysts (with timing) 3. Acceleration Conditions 4. Price Targets (short / mid / long term) 5. Confidence Score (0-100)

7 个 Profile 的config.yaml除了name和description不同，模型部分完全一样，都指向 TaoToken 的接入。这样你只需要维护一份 API Key，所有角色共用。

3.2 Skill 目录结构：kanban-orchestrator 与 commodity-supply-chain-intelligence

Skill 是可复用的领域包，目录结构长这样。以kanban-orchestrator为例，路径在~/.hermes/skills/devops/kanban-orchestrator/：

kanban-orchestrator/ ├── SKILL.md # 描述能力、使用场景、调用方式 ├── scripts/ │ └── decompose.py # 把模糊需求拆成任务图的脚本 └── references/ └── task-patterns.md # 常见任务图模式参考

SKILL.md的核心内容：

# Kanban Orchestrator ## 能力 把一句模糊需求拆成 Kanban 任务图，自动分配 Profile 和依赖关系。 ## 使用场景 - 用户说"分析某个品种/股票" - 需要多角色协作的复杂任务 ## 调用方式 /kanban-orchestrator ## 输出 任务列表 + 依赖关系图 + 建议的 Profile 分配

第二个 Skill 是commodity-supply-chain-intelligence，路径在~/.hermes/skills/data-science/commodity-supply-chain-intelligence/：

commodity-supply-chain-intelligence/ ├── SKILL.md ├── scripts/ │ └── commodity_intel.py # akshare + 搜索数据采集脚本 └── references/ └── methanol-ma-fundamentals.md # 甲醇基本面知识库

commodity_intel.py的核心逻辑是拉取 10 维数据：合约报价、主力连续日线、OHLCV 详情、技术指标、仓单数据、库存、开工率、进口、成本、新闻。脚本用 akshare 做数据源，搜索部分补充供应链新闻。

3.3 Kanban 任务字段示例

Kanban 的任务字段是这套系统的协议层。下面是一个完整的任务定义示例，对应 T1 数据采集任务：

{ "task_id": "t_be63214a", "title": "data: 甲醇(MA)全维度数据采集", "body": "运行 commodity_intel.py 获取 10 维数据，参考 references/methanol-ma-fundamentals.md", "assignee": "market_researcher", "skills": ["commodity-supply-chain-intelligence"], "parents": [], "status": "ready", "priority": 1, "max_runtime": "30m", "max_retries": 2, "workspace": "scratch", "created_at": "2026-06-10T17:03:00Z" }

关键字段说明：

创建任务的命令形态：

# T1：数据采集（带技能注入） hermes kanban create "data: 甲醇(MA)全维度数据采集" \ --body "运行 commodity_intel.py ... 参考 references/methanol-ma-fundamentals.md" \ --assignee market_researcher \ --skill commodity-supply-chain-intelligence \ --max-runtime 30m \ --priority 1 # T5：风控（依赖 T1/T3/T4） hermes kanban create "risk: 甲醇(MA)风险评估" \ --assignee risk_manager \ --parent t_be63214a \ --parent t_e3fef572 \ --parent t_4d675132 \ --max-runtime 15m --priority 2 # T6：CIO（依赖全部） hermes kanban create "cio: 甲醇(MA)投资结论与操作建议" \ --assignee chief_investment_officer \ --parent t_be63214a --parent t_f0afecfd \ --parent t_e3fef572 --parent t_4d675132 \ --parent t_671e0b13 \ --max-runtime 20m --priority 2

注意三件事。--assignee把任务绑到一个 Profile，不是用谁的模型跑，是用这个 Profile 的整套配置——它的SOUL.md、memories/、skills/目录树——去跑这个任务。--skill显式注入技能，T1 加了commodity-supply-chain-intelligence，worker 启动时这个技能在skills_list的 Level 0 目录里直接出现。--parent编码依赖，T5 写了三个 parent，T6 写了五个，Kanban 内部就是个 DAG。

