hermes agent 支持五种 matching 集成方式：一、tools/ 目录扩展自定义 matching 工具；二、environments/modal.py 接入远程 matching 微服务；三、cron/ 定时工作流嵌入 matching 触发节点；四、基于 mcp 协议对接外部 matching 服务器；五、file_operations.py 增强结构化数据匹配能力。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在使用 Hermes Agent 过程中需要将多源数据与 Matching 逻辑（如实体对齐、键值匹配、语义相似度判定等）深度结合，则可能面临工具链不兼容、数据格式错位或匹配结果无法回写等问题。以下是实现 HermesAgent 数据流与 Matching 集成的具体操作路径：
一、通过 tools/ 目录扩展自定义 Matching 工具
该方法允许您在 Hermes Agent 的标准工具体系内注入专用 Matching 能力，所有处理均在本地完成，无需外调服务，保障数据隐私与低延迟响应。
1、在 Hermes Agent 项目根目录下进入 tools/ 文件夹，新建 Python 文件 matching_tool.py。
2、在文件中继承 BaseTool 类，实现 _run 方法，支持接收两个结构化数据源（如 CSV 路径或 JSON 字符串）并返回匹配索引列表及置信度分数。
3、在 tools/__init__.py 中添加对应 import 语句，并确保其被 tool_registry 自动加载。
4、重启 HermesAgent 或执行 hermes reload-tools 命令使新工具生效。
二、利用 environments/modal.py 接入远程 Matching 微服务
当 Matching 逻辑涉及大规模向量比对、图神经网络对齐或需 GPU 加速时，可将匹配核心部署为独立微服务，由 Hermes Agent 通过 Modal 环境桥接调用，实现计算卸载与弹性伸缩。
1、构建 Matching 微服务：使用 FastAPI 编写端点 /match，接受 POST 请求体含 source_data 与 target_data 字段。
2、将服务容器化并部署至 Modal 平台，获取公开访问 URL（如 https://hermes-matching.modal.run）。
3、在 Hermes Agent 的 environments/modal.py 中新增 MatchingModalEnvironment 类，覆盖 execute 方法以封装 HTTP 调用逻辑。
4、在任务配置中指定 environment: modal-matching，HermesAgent 将自动路由至该环境执行 Matching。
三、在 cron/ 定时工作流中嵌入 Matching 触发节点
该方式适用于周期性数据对齐场景，例如每日同步 CRM 与 ERP 客户主数据、每小时校验 IoT 设备标识一致性等，通过自然语言定义调度规则并绑定 Matching 工具链。
1、编辑 cron/jobs.py，在 scheduled_jobs 字典中新增条目，键名为 daily-customer-match。
2、设置 trigger 为 "interval" 并配置 hours=24；action 指向已注册的 matching_tool。
3、在 action_kwargs 中传入参数：{"source_path": "/data/crm.csv", "target_path": "/data/erp.csv", "key_field": "customer_id"}。
4、运行 hermes cron start 启动调度器，Matching 任务将按设定周期自动触发并写入 /logs/matching/。
四、基于 MCP 协议对接外部 Matching 服务器
当企业已有成熟 Matching 平台（如 Tamr、Reltio 或自研主数据匹配引擎）时，可通过标准 MCP（Model Control Protocol）协议实现即插即用式集成，复用现有治理策略与质量看板。
1、确认外部 Matching 服务器已启用 MCP v1.2+ 支持，并开放 /mcp/server 端点。
2、在 Hermes Agent 的 config/hermes_platform.yaml 中添加 mcp_servers 区块，填入服务器地址、认证 token 及超时参数。
3、在工具调用指令中使用 mcp://matching-server/align-entities 作为工具 URI，HermesAgent 将自动解析并转发请求。
4、匹配结果以标准 MCP Result 对象返回，包含 matched_pairs、unmatched_sources 和 quality_score 字段。
五、在 file_operations.py 中增强结构化数据匹配能力
该方法直接改造 Hermes Agent 内置文件操作工具，使其在读取、写入过程中自动触发字段级 Matching，适用于 CSV/Excel 表间列名映射、JSON Schema 对齐等轻量级场景。
1、打开 tools/file_operations.py，定位 read_csv 函数，在返回 DataFrame 前插入 _auto_match_columns 调用。
2、实现 _auto_match_columns 函数：基于列名编辑距离与内置词典（如 ["cust_id", "customer_id", "client_no"]）进行模糊匹配，生成列名标准化映射表。
3、在 write_csv 函数中增加 match_target_schema 参数，启用后自动重命名输出列以对齐目标 schema。
4、保存文件后执行 hermes reload-tools --force 强制重载，后续所有 CSV 操作将默认启用列级 Matching。
