第二册：AI-Agent 行业全景

本章你将学到

• AI Agent 的学术定义与通俗理解，以及它与传统 AI 工具的本质区别
• 从 2022 年 ChatGPT 引爆到 2026 年 Hermes 崛起的完整发展脉络
• 2025-2026 年 AI Agent 行业格局：主流框架的全面对比与趋势分析
• 主流大模型底座的选择策略：从 DeepSeek 到 Claude 的成本与能力权衡
• MCP 协议的设计理念与生态爆发，以及它对 Agent 世界的革命性影响
• AI Agent 的商业化路径与中国生态的独特优势

预计阅读时间：90-120 分钟

1. 什么是 AI Agent——从概念到落地

1.1 AI Agent 的学术定义与通俗理解

在深入行业分析之前，我们需要先搞清楚一个根本问题：到底什么是 AI Agent？

学术界对 Agent 的定义可以追溯到几十年前。在人工智能的经典教材《Artificial Intelligence: A Modern Approach》中，Agent 被定义为：

任何能够感知环境并采取行动以实现目标的实体，都可以被称为 Agent。

这个定义非常宽泛。按照这个定义，你的恒温器是一个 Agent（感知温度，采取行动调节空调），你的扫地机器人也是一个 Agent（感知环境障碍，采取行动规划清扫路径）。

但在 2026 年的语境下，当我们说 "AI Agent" 时，通常指的是一个更具体的概念：

基于大语言模型（LLM）构建的、能够自主感知环境、进行推理规划、执行复杂任务并从经验中学习的智能系统。

这个定义里包含了四个关键词，我们一个一个来解释。

基于大语言模型（LLM）

AI Agent 的"大脑"是大语言模型。GPT-4、Claude、DeepSeek 这些模型提供了理解语言、推理问题、生成内容的基础能力。没有 LLM，Agent 就失去了"思考"的能力。

但 LLM 本身不是 Agent。LLM 是一个"静态"的模型——你给它输入，它给你输出。它不会主动去做什么事情，也不会记住你们之前的对话（至少不会长期记住）。Agent 是在 LLM 的基础上，增加了一层"行动力"和"记忆力"。

类比

LLM 就像一个人的"大脑"——能思考、能说话、能出主意。但光有大脑不够，你还需要"手脚"去执行事情，需要"记忆"去记住经验，需要"感官"去感知环境。Agent 就是给大脑配上了手脚、记忆和感官的完整"人"。

自主感知环境

Agent 不是被动等待指令的。它能主动"看"到周围发生了什么——你的日历更新了一件事情、你的邮箱收到了一封新邮件、某个网站发布了一条新公告、某个数据指标超过了阈值。这些环境变化会触发 Agent 的行动。

进行推理规划

当 Agent 接收到一个目标（比如"帮我准备明天跟李总的会议"），它不会立刻盲目行动。它会先"思考"：要达成这个目标，需要做哪些事情？这些事情的先后顺序是什么？有哪些依赖关系？有哪些潜在的风险？这个思考过程就是推理和规划。

执行复杂任务

思考完了要行动。Agent 能调用各种工具来完成任务——搜索网页、读写文件、发送邮件、操作数据库、调用 API、甚至写代码并执行。这些工具让 Agent 从"只会说"变成了"能做"。

从经验中学习

这是最核心的区别。传统的程序是"写死"的——程序员写什么逻辑，它就怎么执行。Agent 则能在运行过程中积累经验：上次这样做效果很好，这次继续；上次那样做出了问题，这次换一种方式。这种学习能力让 Agent 能够持续改进，越用越好。

1.2 Agent 与传统 AI 工具的本质区别

理解了定义，我们来看看 Agent 和传统的 AI 工具有什么本质区别。

传统 AI 工具：被动响应型

传统的 AI 工具（比如早期的 ChatGPT、文生图工具、语音识别软件）是"被动响应型"的。它们的交互模式是：

用户输入 → AI 处理 → AI 输出

你问一个问题，它给一个答案。你让它画一张图，它画一张图。每一轮交互都是独立的，AI 不会主动做什么，也不会记住跨轮次的上下文。

Agent：主动目标驱动型

Agent 的交互模式完全不同：

用户设定目标 → Agent 规划任务 → Agent 执行步骤 → Agent 观察结果 → Agent 调整策略 → ... → 目标达成

你给 Agent 一个目标，它会自己想办法完成。它会分解任务、调用工具、处理异常、调整策略，整个过程不需要你一步一步指导。

类比

传统 AI 工具像是"出租车"——你告诉司机去哪里，他把你送到。每一程都是独立的，司机不会记住你上次去哪儿。Agent 像是"私人司机"——你告诉他"这周帮我安排好所有的出差行程"，他会自己去查航班、订酒店、安排接送、处理变更，最后把完整的行程表发给你。而且，他记得你不喜欢坐靠窗的座位、你习惯提前 2 小时到机场、你喜欢住有健身房的酒店。

我们用一个表格来总结这个区别：

1.3 感知-推理-行动-学习 闭环模型

Agent 的核心工作模式可以抽象为一个闭环模型：感知（Perceive）→ 推理（Reason）→ 行动（Act）→ 学习（Learn）。这个循环不断运转，让 Agent 持续进化。

第一步：感知（Perceive）

Agent 通过多种渠道感知环境：

• 用户输入：你直接说的话、发的消息、提交的表单
• 外部事件：新邮件到达、日历提醒、数据变化、API 推送
• 系统状态：内存使用情况、任务队列长度、错误日志
• 时间触发：到了某个时间点，该执行定时任务了