整张任务图编码完，本地~/.hermes/kanban/kanban.db存着所有任务、依赖、状态、事件流。这是 Hermes 多 Agent 真正的核心——任务图是持久化的，跨进程跨平台跨 Profile 共享。

3.4 依赖关系图

这套投研流水线的依赖关系是这样的：

T1 (market_researcher) ──┐ T2 (technical_analyst) ──┤ T3 (bull_researcher) ────┤──▶ T5 (risk_manager) ──▶ T6 (CIO) T4 (bear_researcher) ────┘ ▲ │ T5 的输出也流入 T6

T1-T4 完全并行，多头看不见空头，空头看不见多头，技术面看不见基本面。这不是低效，是故意的隔离——只有这样每个人才能挖到底。等他们都挖完，T5 才把数据揉到一起做风控。T5 不依赖 T2，技术面不参与风控决策，只参与 CIO 的最终综合。T6 依赖所有人，CIO 是综合者。

4. 验证请求：从任务下发到研报产出的完整流程

配置都就绪后，跑一次完整流程验证。这一节我会把每一步的命令和实际输出都贴出来，你对照着跑。

4.1 启动调度网关

Dispatcher 现在跟 IM 接入网关（gateway）合并了，旧版本的hermes kanban daemon已经废弃。启动命令：

hermes gateway start

启动后 dispatcher 每秒扫一次 Kanban，逻辑是：找 expired claim 的 running 任务 reclaim；找status=todo && all_parents=done的任务升为 ready；找status=ready且对应 Profile 有空闲 worker 槽的 spawn worker；检查 running 任务的 heartbeat，长时间无心跳的 reclaim。

4.2 加载总调度技能并拆解任务

在 Hermes 会话里调用总调度技能：

/kanban-orchestrator

技能加载完，它先问我两个问题：你的目标是什么，你有哪些可用的 Profile。第二个它自己跑hermes profile list就知道了。我说“分析甲醇”，它吐出一张方案表：

这张图不是模板，是kanban-orchestrator根据“分析一支期货品种”的语义现场拆出来的。换成“分析腾讯股票”，它会给出不同的任务图。

4.3 批量创建任务并观察调度

确认方案后，批量创建 6 个任务（命令见 3.3 节）。创建完跑hermes kanban list：

● t_be63214a running market_researcher data: 甲醇(MA)全维度数据采集 ● t_f0afecfd running technical_analyst tech: 甲醇(MA)技术面分析 ● t_e3fef572 running bull_researcher bull: 甲醇(MA)多头逻辑分析 ▶ t_4d675132 ready bear_researcher bear: 甲醇(MA)空头逻辑分析 ◻ t_671e0b13 todo risk_manager risk: 甲醇(MA)风险评估 ◻ t_369bddb9 todo chief_investment_officer cio: 甲醇(MA)投资结论与操作建议

三个 worker 同时在跑。bear 在 ready 队列里排队，因为本机并发 worker 上限是 3。T5/T6 在 todo，它们的 parent 还没全 done。

点开一个看正在干什么：

hermes kanban show t_be63214a

输出：

Task t_be63214a: data: 甲醇(MA)全维度数据采集 status: running assignee: market_researcher workspace: scratch @ /Users/xxx/.hermes/kanban/workspaces/t_be63214a skills: commodity-supply-chain-intelligence started: 2026-06-10 17:03 Events (8): [17:03] created {assignee: market_researcher, status: ready, ...} [17:03] [run 1] claimed {lock: bogon:977, expires: 1781083105, run_id: 1} [17:03] tip_scratch_workspace {message: scratch workspaces are ephemeral} [17:03] [run 1] spawned {pid: 7010} [17:03] [run 1] heartbeat [17:04] [run 1] heartbeat [17:05] [run 1] heartbeat [17:06] [run 1] heartbeat

每个 worker 在~/.hermes/kanban/workspaces/<task_id>/里有独立的临时工作目录（scratch），互相看不见。每分钟一次 heartbeat 是 worker 给 dispatcher 报“我还活着”的信号。如果连续几个心跳缺席，dispatcher 会认为 worker 挂了，自动 reclaim 锁，让任务重新进入 ready 队列。

