换了 Hermes 5 个配置，Token 账单直接砍半

原文链接：https://mp.weixin.qq.com/s/HCxRWFPluyq4CSH2K7xhJQ

近一半的 Token 花在了你根本想不到的地方——标题生成、视觉识别、上下文压缩。换了 Hermes 5 个配置，账单直接砍半。

最近翻了一下 Hermes 的 Token 使用统计，发现一个让我坐不住的数字——将近一半的 Token，花在了我根本想不到的地方。

几周前我翻了翻 Hermes 的 Token 用量统计，发现一个让我愣住的数字。

标题生成占了 8%，视觉识别占了 12%，上下文压缩又吞了 15%。

这三个任务加起来，快赶上我正经用 GPT-5 写代码的消耗了。

我干了件什么事呢？

让最贵的模型帮我起文章标题。让最贵的模型帮我看截图里有没有报错。让最贵的模型帮我把聊天记录压缩成摘要。

这让我随手就想起一个画面。叫了一辆法拉利，让它去送外卖。

这个浪费不是我的问题——Hermes 默认就是这么干的。（其实是我没配置好～）

我们装好 Hermes后，一般就选一个主模型，然后它就把所有事情都交给这个模型。聊天、起标题、看图、压缩上下文、判断命令风险、提取网页内容，全部塞给同一个模型。

查看hermes官方文档后发现， Hermes 其实偷偷留了 11 个后门。
01

主模型 + 11 个辅助模型

Hermes 在背后把 Agent 的工作拆成了 12 个独立的模型槽位。

1 个主模型负责跟你对话，11 个辅助模型负责你看不见的脏活累活。

默认全部走主模型，但每一个都可以单独替换。

这 11 个辅助任务包括：标题生成、视觉识别、上下文压缩、命令审批、网页提取。

还有 Skills Hub 搜索、MCP 工具路由、Triage 任务分派、Kanban 任务拆解、Profile 描述、Curator 技能审查。

你用 hermes config edit 打开配置文件，会看到这样的结构：

`auxiliary:
  title_gen:
    provider: auto    # 默认：走主模型
    model: ''
  vision:
    provider: auto
    model: ''
  compression:
    provider: auto
    model: ''`

provider: auto 加 model:''，意思就是”这事交给主模型”。

Hermes 的官方文档说得直白。标题生成、上下文压缩、命令审批这些高频任务，用便宜的 flash 模型就够了，效果没差。

但说实话，11 个槽位不是每个都需要换。真正值得换的，是其中 5 个。
02

5 个最值得换的槽位

1. 标题生成

每开一个新对话，Hermes 会自动根据聊天内容起个标题。起标题这件事，让 GPT-5 来干就像让院士帮你起网名。能起，但完全没必要。

换成 Gemini Flash 或任何 flash 级模型，标题质量几乎一样。我换了之后翻看了两周的标题，没一个需要改的。

配置：title_gen.provider: openrouter, model: google/gemini-3-flash-preview

2. 视觉识别

你发给 Hermes 的截图、UI 设计稿、PDF 页面、代码报错。它需要”看懂”再回答你。看图这件事，Gemini Flash 的视觉能力和 GPT-5 的差距远比你想象的小。

尤其是报错截图、界面识别这类常规任务。Flash 和 Opus 的准确率差别在个位数百分比，价格却差了 100 倍。

配置：vision.provider: openrouter, model: google/gemini-2.5-flash

换完之后拿几张你常见的截图测一下。

我测了一张复杂的控制台报错和一张设计稿，Flash 都准确识别了。如果遇到它搞不定的图，偶尔切回主模型也不会毁掉你的预算。

3. 上下文压缩

你跟 Hermes 聊得久了，上下文窗口快满了。它得把前面的对话压缩成摘要才能继续用。这个操作的频率比你想象的高：每 50-100 轮对话可能触发一次。

摘要不需要创造力，不需要深度推理。它只需要把关键信息拎出来。用 haiku 或 flash 级模型就够了。

配置：compression.provider: openrouter, model: anthropic/claude-3.5-haiku

压缩之后回翻一下旧对话，确认关键信息没丢。我测了一周，没发现一次压缩导致上下文丢失的问题。

4. 命令审批

如果你开了 approval_mode: smart，Hermes 在执行危险命令前会让一个模型先判断风险等级。

这个判断不需要 GPT-5 的智力。它只需要判断”这个 rm -rf 是不是高危命令”。三岁小孩都能干。

配置：approval.provider: openrouter, model: google/gemini-3-flash-preview

测试方法：在测试目录里跑几个危险命令，看看审批模型是否照样拦截。我的测试里，flash 模型的拦截率跟主模型完全一样。

5. 网页提取

你用 Hermes 浏览网页、抓取文档时，web_extract 这个工具在后台运行。

它的任务是把 HTML 转成纯文本——纯体力活。用一个比你主模型便宜 50 倍的模型去提取文本，质量几乎没有差别。

配置：web_extract.provider: openrouter, model: anthropic/claude-3.5-haiku

提取完之后看一眼内容完整性。我测了几个技术博客和文档页，提取质量跟主模型没有肉眼可见的差别。

怎么配

打开 Hermes Dashboard → 左侧 Models → 点 Show auxiliary 展开全部 11 个槽位 → 逐个点 Change，选 provider 和模型 → 点 Switch 保存。

改完只对新会话生效，已经打开的聊天不受影响。想立刻在聊天里测试的话，用 /model 斜杠命令热切。

算一笔账

以下数字基于典型日用量估算。假设你每天 50 轮对话，每轮平均 2000 Token 上下文。主模型用 GPT-5（$15/1M input, $75/1M output，OpenRouter 定价），flash 模型取 Gemini Flash（$0.10/1M input, $0.40/1M output，OpenRouter 定价）。

换完上面 5 个槽位之后：