# 伪代码：感知模块的简化逻辑
def perceive():
    inputs = []
    inputs.extend(check_user_messages())      # 检查用户消息
    inputs.extend(check_external_events())    # 检查外部事件
    inputs.extend(check_system_status())      # 检查系统状态
    inputs.extend(check_time_triggers())      # 检查时间触发器
    return filter_relevant(inputs)            # 过滤出需要处理的事项

Tips

感知模块的设计决定了 Agent 的"敏感度"。太敏感了，一点风吹草动就触发行动，会造成干扰；太迟钝了，重要的事件可能被遗漏。好的感知模块需要平衡这两方面。

第二步：推理（Reason）

感知到信息后，Agent 需要进行推理：

• 理解意图：用户到底想要什么？这个事件的含义是什么？
• 任务分解：达成目标需要哪些步骤？这些步骤的依赖关系是什么？
• 策略选择：有多种方案时，选哪个？考虑时间、成本、成功率等因素
• 风险评估：这个行动可能会有什么副作用？如何规避？

# 伪代码：推理模块的简化逻辑
def reason(perception):
    intent = understand_intent(perception)        # 理解意图
    tasks = decompose(intent)                     # 任务分解
    plan = select_strategy(tasks)                 # 策略选择
    risk = assess_risk(plan)                      # 风险评估
    return adjust_plan(plan, risk)                # 调整计划

第三步：行动（Act）

推理完成后，Agent 开始执行计划：

• 调用工具：搜索、读写文件、发送消息、调用 API
• 生成内容：写文档、写代码、画图、做表格
• 交互反馈：向用户汇报进度、询问确认、展示结果
• 状态更新：记录执行日志、更新任务状态、触发后续任务

# 伪代码：行动模块的简化逻辑
def act(plan):
    for step in plan.steps:
        result = execute(step)                    # 执行步骤
        if result.failed:
            fallback = handle_error(step, result) # 错误处理
            if fallback:
                result = execute(fallback)
        record_log(step, result)                  # 记录日志
    return summarize_results(plan)

第四步：学习（Learn）

行动结束后，学习模块开始工作：

• 效果评估：任务完成得怎么样？用户满意吗？
• 经验提取：这次有哪些经验可以沉淀？哪些坑要记住？
• 记忆更新：把新知识存入记忆系统
• 模型优化：基于反馈调整行为策略（比如用户建模的更新）

# 伪代码：学习模块的简化逻辑
def learn(execution_result, user_feedback):
    score = evaluate(execution_result)            # 效果评估
    insights = extract_insights(execution_result) # 经验提取
    memory.store(insights)                        # 记忆更新
    user_model.update(user_feedback)              # 用户模型更新
    skills.optimize(execution_result)             # 技能优化

这个四步闭环不断循环运转，Agent 就在这个循环中持续运作和进化。

类比

想象一个经验丰富的厨师。他走进厨房（感知）→ 看到食材和订单，思考做什么菜、怎么搭配（推理）→ 切菜、炒菜、摆盘（行动）→ 客人吃完给了好评或差评，他记下来下次改进（学习）。一个好的厨师，就是在这个闭环中越转越熟练的。Agent 也一样。

1.4 Agent 的分类：单体 Agent、多 Agent 系统、自主 Agent

根据复杂度和协作方式，Agent 可以分为三类。

第一类：单体 Agent（Single Agent）

一个 Agent 独立完成所有任务。这是最简单也最常用的模式。比如，你部署一个 Hermes Agent 来帮你处理日常事务——查邮件、写文档、安排日程，都是这一个 Agent 在做。

单体 Agent 的优点是简单、可控、资源占用少。缺点是能力上限受限于单个 LLM 的容量，复杂任务可能处理不好。

第二类：多 Agent 系统（Multi-Agent System）

多个 Agent 协同工作，每个 Agent 负责不同的角色或任务。比如：

• 产品经理 Agent：负责需求分析、写 PRD
• 架构师 Agent：负责技术方案设计
• 开发 Agent：负责写代码
• 测试 Agent：负责测试和 Bug 报告

这些 Agent 之间可以相互通信、协作，共同完成一个大型项目。

多 Agent 系统的优点是能处理更复杂的任务，可以模拟真实团队的协作方式。缺点是协调复杂度高，可能出现沟通不畅、任务冲突等问题。

Tips

MetaGPT 是多 Agent 系统的典型代表，它模拟了一个完整的软件公司。CrewAI 则提供了更轻量级的多 Agent 协作框架。Hermes 也支持多 Agent 编排（详见第十一册），但它的核心设计是围绕"强大的单体 Agent"展开的。

第三类：自主 Agent（Autonomous Agent）

这是 Agent 的最高形态。自主 Agent 不仅能执行你给它的任务，还能自己设定目标、自己规划长期发展。

比如，你给自主 Agent 一个高层次的目标"提升我的个人品牌影响力"。它会自己分解出：要发多少篇文章、要参加什么活动、要跟哪些人建立联系。然后它会主动执行这些子任务，不需要你每次吩咐。

自主 Agent 的理念非常前沿，但在实际应用中还存在很多挑战——比如如何保证 Agent 设定的目标是合理的、如何避免 Agent 做出有害的决策等。目前市面上还没有真正成熟的自主 Agent 产品，但 Hermes 的自学习和技能进化能力，已经朝这个方向迈出了重要的一步。

