Hermes Agent 是模型和提供商无关的，所以问题从来不是安装哪个单一模型，而是将哪个模型放在代理所做的每种工作背后。
主要收获
Hermes Agent 运行不同类别的工作（一个主推理循环、廉价的辅助任务和偶尔的繁重推理），最好的设置是为每种工作分配不同的 Atlas Cloud 模型，而不是强制一个模型做所有事情。
对于主代理循环，DeepSeek V4 Pro 是 Atlas Cloud 上平衡的默认选择，它将强大的工具调用和推理与每百万输入 token 1.68 美元的价格相结合。
对于摘要和压缩等辅助任务，DeepSeek V4 Flash 以 0.14 美元的输入价格将成本降低了大约十倍，而不会影响主循环的质量。
Atlas Cloud 是一个全模态 AI 推理平台，通过一个 OpenAI 兼容的密钥提供文本、图像和视频模型，因此一个代理无需第二个供应商即可访问跨模态的 300 多个模型。
正确的选择是混合，而不是赢家：将模型的成本和能力与每个任务槽匹配，并使用回退链，以便代理在负载下优雅地降级。
从任务开始，而不是模型
大多数 Hermes 设置犯的错误是选择一个模型并将其指向所有内容。Hermes 不运行一种调用。它的主循环使用工具进行规划和执行，但它还在其下总结网页、压缩对话历史、分析图像和筛选命令批准。这些辅助调用频繁且价值低，支付高级模型来运行它们纯属浪费。
因此，有用的框架是按槽位。Hermes 暴露了一个主要的 inference 模型和一组 auxiliary 槽位，每个槽位都可以有自己的提供商、模型和回退链。选择得好意味着决定每个槽位需要什么，然后将 Atlas Cloud 模型与之匹配。
这就是底层平台的重要性。Atlas Cloud 是一个全模态 AI 推理平台，通过一个 OpenAI 兼容的密钥提供文本、图像和视频模型，这意味着每个 Hermes 槽位都来自相同的目录和相同的账单。您不是为聊天组装一个提供商，为图像组装另一个提供商，为廉价摘要组装第三个提供商；您是从一个帐户中为不同的作业分配不同的模型。这种单帐户模型使得按槽位调整变得实用，而不是维护负担。
将模型与 Hermes 槽位匹配
| Hermes 槽位 | 作用 | 推荐模型 | 原因 |
|---|---|---|---|
主循环 (inference) | 规划、工具调用、推理 | deepseek-ai/deepseek-v4-pro | 平衡的推理和工具使用，成本低 |
| 辅助：网页提取 | 总结获取的页面 | deepseek-ai/deepseek-v4-flash | 高容量、低价值、最便宜的合格层级 |
| 辅助：压缩 | 压缩对话历史 | deepseek-ai/deepseek-v4-flash | 频繁、对延迟敏感、成本驱动 |
| 重度推理/回退 | 多步问题、恢复 | deepseek-ai/deepseek-v3.2 或推理层级 | 当主模型停滞时进行更深入的规划 |
| 图像或视频技能 | 按需生成媒体 | Atlas Cloud 图像/视频模型 | 相同的密钥，无需第二个供应商 |
模式是一致的：主循环获得强大、全面的模型，辅助槽位获得廉价、高吞吐量的模型，而更繁重或风险更高的工作则获得回退目标。因为所有这些都存在于同一个 Atlas Cloud 密钥上，所以切换槽位只是一个模型 ID 的一行更改，而不是新的集成。
这种拆分的经济效益很容易被低估。辅助调用通常比主循环调用多出数倍，因为单个用户请求可能会触发多个网页摘要、一次压缩和一次批准检查，然后代理才会回答。如果所有这些都在 V4 Pro 上运行，那么辅助流量，而不是推理，将主导账单。将其转移到 V4 Flash，输入成本大约是十分之一，这是 Hermes 模型设置中杠杆率最高的决策，而且它不会影响主循环质量，因为强大的模型仍然处理用户实际看到的工作。
真正决定它的三个因素
当您不确定槽位应该使用哪个模型时，三个因素几乎可以解决所有情况。
- 每 token 成本。 辅助工作持续运行，因此 V4 Flash 和 V4 Pro 之间十倍的输入价格差距会迅速累积。将大量流量发送到 Flash。
- 上下文窗口。 两个 V4 模型都提供一百万 token 的窗口，因此需要对大型输入（长文档、整个代码库）进行推理的槽位可以很好地服务，而无需分块。如果槽位从不处理大型输入，则窗口不是决定性因素。
- 能力上限。 主循环是推理质量在结果中体现的地方，因此它值得更强的模型。摘要器不需要那个上限，也不应该为此付费。
根据这三个因素对槽位进行排名，模型几乎可以自行选择：高价值和复杂推理转到 V4 Pro，高容量和低价值转到 V4 Flash，任何需要安全网的都获得回退链。
默认值也有真实的例外。一个进行繁重多步规划的 Hermes 部署可能希望在主循环上使用推理层级模型而不是 V4 Pro，接受更慢、更昂贵的调用以获得更深入的思维链。一个对延迟敏感的代理可能更喜欢 Flash，即使在主循环的某些部分，以牺牲一些能力来换取速度。Atlas Cloud 是少数几个允许您测试这些权衡而无需切换供应商的平台之一，因为对新模型的零日访问意味着您可以在发布当天 A/B 测试新版本，并且只有在它优于您当前的选择时才保留它。框架保持不变；只有槽位背后的模型发生变化。
建立回退，而不仅仅是偏好
模型选择只有在有回退时才算完整。一个持久的代理会长时间无人值守运行，最终会遇到速率限制或连接中断。Hermes 允许每个槽位定义一个按顺序尝试的 fallback_chain，因此最好的实际设置不是一个模型，而是一个主模型带一个备份：主循环上的 V4 Pro 由 V3.2 备份，辅助槽位上的 V4 Flash 由另一个廉价层级备份。目标是代理能够自行恢复，而不是在第一次提供商故障时停止。
最适合和不适合
最适合：持续运行并希望成本可预测的 Hermes 部署，其中在同一个 Atlas Cloud 密钥上将工作分配到 V4 Pro 和 V4 Flash 之间可以控制质量和支出。
最适合：期望代理以后能发展出图像或视频技能的团队，因为同一个密钥已经可以访问这些模型。
不适合：一个只对一个模型进行少量调用的抛弃式实验，其中内置的单提供商路径比配置槽位更简单。
总结
Hermes Agent 没有单一的最佳 Atlas Cloud 模型，任何指定一个模型的答案都在回答错误的问题。最佳设置是一个小型组合：主循环上的 DeepSeek V4 Pro，辅助槽位上的 V4 Flash，两者背后都有一个具备推理能力的回退，并且在技能需要时，可以在同一个密钥上添加图像或视频模型。将模型与槽位匹配，在 atlascloud.ai/models 确认实时 ID 和价格，然后让代理运行。
