Skip to main content

工具运行时

Hermes 的工具是自注册函数，按工具集分组，并通过中央注册/调度系统执行。

主要文件：

  • tools/registry.py
  • model_tools.py
  • toolsets.py
  • tools/terminal_tool.py
  • tools/environments/*

工具注册模型​

每个工具模块在导入时调用 registry.register(...)。

model_tools.py 负责导入/发现工具模块，并构建模型所用的模式列表。

registry.register() 的工作原理​

tools/ 中的每个工具文件在模块级别调用 registry.register() 来声明自身。函数签名如下：

registry.register(
    name="terminal",               # Unique tool name (used in API schemas)
    toolset="terminal",            # Toolset this tool belongs to
    schema={...},                  # OpenAI function-calling schema (description, parameters)
    handler=handle_terminal,       # The function that executes when the tool is called
    check_fn=check_terminal,       # Optional: returns True/False for availability
    requires_env=["SOME_VAR"],     # Optional: env vars needed (for UI display)
    is_async=False,                # Whether the handler is an async coroutine
    description="Run commands",    # Human-readable description
    emoji="💻",                    # Emoji for spinner/progress display
)

每次调用都会创建一个 ToolEntry，并存储在单例 ToolRegistry._tools 字典中，以工具名称为键。如果不同工具集中出现名称冲突，将记录警告信息，后注册的版本会覆盖先注册的版本。

发现：_discover_tools()​

当 model_tools.py 被导入时，它会调用 _discover_tools()，按顺序导入所有工具模块：

_modules = [
    "tools.web_tools",
    "tools.terminal_tool",
    "tools.file_tools",
    "tools.vision_tools",
    "tools.mixture_of_agents_tool",
    "tools.image_generation_tool",
    "tools.skills_tool",
    "tools.skill_manager_tool",
    "tools.browser_tool",
    "tools.cronjob_tools",
    "tools.rl_training_tool",
    "tools.tts_tool",
    "tools.todo_tool",
    "tools.memory_tool",
    "tools.session_search_tool",
    "tools.clarify_tool",
    "tools.code_execution_tool",
    "tools.delegate_tool",
    "tools.process_registry",
    "tools.send_message_tool",
    # "tools.honcho_tools",  # Removed — Honcho is now a memory provider plugin
    "tools.homeassistant_tool",
]

每次导入都会触发模块中的 registry.register() 调用。对于可选工具（例如缺少用于图像生成的 fal_client）的错误会被捕获并记录——这不会阻止其他工具的加载。

核心工具发现完成后，还会发现 MCP 工具和插件工具：

  1. MCP 工具 — tools.mcp_tool.discover_mcp_tools() 读取 MCP 服务器配置，并从外部服务器注册工具。
  2. 插件工具 — hermes_cli.plugins.discover_plugins() 加载用户/项目/pip 插件，这些插件可能注册额外的工具。

工具可用性检查 (check_fn)​

每个工具可选择提供一个 check_fn —— 一个可调用对象，当工具可用时返回 True，否则返回 False。典型的检查包括：

  • API 密钥存在 —— 例如 lambda: bool(os.environ.get("SERP_API_KEY")) 用于网络搜索
  • 服务正在运行 —— 例如检查 Honcho 服务器是否已配置
  • 二进制文件已安装 —— 例如验证 playwright 是否可用于浏览器工具

当 registry.get_definitions() 为模型构建模式列表时，会运行每个工具的 check_fn()：

# Simplified from registry.py
if entry.check_fn:
    try:
        available = bool(entry.check_fn())
    except Exception:
        available = False   # Exceptions = unavailable
    if not available:
        continue            # Skip this tool entirely

关键行为：

  • 检查结果被按调用缓存——如果多个工具共享相同的 check_fn，则仅执行一次。
  • check_fn() 中的异常被视为“不可用”（安全降级）。
  • is_toolset_available() 方法检查工具集的 check_fn 是否通过，用于 UI 显示和工具集解析。

工具集解析​

工具集是工具的命名组合包。Hermes 通过以下方式解析它们：

  • 显式启用/禁用的工具集列表
  • 平台预设（hermes-cli、hermes-telegram 等）
  • 动态 MCP 工具集
  • 经过精心设计的专用集合，如 hermes-acp

get_tool_definitions() 如何过滤工具​

主入口点是 model_tools.get_tool_definitions(enabled_toolsets, disabled_toolsets, quiet_mode)：

  1. 若提供了 enabled_toolsets —— 仅包含来自这些工具集的工具。每个工具集名称通过 resolve_toolset() 解析，将复合工具集展开为单独的工具名称。