注意

"自主"不等于"不受控制"。好的自主 Agent 设计会包含多层安全机制：人类确认、沙箱执行、权限限制、审计日志等。Hermes 在这些方面都有完善的设计，确保 Agent 在自主的同时不会失控。

2. AI Agent 发展简史（2022-2026）

2.1 2022：ChatGPT 引爆大模型革命

2022 年 11 月 30 日，OpenAI 发布了 ChatGPT。这个日期被很多人视为 AI 时代的"分水岭"。

在 ChatGPT 之前，AI 对大众来说是一个遥远的技术概念——AlphaGo 下棋很厉害，但跟普通人没关系；Siri 能设闹钟，但智能程度有限。ChatGPT 第一次让普通人感受到了"跟 AI 自然对话"的魔力。

ChatGPT 发布 5 天，用户数突破 100 万。两个月，突破 1 亿。这是人类历史上增长最快的消费级应用。

但 2022 年的 ChatGPT 还只是一个"对话工具"。你问它问题，它给答案。它不会主动去做什么，也不会记住你们的长期对话。它的上下文窗口只有 4096 个 token（大约几千字），聊一会儿就"忘"了前面说的什么。

然而，ChatGPT 证明了一件事：大语言模型已经具备了理解复杂指令、进行逻辑推理、生成高质量内容的能力。 这是 Agent 时代的技术基础。没有这个基础，后面的一切都不会发生。

类比

2022 年就像"电灯泡被发明"的那一刻。电灯泡本身只是一个照明工具，但它证明了"电力"是可以被人类控制和利用的。接下来，人们发明了电风扇、电冰箱、电视机、电脑……电灯泡是起点，而不是终点。ChatGPT 就是 AI 领域的那个"电灯泡"。

2022 年的代表性事件：

• 2022年4月：Google 发布 PaLM（5400亿参数），展示了大规模语言模型的潜力
• 2022年5月：DeepMind 发布 Gato，一个能处理多种任务的通用 AI 模型
• 2022年8月：Stability AI 发布 Stable Diffusion，文生图领域迎来爆发
• 2022年11月30日：OpenAI 发布 ChatGPT，引爆全球大模型浪潮

2.2 2023：AutoGPT 掀起 Agent 热潮

2023 年，ChatGPT 的余温还在，但开发者们已经开始思考一个问题：能不能让 AI 不只是"说话"，而是真正"做事"？

2023 年 3 月，一个名为 AutoGPT 的开源项目在 GitHub 上发布，彻底点燃了 Agent 的热潮。

AutoGPT 的核心思想非常简单，也非常激进：

给 AI 一个目标，然后让它自己循环执行：思考 → 行动 → 观察 → 再思考，直到完成目标。

比如，你给 AutoGPT 一个目标"帮我策划一场生日派对"。它会自己分解任务：

1. 确定派对日期和地点
2. 列宾客名单
3. 规划餐饮
4. 准备娱乐活动
5. 发送邀请

然后它会一步一步执行：搜索派对场地信息、写宾客名单文档、查餐饮方案……每一步都可能调用搜索引擎、读写文件、甚至写代码。

AutoGPT 在 GitHub 上的 Star 数以惊人的速度增长，短短几周就突破了 100k。它让人们第一次看到了"AI 自主行动"的可能性。

但 AutoGPT 的问题也很快暴露出来：

• 容易陷入循环：Agent 反复"思考"但做不出实质性进展，就像一个焦虑的人在原地打转
• 任务分解质量不稳定：简单的目标分解得很好，复杂的目标就乱了套
• 成本高：每次循环都要调用 LLM API，一个任务下来可能烧掉几美元
• 缺乏有效的记忆管理：Agent 会"忘记"重要的上下文信息

常见问题

Q：AutoGPT 现在还能用吗？

A： 能，但已经不是最热门的选择了。AutoGPT 项目在 2023 年后经历了多次重构，目前的版本比最初稳定了很多。但在功能完整性和生态丰富度上，它已经被 OpenClaw 和 Hermes 等后来者超越了。不过，AutoGPT 的历史地位不可磨灭——它是第一个让"AI Agent"概念深入人心的项目。

2023 年还涌现了其他重要的 Agent 项目：

BabyAGI：由开发者 Yohei Nakajima 创建，是一个极简的 Agent 原型。它的代码只有几百行，但清晰地展示了"任务生成 → 优先级排序 → 执行"的核心循环。很多后来的 Agent 框架都受到了 BabyAGI 的启发。

AgentGPT：AutoGPT 的浏览器版本，让不会编程的用户也能体验 Agent。它在易用性上做了很大改进，但能力上受限于浏览器环境。

LangChain：虽然 LangChain 不完全是 Agent 框架，但它在 2023 年的快速发展为 Agent 的构建提供了重要的基础设施——链式调用、工具集成、记忆管理、Prompt 模板等。可以说，没有 LangChain 打下的基础，后来的 Agent 框架不会发展得那么快。

2023 年的代表性事件：

• 2023年3月：AutoGPT 发布，GitHub Star 数在数周内破 100k
• 2023年3月：BabyAGI 发布，极简 Agent 理念影响深远
• 2023年4月：AgentGPT 发布，降低 Agent 使用门槛
• 2023年6月：OpenAI 发布 Function Calling，让 LLM 能调用外部工具
• 2023年11月：OpenAI 发布 GPT-4 Turbo，上下文窗口提升到 128k

