来源
- 原始链接：https://www.xiaoyuzhoufm.com/episode/69e96b5b1e94ae6921ee3c2b
- 来源类型：播客逐字稿
- 来源标题：从 OpenClaw 到 Hermes Agent：中美一线开发者深度对谈 AI Agent 行业热点与技术趋势
从 OpenClaw 到 Hermes Agent：Agent 不是聊天框，而是新的工作系统
这期播客真正有价值的地方，不是介绍 Hermes Agent 或 OpenClaw 的功能，而是把 Agent 行业的几个底层分歧讲清楚了：模型与 harness 谁更重要，Agent 应该厚约束还是薄封装，人的价值会迁移到哪里，工作流会被模型内化到什么程度，以及个人如何在这个变化里重构自己的生产方式。
1. Agent 框架是模型接触真实世界的双手
背景：嘉宾把大语言模型和 Agent Harness 的关系讲得很清楚。模型像大脑，但大脑无法直接进入真实世界。Agent 框架负责工具编排、主循环、状态管理和错误处理，是模型能力变成行动能力的中间层。
如果把大语言模型比作大脑，智能体框架就是双手。它负责管理工具、循环、状态和错误，让模型可以真正执行任务。
兴趣匹配度高。这个判断适合放进上下文工程的核心框架里：模型能力本身不是产品力，围绕模型建立的执行系统、反馈系统和状态系统，才决定它能否稳定进入真实任务。
2. 技能化的本质是把一次成功压缩成可复现路径
背景：Hermes Agent 被反复强调的一点是 memory 和 skill。它解决的不是模型一次回答聪明的问题，而是同类任务下次还会不会走对路径的问题。
深度使用 Agent 后会遇到一个问题：这次做对了，下次同样任务又失败。Hermes Agent 的记忆和技能系统，就是把成功工作流保存下来，让它能被反复调用。
自我提升不是神秘能力，而是有价值的知识压缩。只要同一个框架和技能层稳定存在，即使用不同模型，也能得到相近的预期输出。
兴趣匹配度很高。这和汉松一直关心的 skill 化、上下文工程、个人工作流沉淀完全同频。真正值得沉淀的不是一次对话里的答案，而是能迁移到下一次任务的操作路径。
3. Multi-Agent 的价值：绕过人类通信带宽和单 Agent 上下文污染
背景：这一段对 Multi-Agent 的解释比较实在。它没有停留在角色扮演，而是指出两个工程价值：模型之间的信息交换密度远高于人机对话；多个 Agent 可以用新上下文互相检查，缓解单 Agent 长上下文退化。
人和模型对话时，人类输入很少，模型输出很多；但两个模型之间可以高频、秒回、长文本交换信息。多 Agent 的效率优势，来自更高密度的信息交换。
单个 Agent 的上下文过长后，智能水平会明显下降，长程任务中只要某一步偏了，就容易越走越偏。因此可以让另一个 Agent 在全新上下文里做交叉审查。
兴趣匹配度高。这给 Multi-Agent 找到了更硬的理由：它不是为了热闹，而是为了处理人机带宽瓶颈、上下文污染、路径依赖和长程任务误差累积。
4. 人类正在从执行者迁移为目标、品味和判断的提供者
背景：播客里多次提到人类会成为多 Agent 系统的瓶颈。嘉宾的回答不是让人退出，而是把人的价值重新定位：目标定义、taste、方向感、创造力和最终判断。
当本地同时跑五六个 Agent，云端还有十个 Agent 在不同分支上工作时，瓶颈逐渐变成人类自己。人需要不断在上下文之间切换、输入、判断。
即使未来出现零人公司，一人公司仍然会存在。因为 taste 不会消失。Agent 可以 7×24 小时工作，但起点、目标和判断标准仍然要由人来给出。
在复杂任务里，如果想扩大产出，就要让 AI 承担很大比例的迭代工作。人类更多负责驾驭、判断、taste、方向和创造力。
兴趣匹配度很高。这直接对应汉松的长期主题：AI 共生不是把人变成旁观者，而是把人的位置从重复执行迁移到目标设定、判断负责和系统驾驭。
5. Agent 不是一次性回答，而是行动之后重新思考
背景：嘉宾区分了 Chatbot 和 Agent：Chatbot 面向即时回答，Agent 面向环境交互。关键机制是 interleave thinking，也就是每次行动、工具调用、环境反馈后都重新思考下一步。
Chatbot 的核心是当下给出回答；Agent 的核心是和环境互动，在过程中不断推理和修正路径。它不是一开始 plan 完就照着做，而是在每次工具调用之后重新思考下一步。
兴趣匹配度高。这是构建可靠 Agent 的基本原则：plan 是循环状态，不是一次性文档。长程任务的关键不是初始计划多漂亮，而是每一轮反馈后能否重估路径。
6. Agent 生态真正的扩散层，可能是普通人能写的 skill 和 CUI
背景：播客里把 MCP、skill、CUI 做了区分。MCP 扩展性强，但工程门槛高；skill 和 CUI 的价值在于普通人也能写、能分享、能让自己的 Agent 和别人的 Agent 同时变聪明。