4.4 第一份产出：数据采集完成

用hermes kanban tail t_be63214a监听事件流，等了 6 分钟，第一行 completed 出现：

[17:09] completed { result_len: 0, summary: '甲醇(MA)全维度数据采集完成。 通过 akshare 获取 6 个合约报价(BACKWARDATION 结构, MA2609 主力 2972)、 2776 行主力连续日线(2026 年内 +34.18%)、 15 日 OHLCV 详情、 技术指标(MA5/10/20 多头排列, MA60=2992 压力)、 仓单数据(仅 2920 手历史低位)。 通过搜索获取关键新闻: 伊朗 7 套装置复产、 沿海库存 56.55 万吨(同比 -16.96%)、 MTO 开工率 80.1%(环比 -6.6%)。 所有原始数据汇总输出到 ma_comprehensive_data.txt。' }

这一行 summary 信息密度极高。拆一下：期限结构 BACKWARDATION（近月升水远月），现货紧张，多头友好；主力价格 MA2609 = 2972 元/吨；年内涨幅 +34.18%，已经在牛市中段；均线系统 MA5/10/20 多头排列，MA60=2992 是压力；仓单 2920 手历史低位，现货不愿交割；供应端伊朗 7 套装置复产，3-4 周后进口冲击；库存沿海 56.55 万吨，同比 -16.96%，显著去库；需求 MTO 开工率 80.1%，环比 -6.6%，主力下游在走弱。

这是一个矛盾的画面：价格强、库存低、仓单低、伊朗要来、MTO 要走弱。多头有现货支撑，空头有进口预期 + 需求转弱。但market_researcher不下结论，它的角色定义就是只采集，不判断。

T1 done 之后，dispatcher 自动检查：T2/T3/T4 不依赖 T1，已经在自己跑；T5 依赖 T1/T3/T4，等 T3/T4 也 done 才能 ready；T6 依赖全部，最远的等待者。

4.5 全部完成：CIO 交出报告

再跑一次hermes kanban list：

✓ t_be63214a done market_researcher data ✓ t_f0afecfd done technical_analyst tech ✓ t_e3fef572 done bull_researcher bull ✓ t_4d675132 done bear_researcher bear ✓ t_671e0b13 done risk_manager risk ✓ t_369bddb9 done chief_investment_officer cio

全部 done。整个流水线从点回车到 CIO 出报告，十来分钟——纯 Agent 跑的时间不到 10 分钟，加上确认拆解方案、回看任务状态的交互，凑够 10 分钟出头。下面是这份报告的关键骨架，是 CIO Profile 看完前面 5 个 Profile 的全部产出之后综合的。

基础数据：主力合约 MA2609 最新收盘 2972，2026 年内涨幅 +34.18%，合约结构 BACKWARDATION，港口库存华东 56.55 万吨（同比 -16.96%），注册仓单仅 2920 手（历史低位），MTO 开工率 80.1%（环比 -6.6%），关键供应伊朗 7 套装置复产。

技术面：短期信号偏多，均线 MA5 > MA10 > MA20 多头排列，MACD 金叉红柱放量，持仓持续增加，量价配合。中期风险 MA60 = 2992 压力，3000 整数关口，OBV 量价背离。结论：短期看多但需突破 MA60-3000 阻力区，否则反弹即是做空机会。

多空对决：多头强烈看多到 3200-3500-3800，核心逻辑伊朗地缘（占进口 40%）+ 近月升水 16% + 成本支撑 1800-2200。空头强烈看空到 2700-2750（极端 2450），核心逻辑产能 1.15 亿吨过剩 + 远月深贴 + MTO 检修叠甲醛淡季。两个 Profile 看到的是同一份原始数据，但走出了完全相反的方向。

风险评估：多头评分 19/30，空头评分 23/30，整体风险等级高危。风控核心结论：伊朗地缘是单一主导变量——若霍尔木兹海峡封锁，甲醇暴涨，空头逻辑瞬间作废；若局势正常，偏空格局不变。建议控制仓位：做多 ≤10%，做空 ≤5%，对冲 ≤20%。