  2. 若提供了 disabled_toolsets —— 从所有工具集开始，然后减去被禁用的。

  3. 若两者均未提供 —— 包含所有已知工具集。

  4. 注册表过滤 —— 解析后的工具名称集合传递给 registry.get_definitions()，该方法应用 check_fn 过滤，并返回 OpenAI 格式的模式。

  5. 动态模式修补 —— 过滤后，execute_code 和 browser_navigate 的模式会动态调整，仅引用实际通过过滤的工具（防止模型虚构不可用的工具）。

旧版工具集名称​

带有 _tools 后缀的旧工具集名称（如 web_tools、terminal_tools）通过 _LEGACY_TOOLSET_MAP 映射到现代工具名称，以保持向后兼容性。

调度​

运行时，工具通过中央注册表进行调度，某些代理层工具（如记忆/待办事项/会话搜索处理）除外。

调度流程：模型 tool_call → 处理器执行​

当模型返回一个 tool_call 时，流程如下：

Model response with tool_call
    ↓
run_agent.py agent loop
    ↓
model_tools.handle_function_call(name, args, task_id, user_task)
    ↓
[Agent-loop tools?] → handled directly by agent loop (todo, memory, session_search, delegate_task)
    ↓
[Plugin pre-hook] → invoke_hook("pre_tool_call", ...)
    ↓
registry.dispatch(name, args, **kwargs)
    ↓
Look up ToolEntry by name
    ↓
[Async handler?] → bridge via _run_async()
[Sync handler?]  → call directly
    ↓
Return result string (or JSON error)
    ↓
[Plugin post-hook] → invoke_hook("post_tool_call", ...)

错误包装​

所有工具执行都在两个层级上进行错误处理：

  1. registry.dispatch() —— 捕获处理器抛出的任何异常，并返回 {"error": "Tool execution failed: ExceptionType: message"} 作为 JSON。

  2. handle_function_call() —— 将整个调度过程包裹在二级 try/except 中，返回 {"error": "Error executing tool_name: message"}。

这确保了模型始终接收到格式正确的 JSON 字符串，而不会收到未处理的异常。

代理循环工具​

有四个工具在注册表调度前被拦截，因为它们需要代理级别的状态（TodoStore、MemoryStore 等）：

  • todo —— 计划/任务跟踪
  • memory —— 持久化记忆写入
  • session_search —— 跨会话回忆
  • delegate_task —— 启动子代理会话

这些工具的模式仍注册在注册表中（用于 get_tool_definitions），但其处理器在调度意外到达时返回一个模拟错误。

异步桥接​

当工具处理器为异步时，_run_async() 会将其桥接到同步调度路径：

  • CLI 路径（无运行循环） —— 使用持久事件循环，保持缓存的异步客户端存活
  • 网关路径（运行循环） —— 启动一个一次性线程，使用 asyncio.run()
  • 工作线程（并行工具） —— 使用存储在线程局部存储中的每线程持久循环

危险模式审批流程​

终端工具集成了一个危险命令审批系统，定义在 tools/approval.py 中：

  1. 模式检测 —— DANGEROUS_PATTERNS 是一组 (regex, description) 元组，涵盖破坏性操作：

    • 递归删除（rm -rf）
    • 文件系统格式化（mkfs、dd）
    • SQL 破坏性操作（DROP TABLE、DELETE FROM 且无 WHERE）
    • 系统配置覆盖（> /etc/）
    • 服务操作（systemctl stop）
    • 远程代码执行（curl | sh）
    • 分叉炸弹、进程终止等

  2. 检测 —— 在执行任何终端命令前，detect_dangerous_command(command) 会与所有模式进行比对。

  3. 审批提示 —— 若匹配成功：

    • CLI 模式 —— 交互式提示要求用户批准、拒绝或永久允许
    • 网关模式 —— 异步审批回调将请求发送至消息平台
    • 智能审批 —— 可选地，辅助 LLM 可自动批准低风险且匹配模式的命令（例如 rm -rf node_modules/ 安全但匹配“递归删除”）

  4. 会话状态 —— 审批按会话追踪。一旦你在会话中批准“递归删除”，后续的 rm -rf 命令不再重复提示。

  5. 永久白名单 —— “永久允许”选项会将该模式写入 config.yaml 的 command_allowlist，跨会话持久化。

终端/运行环境​

终端系统支持多种后端：

  • 本地
  • docker
  • ssh
  • singularity
  • modal
  • daytona

还支持：

  • 每任务的 cwd 覆盖
  • 后台进程管理
  • PTY 模式
  • 危险命令的审批回调

并发性​

工具调用可根据工具组合和交互需求，按顺序或并发执行。

相关文档​