2.3 2024：工具调用成熟、RAG 架构普及、Multi-Agent 系统涌现

2024 年是 Agent 技术"从概念走向工程化"的关键一年。

工具调用成熟

2023 年的 Agent 项目大多是"手工拼接"的——开发者自己写代码让 LLM 调用工具。2024 年，OpenAI 的 Function Calling、Anthropic 的 Tool Use 等功能让 LLM 原生支持工具调用，大大降低了开发门槛。

工具调用的成熟意味着：Agent 不再是一个"只会说话"的聊天机器人，而是真正可以"动手做事"的执行者。搜索网页、读写文件、操作数据库、发送邮件、调用 API……这些能力让 Agent 的应用场景大大扩展。

RAG 架构普及

RAG（Retrieval-Augmented Generation，检索增强生成）在 2024 年成为主流架构。RAG 解决了 LLM 的两个核心问题：

1. 知识新鲜度：LLM 的训练数据有截止日期，不知道最新发生的事情。RAG 让 Agent 能实时检索最新信息。
2. 幻觉问题：LLM 有时会"编造"不存在的知识。RAG 通过让 LLM 基于检索到的真实资料来回答，大大降低了幻觉率。

2024 年，向量数据库（Pinecone、Weaviate、Qdrant、Chroma 等）迎来了爆发式增长，RAG 的检索精度和速度都有了质的飞跃。

Multi-Agent 系统涌现

2024 年，多个 Multi-Agent 框架发布，其中最引人注目的是 MetaGPT。

MetaGPT 的创意来自于软件公司的组织架构。它模拟了一个完整的开发团队：

• 产品经理：写产品需求文档（PRD）
• 架构师：设计系统架构
• 项目经理：分解任务、分配资源
• 工程师：写代码
• 测试员：测试和报告 Bug

这些角色不是人类，而是 Agent。它们通过结构化的文档（PRD、设计文档、任务列表）来协作，最终产出一个完整的软件项目。

MetaGPT 的出现让人们看到了 Multi-Agent 系统的巨大潜力。但它的局限性也很明显：主要面向软件开发场景，对于非技术任务的适配性不强；Agent 之间的协作有时会出现"踢皮球"的情况；整体流程比较僵化，缺乏灵活性。

2024 年的代表性事件：

• 2024年1月：MetaGPT 发布，Multi-Agent 协作范式受到关注
• 2024年3月：CrewAI 发布，轻量级 Multi-Agent 框架
• 2024年4月：Llama 3 发布，开源模型能力逼近闭源模型
• 2024年6月：Claude 3.5 Sonnet 发布，编码能力大幅提升
• 2024年9月：OpenAI 发布 o1 系列，推理能力实现质的飞跃
• 2024年12月：Google 发布 Gemini 2.0，多模态能力全面增强

2.4 2025：OpenClaw 横空出世、MCP 协议标准化、个人 AI 助手元年

2025 年是 AI Agent 从"极客玩具"走向"大众工具"的关键年份。

OpenClaw 横空出世

2025 年初，Nous Research 团队发布了 OpenClaw。这个项目迅速成为 GitHub 上 Star 数最高的 Agent 项目之一，最终达到了 309k Stars 的惊人成绩。

OpenClaw 的成功有几个关键因素：

1. 丰富的工具生态：内置了几十个常用工具，覆盖搜索、文件操作、代码执行、通信等多个领域
2. 灵活的配置系统：用户可以通过配置文件和 YAML 文件来定制 Agent 的行为，不需要写代码
3. 活跃的社区：Skills Hub 生态让用户可以方便地分享和下载技能
4. 多平台支持：支持 Discord、Telegram、Slack 等多个平台的接入

OpenClaw 让"拥有一个个人 AI 助手"从程序员的专利变成了普通用户也能做到的事情。它标志着 Agent 技术的第一次大规模普及。

但 OpenClaw 也有其局限性：

• 记忆系统相对简单，缺乏长期记忆能力
• 技能系统是静态的，不能自动创建和进化
• 架构设计在早期快速迭代中积累了一定的技术债务
• 用户建模能力有限，难以实现真正的个性化

这些局限性，最终促使了 Hermes 的诞生。

类比

OpenClaw 就像早期的智能手机——功能已经很多，能打电话、能上网、能拍照，但续航差、内存小、系统不够流畅。它证明了"个人 AI 助手"这个方向是对的，但也暴露了需要改进的地方。Hermes 就像是新一代智能手机——在同样的理念上，把每一个细节都打磨得更好。

MCP 协议标准化

2025 年中，Anthropic 推出了 MCP（Model Context Protocol，模型上下文协议）。这是一个开放标准，用于统一 AI 模型与外部工具/服务之间的通信方式。

在 MCP 之前，每个 Agent 框架都有自己的工具调用方式。A 框架的工具不能直接在 B 框架中使用，开发者需要为每个框架重复造轮子。MCP 的出现解决了这个问题——它定义了一套统一的标准，任何符合 MCP 规范的工具，都可以被任何支持 MCP 的 Agent 调用。

MCP 的重要性怎么强调都不为过。它就像是 Agent 世界的 USB-C 接口——一个标准，连接万物。到 2026 年 4 月，MCP 生态已经覆盖了 6000+ 服务，从数据库、搜索引擎到代码仓库、设计工具，几乎涵盖了所有常用的软件服务。

个人 AI 助手元年

2025 年下半年，"个人 AI 助手"成为了科技行业最热门的话题。

• 科技公司纷纷推出自己的 Agent 产品
• 开源社区涌现出大量新项目
• 投资机构开始重点关注 Agent 赛道
• 媒体铺天盖地报道"AI 助理将改变工作方式"