CIO 最终裁决：偏空，置信度 60/100。操作策略：逢高做空，入场区间 2980-3020（等反弹入场，不追空），第一目标 2860，第二目标 2790-2800，硬止损 3100，仓位 ≤5%（伊朗尾部风险限制）。时间维度：短期 1-2 周震荡偏空，中期 1-3 月 MTO 检修 + 甲醛淡季累库，长期 6 月+ 金九银十 + 秋检 + 伊朗冬季限气可能反弹。

关键观测清单：伊朗地缘（霍尔木兹海峡 / 制裁新闻，最大单一变量）；MTO 开工率（跌破 75% 确认需求塌陷，回升 85%+ 利空减弱）；港口库存（华东突破 70 万吨则确认累库）；仓单（从 2920 低位回升 = 交割压力增大）；煤炭（跌破 700 元/吨则成本支撑进一步削弱）。

这份报告的含金量在三个细节。第一，置信度 60/100 这个数字很难写——CIO 看到空头 23/30 比多头 19/30 占优，优势存在但不悬殊，所以给出 60 分置信度，并明确写仓位 ≤5% 来匹配不确定性。第二，“反弹做空、不追空”这一笔很贵——需要同时持有“中期偏空”和“短期偏多”两个看似矛盾的信号，综合成一个具体动作。第三，关键观测清单是真正可执行的，5 个有具体阈值的指标，每周扫一眼就知道判断要不要更新。

5. 常见报错排查：401、local proxy failed、reading choices、OAuth

多角色流水线跑起来之后，最容易出问题的不是业务逻辑，是接入和调度环节。这一节把几个高频报错和排查方法列出来，你遇到时对照着查。

5.1 401 Unauthorized：API Key 没生效

最常见的报错。worker 启动后调模型返回 401，事件流里能看到类似：

[run 1] error { code: 401, message: "Unauthorized" }

排查顺序：先确认TAOTOKEN_API_KEY环境变量在当前 shell 里能打印出来。echo $TAOTOKEN_API_KEY如果为空，说明环境变量没设或者没 source。注意 Hermes 的 gateway 进程和你的交互 shell 可能是不同的环境，gateway 启动时如果没继承到环境变量，worker 就拿不到 Key。

解决办法有两个。一是把 Key 直接写进每个 Profile 的config.yaml，不用环境变量：

model: api_key: "sk-你的实际Key"

二是确保 gateway 启动前环境变量已经 export，或者用 systemd / launchd 托管时在服务配置里显式声明环境变量。我推荐第一种，虽然每个 Profile 都要填，但排查起来最直接。

还有一种 401 是 Key 本身失效或额度用完。去控制台https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite确认 Key 状态和余额。

5.2 local proxy failed：网络层问题

报错形态：

[run 1] error { message: "local proxy failed: connection refused" }

这个报错通常是本机网络配置问题。先确认https://taotoken.net/api能不能直接 curl 通（用 2.3 节的命令测）。如果 curl 通但 Hermes 报 proxy failed，检查 shell 里有没有设置HTTP_PROXY/HTTPS_PROXY环境变量指向一个不存在的本地端口。Hermes 会继承这些变量，如果代理没开就会 connection refused。

unset HTTP_PROXY HTTPS_PROXY ALL_PROXY

清掉之后重启 gateway 再试。另外确认本机 DNS 能解析taotoken.net，nslookup taotoken.net看一下。

5.3 reading choices：响应格式解析失败

报错形态：

[run 1] error { message: "error reading choices: unexpected response format" }

这个报错说明模型返回的 JSON 结构不符合预期，Hermes 在解析choices字段时失败了。常见原因有三个。一是model_id填错了，TaoToken 那边找不到对应模型，返回了一个错误结构。去控制台确认模型标识拼写正确。二是base_url多写了路径，比如填成了https://taotoken.net/api/v1，而 Hermes 自己会拼/v1/chat/completions，导致最终 URL 变成/api/v1/v1/chat/completions。正确填https://taotoken.net/api就行。三是响应被中间层截断，比如max_tokens设太小导致返回不完整。