MCP 很强，但需要工程师写。skill 加 CUI 的范式让普通人也能写，也能分享。这样不只是让自己的 Agent 更聪明，也能让别人的 Agent 更聪明。
兴趣匹配度很高。这是 Agent 生态的关键判断：协议解决工具连接，skill 解决经验传播。对个人来说，最值得投入的不是堆工具，而是把自己的判断、流程和偏好变成可复用的 skill。
7. 通用 Agent 应用的悲哀：脚手架会被模型内化
背景：这一段对 Agent 创业和产品形态有冷判断。模型和应用会互相促进，用户和开发者把模型能力往外推，模型公司再把这些 unlock 方式吸收到下一代模型或官方 Agent 中。
通用 Agent 应用的悲哀是：你永远可能被模型内化掉。你写的 skill、搭的 workflow、做的脚手架，未来可能都不需要了。
Agent 或 harness 层会随着模型进步不断换代。模型 unlock 新玩法后，上一代产品范式就会被替换。
兴趣匹配度高。这对判断 Agent 产品机会很有用：通用层的 workflow 可能只是过渡脚手架。更稳的资产往往在独特数据、领域 know-how、用户关系、分发网络，以及难被模型公司统一吸收的上下文资产。
8. 厚 Harness 与薄 Harness：Claude Code 和 Codex 代表两种哲学
背景：源码泄露相关讨论里，嘉宾把 Claude Code 和 Codex 的差异概括为两种 Agent 设计哲学。Codex 更像放权模型，Claude Code 更像给模型铺路和约束。
Codex 是极度简化的人类框架，基本把一切交给模型；Claude Code 则在很多地方给模型铺好道路、设好约束。两者反映的是对模型能力信任程度的不同。
兴趣匹配度高。这是设计 Agent 系统时绕不开的分岔：是相信模型，让 harness 越薄越好；还是承认模型仍会失控，用规则、工具、上下文、权限和流程把它约束在可靠路径里。短期看，厚 harness 更稳；长期看，外层会逐渐变薄，但状态、权限、反馈和审计仍会存在。
9. Agent 的底层基础设施问题：身份、支付、归因和责任
背景：播客里对 Agent infra 的判断比较克制。最底层的 identity 和 payment 可能会变成社会级基础设施，创业公司的机会更可能在业务层 CUI 和 Agent 可操作环境。
Agent 发请求很容易，但证明这个请求真正来自哪里、归属于谁、是否可信，反而很难。AI 能做很多事情以后，它的行为应该如何归因：归属于个人、组织，还是某个系统？
Agent infra 最核心的是身份和支付，但这两个可能不是创业公司能处理的。更现实的机会在面向 Agent 的工具、环境和 CUI，比如挂号、缴费、打车这类业务环境。
兴趣匹配度高。对于长期运行的个人 Agent 或组织 Agent，身份、权限、审计、支付和责任归属比模型能力更底层。真正的落地问题不是 Agent 会不会操作，而是谁授权、谁承担后果、系统如何验证。
10. 产品形态会从展示过程，逐渐转向交付结果
背景：嘉宾认为 Manus 定义了一个阶段的交互范式：展示操作过程和结果。但随着模型能力与用户信任提升，用户对过程的需求会下降，日常界面会趋向极简，只在调试时展开过程。
上半年大家需要看过程，是因为不信任模型，或者看模型执行有爽感。但模型能力增强后，用户会逐渐不关心过程，只需要结果。
从 Copilot 到 Cursor 到 Claude Code，再到用 OpenClaw 指挥多个 Code，外面的那一层正在越来越薄。
兴趣匹配度中高。这个判断适合用于产品设计：过程透明不是永恒价值，而是信任不足阶段的补偿。成熟 Agent 产品需要区分调试视图和日常使用视图。
11. 工作方式将从 AI 适应人类，转向人类围绕 AI 重构生产方式
背景：这是整期最战略的一条。嘉宾把 AI 类比成电力和蒸汽机，强调它不是现有工作流的插件，而会迫使生产方式本身重构。
不要总想模型做不到，而要想：如果模型能够做到，我应该如何让它做到。工作方式会从以人为中心、AI 适应人类，变成人类围绕 AI 重新构建生产方式和工作流。
AI 更像电或蒸汽机。最终驾驭它、创造美好东西的仍然是人。风险不在于 AI 存在，而在于不用 AI，仍然拿冷兵器对抗热兵器。
兴趣匹配度很高。这可以作为汉松 AI 共生主题下的一条原则：AI 的价值不是自动化旧流程，而是迫使我们重新设计目标、流程、反馈、责任和人的位置。
整体评价
这期播客值得保留，因为它把 Agent 从工具讨论推进到了生产系统讨论。最值得带走的不是某个产品功能，而是几个结构性判断：模型是大脑，harness 是双手；skill 是知识压缩；Multi-Agent 解决的是通信带宽和上下文退化；人的位置会迁移到目标、taste 和责任；通用 Agent 的脚手架会被模型内化；真正长期的问题在身份、权限、反馈和工作流重构。
对汉松来说，最值得继续追的是这一句的工程化版本：不要问 Agent 能不能适配现有流程，而要问现有流程如何被改造成 Agent 能稳定执行、验证和复用的系统。