但真正让个人 AI 助手从"概念"变成"可用产品"的，是像 OpenClaw 这样的开源框架。它们让普通用户能够低成本、高自由度地搭建自己的 Agent。

2025 年的代表性事件：

• 2025年1月：OpenClaw 发布，迅速成为 GitHub 上最热门的 Agent 项目
• 2025年3月：DeepSeek-V3 发布，以极低成本实现接近 GPT-4 的能力
• 2025年5月：Anthropic 发布 MCP 协议，Agent 工具生态迎来标准化
• 2025年6月：AutoGen v0.4 发布，Multi-Agent 编排能力大幅提升
• 2025年8月：Claude 3.5 Opus 发布，复杂推理能力达到新高度
• 2025年10月：OpenAI 发布 GPT-5 预览版，多模态和推理能力全面增强
• 2025年12月：OpenClaw GitHub Star 数突破 300k，创造开源 Agent 项目新纪录

2.5 2026：Hermes Agent 崛起、自学习 Agent 时代开启

2026 年，AI Agent 领域迎来了新的篇章。

Hermes Agent 的崛起

2026 年初，Nous Research 团队发布了 Hermes Agent。作为 OpenClaw 的精神续作，Hermes 继承了前者的优秀基因，同时进行了全面的架构升级。

截至 2026 年 4 月 20 日，Hermes Agent 在 GitHub 上已获得 104,791 个 Stars，而它正式发布才约两个月。这个增长速度在整个 AI 开源领域都是极为罕见的。

Hermes 的官方定位非常清晰：

"自我提升的自主代理，生活在所有其他工具之外。"

这句话包含了三层含义：

1. 自我提升：Hermes 不是静态的，它能通过自学习闭环持续改进
2. 自主代理：它能独立感知、规划、行动，不需要人类一步一步指导
3. 生活在所有其他工具之外：它不是某个工具的插件或扩展，而是一个独立存在的智能体

在 Nous Research 的官方文档中，Hermes 与竞品的定位差异被描述得非常清晰：

这个对比很有意思。Claude Code 和 Cursor 都是"编码工具"——它们活在代码仓库或编辑器里，帮你写代码、改 Bug。OpenClaw 是"任务运行器"——你配置好任务，它按配置执行。而 Hermes 是"自主代理"——它有自己的判断力和进化能力，不依赖于预设的配置。

Tips

社区中有一个有趣的共识：大多数高级用户同时使用 Hermes + Claude Code，它们是叠加关系而非竞争关系。 也就是说，Hermes 负责宏观的任务规划和自主执行，Claude Code 负责具体的代码实现。两者配合，效率更高。这就像你有一个项目经理（Hermes）和一个高级工程师（Claude Code），各司其职，协同工作。

Harness Engineering 五层框架

Hermes 的架构设计采用了 Harness Engineering 五层框架：

1. 指令层（Instruction Layer）：接收和解析用户的意图，将自然语言转化为可执行的计划
2. 约束层（Constraint Layer）：确保 Agent 的行为在安全、合规、道德的边界内运行
3. 反馈层（Feedback Layer）：收集执行结果和用户反馈，为学习模块提供输入
4. 记忆层（Memory Layer）：管理三层记忆系统，支持高效的信息存储和检索
5. 编排层（Orchestration Layer）：协调各个模块的运作，管理任务队列和资源分配

这个五层框架的设计哲学是"分层解耦"——每一层只负责自己的职责，层与层之间通过清晰的接口通信。这使得 Hermes 既容易理解，又容易扩展。

技能生态的爆发

截至 2026 年 4 月 19 日，Hermes 的社区贡献技能数量已达到 643 个，覆盖了从开发工具到生活助手、从金融分析到内容创作的各个领域。Skills Hub 生态正在快速成长，每天都有新的技能被提交和审核。

三类目标用户

Hermes 的设计明确面向三类核心用户：

1. CLI 编码器：习惯在命令行工作的开发者，他们追求效率和控制力
2. 自动化操作员：需要自动化处理重复性任务的用户，他们追求"设置好就不管"
3. Telegram 机器人操作员：通过 Telegram 等即时通讯平台与 Agent 交互的用户，他们追求随时随地的便利性

注意

这三类用户不是互斥的。很多用户同时属于多个类别。Hermes 的灵活架构允许同一个实例同时服务多种使用场景。

开源与模型生态

Hermes 采用 MIT 开源许可证，这意味着任何人都可以自由地使用、修改和分发 Hermes 的代码，包括用于商业目的。这个许可证选择体现了 Nous Research 团队推动 Agent 技术民主化的决心。

在模型支持方面，Hermes 支持 18+ 个模型提供者，包括：

• Claude Sonnet/Opus（Anthropic）
• GPT-5（OpenAI）
• GLM-5（智谱 AI）
• MiniMax M2.7（MiniMax）
• DeepSeek（深度求索）
• Nous Portal（Nous Research 的统一订阅服务）

特别值得一提的是 Nous Portal，这是 Nous Research 推出的统一订阅模式。用户只需要一次认证，就可以访问多个模型，无需为每个模型单独注册和付费。这大大简化了模型选择和多模型切换的流程。

类比

Nous Portal 就像是"模型世界的 Netflix"——你付一份订阅费，就能看多个平台的电影。不需要每个平台单独注册、单独付费、单独管理账号。对于需要频繁切换模型（比如用 Claude 做分析、用 DeepSeek 做中文内容、用 GPT-5 做创意生成）的高级用户来说，这是极大的便利。