排查方法：在 worker 的日志里找原始响应体，hermes kanban log <task_id>能看到。如果原始响应是 HTML 而不是 JSON，说明请求打到了错误的端点。

5.4 OAuth 相关报错：认证流程问题

报错形态：

[run 1] error { message: "OAuth token expired or invalid" }

如果你用的是需要 OAuth 的模型提供方，token 过期会报这个。TaoToken 的接入用的是 API Key 模式，正常不会触发 OAuth。如果你在 Profile 里混用了其他提供方的 OAuth 配置，检查config.yaml里有没有残留的oauth字段，清掉。

还有一种情况是 Hermes 本身的会话认证过期。跑hermes auth status看一下，需要重新登录就hermes auth login。

5.5 worker 卡死无心跳：reclaim 机制

如果任务一直 running 但事件流里 heartbeat 停了，说明 worker 卡死了。dispatcher 会在几个心跳周期后自动 reclaim，让任务重新进 ready 队列。你可以手动触发：

hermes kanban reclaim <task_id>

然后确认max_runtime设得合理。我建任务时都设了 15-30 分钟，如果某个 worker 卡死，最多浪费 30 分钟，不会无限挂着。这套调度从设计上就预设了 worker 会挂，这是分布式系统该有的姿态。

5.6 依赖不满足导致任务一直 todo

如果 T5 一直 todo，说明它的某个 parent 没 done。跑hermes kanban show <task_id>看parents字段，逐个确认 parent 状态。常见原因是某个 parent 任务失败后没有重试，或者 parent 的task_id写错了。检查创建任务时的--parent参数，确保引用的是真实存在的 task_id。

排查完这些，你的流水线应该能稳定跑通。下面把整套系统用到的三份清单收个尾。

6. 三份清单与后续扩展：把投研流水线跑成常态

这套智能投研落到地上就是三份东西。前面配置部分已经零散给过，这里集中列一遍，方便你对照检查。

6.1 Profile 清单（7 个角色）

关键设计：market_researcher和risk_manager都是不站队角色，前者只给数据、后者只算风险。多头空头的活留给bull_researcher/bear_researcher在隔离环境下各挖各的。

6.2 Skill 清单（2 个技能）

关键设计：Skill 在创建任务时通过--skill <name>显式注入，worker 启动时这个 Skill 出现在skills_list的 Level 0 目录里，Agent 会主动skill_view进去看。其他几个角色没注入 Skill，它们靠自己 Profile 的SOUL.md和memories/MEMORY.md工作就够了。

6.3 命令清单（10 条）

整套流程跑下来，人工敲命令的次数 = 6 条 create + 几次 list/show 查状态，不到 10 个动作。

6.4 后续扩展方向

这套系统还能继续进化。第一个方向是股票智能投研：7 个 Profile 的角色框架（CIO / 多空 / 技术 / 风控 / 数据 / 反思）几乎不用动，换掉数据采集 Skill（A 股要接 Tushare / 同花顺数据源），重写部分SOUL.md（股票要看财报、估值、行业景气度），整套 pipeline 直接复用。

第二个方向是主动推送：用 Hermes 的 cron 特性定时跑——每天盘前推一份昨日异动品种的快报，每周末推一份持仓品种的全维度更新。AI 自己判断哪些值得提醒，结论直接推到手机的 IM 上。从“我问 AI 投研”变成“AI 自己判断要不要找我”。

第三个方向是多品种泛化验证：目前只在甲醇上跑通了端到端，PTA / 沥青 / 燃料油这些化工品适不适用还要再试。等多跑几个品种，迁移成本和踩坑经验会更有参考价值。

如果你也在用 Hermes，照着 6 个特性 + 三份清单的样子，自己搭一个验证版完全够。剩下的内部填充交给你自己的领域知识就好。模型接入层用 TaoToken 统一管理，7 个 Profile 共用一份 Key，切换模型只改 Model ID，这套配置在扩展新角色时特别省事。