2026 年的代表性事件：

• 2026年1月：Hermes Agent 正式发布
• 2026年2月：Hermes GitHub Star 数突破 50k
• 2026年3月：MCP 生态突破 5000 个服务
• 2026年4月：Hermes GitHub Star 数达到 104,791，社区技能数达到 643 个
• 2026年4月：GLM-5 发布，国产大模型能力再上新台阶

2.6 每个阶段的关键项目分析小结

让我们用一张大表格来总结 2022-2026 年的关键项目和事件：

3. 2025-2026 AI Agent 行业格局

3.1 主流 Agent 框架全景图

截至 2026 年 4 月，AI Agent 框架领域已经形成了"一超多强"的格局。以下是主流框架的概览：

第一梯队（Star 数 > 50k）

• OpenClaw：309k Stars，配置驱动的任务运行器，生态最丰富
• Hermes：104,791 Stars，自我提升的自主代理，增长最快
• AutoGPT：165k Stars，Agent 概念的开创者，历史地位高
• LangChain：95k Stars，LLM 应用开发的基础设施

第二梯队（Star 数 10k-50k）

• CrewAI：38k Stars，轻量级 Multi-Agent 框架
• AutoGen：32k Stars，微软推出的 Multi-Agent 编排框架
• LangGraph：28k Stars，LangChain 团队的图编排 Agent 框架
• MetaGPT：25k Stars，模拟软件公司组织架构的 Multi-Agent 系统
• LlamaIndex：22k Stars，RAG 和数据检索的专家
• BabyAGI：18k Stars，极简 Agent 原型，启发深远

第三梯队（Star 数 < 10k）

• AgentGPT：12k Stars，AutoGPT 的浏览器版本
• SuperAGI：9k Stars，面向开发者的 Agent 构建平台
• Camel：7k Stars，多 Agent 协作框架
• 其他：数百个新兴项目，数量快速增长

Tips

GitHub Stars 不是衡量项目质量的唯一标准，但它是反映社区关注度和项目活跃度的重要指标。一个高 Stars 的项目通常意味着：文档更完善、社区更活跃、第三方资源更丰富、遇到问题更容易找到解决方案。

3.2 详细对比表格

让我们从多个维度对这些主流框架进行详细对比：

让我们逐行解读这个对比表。

架构模式

AutoGPT 是经典的"单 Agent 循环"模式——一个 Agent 反复执行"思考-行动-观察"的循环。这种模式简单直观，但容易陷入循环或偏离目标。

MetaGPT、CrewAI、AutoGen 都是 Multi-Agent 模式。多个 Agent 分工协作，适合复杂任务。但协调成本高，有时会出现"踢皮球"现象。

LangGraph 采用"图编排"模式。用有向图来定义任务的流转关系，适合确定性强的业务流程。但对于需要灵活应变的场景，图的刚性结构可能成为限制。

OpenClaw 是"模块化单体"模式。一个 Agent 内部有多个模块（工具、技能、记忆等），通过配置来组合。灵活性高，但模块之间的耦合度也较高。

Hermes 采用"Harness Engineering 五层框架"——指令层、约束层、反馈层、记忆层、编排层。这种分层架构的解耦度更高，每一层都可以独立优化和扩展。

记忆系统

这是 Hermes 最突出的优势之一。大多数框架的记忆系统都是"浅层"的——要么是简单的文件存储，要么是临时的上下文缓存。Hermes 的三层记忆系统（会话记忆 + 持久记忆 + Skill 级记忆）实现了真正的长期记忆能力。

学习能力

令人惊讶的是，在 2026 年的主流框架中，具备真正"运行时自学习"能力的仍然寥寥无几。大多数框架的"学习"依赖于开发者更新代码或重新训练模型。Hermes 的自学习闭环（执行 → 评估 → 提取经验 → 更新记忆 → 优化技能）是一个突破性的设计。

技能系统

传统框架的技能系统都是"静态"的——开发者写好，用户拿来用。Hermes 的"自动创建 + 自我进化"能力打破了这种模式，让技能系统成为了一个"活"的生态系统。

用户建模

在这个对比维度上，Hermes 几乎是"一枝独秀"。其他框架要么完全没有用户建模，要么只有非常基础的功能（比如记住用户的名字）。Hermes 的多维度用户画像（基础画像、交互偏好、知识图谱、任务模式、反馈历史）为实现真正的个性化服务奠定了基础。

注意

这个对比表反映的是 2026 年 4 月的情况。AI Agent 领域发展极快，各框架都在快速迭代。比如，AutoGen 和 CrewAI 可能在未来版本中增加记忆和学习能力。对比表的目的是帮助你理解当前格局，而不是做出"哪个更好"的绝对判断。

3.3 开源 vs 闭源、本地 vs 云端的趋势分析

2025-2026 年的 AI Agent 市场，有两个核心矛盾正在塑造行业格局。

矛盾一：开源 vs 闭源

闭源阵营的代表是 OpenAI、Anthropic、Google 等科技巨头。它们的产品技术能力强、集成度高、用户体验好。但缺点是：

• 数据必须上云，隐私风险大
• 按调用付费，成本高且不可控
• 定制受限，只能按厂商的设计使用
• 存在"厂商锁定"风险——一旦依赖了某个平台，迁移成本极高

开源阵营的代表是 OpenClaw、Hermes、LangChain 等社区项目。它们的优势是：

• 数据完全本地可控，隐私安全
• 免费使用（仅需承担运行成本）
• 高度可定制，可以修改任何部分
• 不存在厂商锁定，代码属于自己

但开源项目也有挑战：

• 需要一定的技术能力来部署和维护
• 文档和支持不如商业产品完善
• 功能更新速度可能不如资金雄厚的商业公司

趋势判断：2026 年的趋势是"混合模式"。越来越多的企业采用"开源框架 + 商业模型 API"的组合——用开源框架（如 Hermes）保证数据可控和定制化，同时调用商业 LLM API（如 Claude、GPT-5）来获得强大的推理能力。这种组合兼顾了两方面的优势。

类比

闭源产品像是"精装房"——拎包入住，省心省力，但你不能拆墙、不能改布局。开源框架像是"毛坯房"——需要自己装修，但你可以按照自己的想法设计每一个角落。而"开源框架 + 商业 API"就像是"毛坯房 + 品牌家电"——基础结构自己掌控，核心设备用最好的。

矛盾二：本地 vs 云端

本地部署意味着 Agent 运行在你自己的机器或私有服务器上。云端部署意味着 Agent 运行在服务商的服务器上。

本地部署的优势：

• 数据不出本地，隐私绝对安全
• 没有网络延迟，响应速度快
• 不受服务商政策变化影响
• 可以离线使用（如果接本地模型）

本地部署的挑战：

• 需要自己的硬件资源（GPU/CPU、内存、存储）
• 需要自己负责运维和维护
• 初始配置相对复杂

云端部署的优势：

• 零配置，打开即用
• 不需要维护硬件
• 可以方便地共享和协作

云端部署的挑战：

• 数据隐私风险
• 持续的订阅费用
• 网络依赖（没网就不能用）
• 服务商倒闭或政策变化的风险

趋势判断：2026 年，本地部署的趋势明显增强。原因有几个：

1. 开源模型能力快速提升：Llama 3、DeepSeek、Qwen 等开源模型的能力已经逼近甚至超过部分闭源模型，使得本地运行高质量模型成为可能
2. 数据隐私意识增强：越来越多的企业和个人意识到数据的价值和风险，不愿意把敏感数据交给第三方
3. 本地部署工具成熟：Docker、Ollama、LM Studio 等工具让本地部署变得越来越简单
4. 成本考量：对于高频使用者，本地部署的长期成本远低于按调用付费

Hermes 的设计哲学就是"本地优先"。虽然它也支持云端部署，但核心功能和数据管理都是为本地场景优化的。这符合当前的行业趋势。

4. 大模型底座的选择与影响

4.1 主流 LLM 对比

Agent 的"智商"很大程度上取决于它使用的 LLM。选择一个合适的大模型底座，是搭建 Agent 时最重要的决策之一。

以下是 2026 年 4 月主流 LLM 的详细对比：

让我们深入分析几个关键模型。

GPT-5（OpenAI）

GPT-5 是目前综合能力的"天花板"。无论是语言理解、推理能力、代码生成还是创意写作，它都保持着领先优势。多模态能力（文本、图像、音频的统一处理）也是业界顶尖。

对于 Agent 来说，GPT-5 的优势在于：

• 工具调用理解准确，很少出现"乱调用"的情况
• 长上下文处理能力强，适合复杂任务的规划
• 指令遵循度高，不容易"跑偏"

劣势也很明显：

• 价格是行业最高的之一
• 数据必须发送到 OpenAI 的服务器
• API 调用有速率限制

Tips

如果你的 Agent 需要处理极其复杂的任务（比如多步骤的投研分析、复杂的代码重构），且预算充足，GPT-5 是首选。但如果你的任务相对常规，可以考虑性价比更高的替代方案。

Claude 3.5 Sonnet / Opus（Anthropic）

Claude 系列以"推理能力"和"安全性"著称。Claude 3.5 Sonnet 在编码任务上的表现尤其突出，被很多开发者认为是"最好的编程助手"。Opus 则是 Claude 系列中能力最强的版本，适合最复杂的推理任务。

对于 Agent 来说，Claude 的优势在于：

• 推理链条清晰，适合需要严密逻辑的任务
• 安全性设计好，不容易生成有害内容
• 代码理解和生成能力强

劣势：

• 价格比 GPT-4o 更高
• 有时过于"谨慎"，对于一些边界情况拒绝执行
• creative 写作方面不如 GPT 系列灵活

注意

很多开发者有一个误区：认为"模型越贵越好"。事实上，模型选择应该基于任务特性。如果你的 Agent 主要做中文内容创作，DeepSeek 或 GLM-5 可能比 Claude 效果更好；如果你的 Agent 主要做代码相关任务，Claude Sonnet 可能是最佳选择。

DeepSeek-V3（深度求索）

DeepSeek-V3 是 2025 年的"黑马"模型。它以极低的训练成本实现了接近 GPT-4 的能力，震惊了整个 AI 行业。

对于 Agent 来说，DeepSeek 的优势在于：

• 性价比无敌：API 价格约为 GPT-4 的 1/10
• 中文能力强：在中文理解和生成方面表现优异
• 开源可本地部署：可以私有化运行，数据完全可控
• 推理能力优秀：数学和逻辑推理能力不俗

劣势：

• 多模态能力（图像、音频处理）相对较弱
• 工具调用的稳定性不如 GPT 和 Claude
• 国际影响力还在提升中，英文社区资源相对较少

类比

如果把模型比作汽车引擎，GPT-5 是顶配 V12 引擎——动力最强但油耗最高；Claude 是精密调校的 V8——动力充沛且稳定可靠；DeepSeek 是涡轮增压的直列六缸——动力接近 V8 但油耗只有一半。选哪个，取决于你的预算和需求。

GLM-5（智谱 AI）

GLM-5 是国产大模型中的佼佼者。在中文理解、本土知识、文化语境方面有明显优势。

对于面向中文用户的 Agent 来说，GLM-5 是一个非常有吸引力的选择：

• 中文表达自然流畅，很少出现"翻译腔"
• 对中国本土的知识（历史、地理、文化、网络梗）理解准确
• 可以本地部署，满足合规要求
• 价格适中

4.2 模型能力与 Agent 表现的关系

不是所有任务都需要最强的模型。理解"模型能力"和"Agent 表现"之间的关系，可以帮助你做出更经济的选择。

Agent 任务对模型的核心要求：

1. 指令遵循能力：模型是否能准确理解并执行复杂的指令？这是 Agent 的基础要求。
2. 工具调用理解：模型是否能正确判断何时调用工具、调用什么工具、传递什么参数？
3. 上下文理解：模型是否能在长对话中保持对上下文的理解？
4. 推理规划能力：模型是否能将复杂任务分解为合理的步骤？
5. 错误恢复能力：当工具调用失败时，模型是否能理解错误信息并调整策略？

不同任务对模型的要求不同：

Tips

Hermes 支持 18+ 个模型提供者，你可以在配置中为不同的任务指定不同的模型。比如，代码任务用 Claude，中文写作用 GLM-5，复杂分析用 GPT-5。这种"模型路由"能力可以帮你在性能和成本之间找到最佳平衡。

4.3 成本分析

模型的 API 调用成本是运营 Agent 的主要开支之一。以下是 2026 年 4 月的主流模型定价（输入/输出，每百万 token）：

注意

以上价格仅供参考，实际价格可能因服务商、套餐、地区而有所不同。具体价格请以各平台官网为准。同时，很多服务商提供免费额度，新用户可以先试用再决定是否付费。

成本优化策略：

1. 模型分级：简单任务用便宜模型，复杂任务用贵模型。Hermes 支持按任务类型自动路由到不同模型。

2. 本地部署开源模型：如果你有 GPU 资源，本地部署 Llama 3.1 或 DeepSeek 可以将 API 成本降到零。初始硬件投入可能较高，但对于高频使用者，长期看更划算。

3. 缓存重复请求：对于频繁出现的相同或相似请求，使用缓存避免重复调用 API。

4. 控制上下文长度：Agent 的上下文越长，API 调用成本越高。合理管理记忆和上下文，避免不必要的信息冗余。

5. 使用 Nous Portal：对于需要多模型切换的用户，Nous Portal 的统一订阅模式可能比单独购买每个模型的 API 更划算。

类比

模型成本就像是汽车的油费。DeepSeek 是电动车——每公里成本极低；Claude Opus 是超跑——性能最强但油耗惊人。聪明的司机会根据路程选择车辆——日常通勤开电动车，偶尔赛道日开超跑。Agent 的模型选择也是同理。

4.4 开源模型 vs 闭源模型对 Agent 生态的影响

开源模型和闭源模型的竞争，正在深刻影响 Agent 生态的走向。

闭源模型的优势与挑战

闭源模型（GPT-5、Claude、Gemini）由资金雄厚的公司训练和维护，通常保持着性能上的领先。它们是 Agent 生态的"引擎供应商"。

但闭源模型也带来了一些问题：

• 集中化风险：少数公司控制最先进的 AI 能力，可能导致垄断
• 数据依赖：使用闭源模型意味着数据必须上传到第三方服务器
• 成本门槛：高昂的 API 费用让个人开发者和初创企业望而却步
• 可解释性差：不知道模型内部怎么工作，调试困难

开源模型的崛起

2024-2026 年，开源模型经历了爆发式增长。Llama 3、DeepSeek、GLM、Qwen 等模型在性能上快速逼近闭源模型，同时保持开放和可本地部署的特性。

开源模型对 Agent 生态的影响：

1. 降低门槛：任何人都可以免费使用高质量的模型，促进了 Agent 技术的民主化
2. 促进创新：开发者可以修改模型、微调模型，创造出适合特定场景的应用
3. 保障隐私：本地部署消除了数据外泄的风险
4. 避免锁定：不依赖任何单一厂商，用户有完全的自主权

未来趋势

我预测未来几年的趋势是"闭源领跑、开源追赶、混合成为主流"：

• 闭源模型会继续在绝对性能上保持领先，因为大公司有更多的算力和数据资源
• 开源模型会继续缩小差距，在性价比和可定制性上保持优势
• 大多数 Agent 应用会采用"混合策略"——用开源模型处理常规任务，用闭源模型处理复杂任务，根据场景灵活切换

Hermes 的 18+ 模型提供者支持，正是为这种混合策略设计的。你可以在配置中自由组合不同模型，找到最适合自己的方案。

5. MCP 协议：Agent 世界的 USB-C

5.1 MCP 诞生背景与设计理念

2025 年之前，Agent 与外部工具的集成是一场"噩梦"。

每个 Agent 框架都有自己的工具调用方式。OpenClaw 有一套，AutoGen 有一套，LangChain 又有一套。一个工具开发者如果想让自己的服务被多个 Agent 框架使用，就要为每个框架写一遍适配代码。这就像是电器厂商要为每个国家生产不同插头的电器一样荒谬。

更麻烦的是，工具的调用接口各不相同。有的用 REST API，有的用 GraphQL，有的用 gRPC，有的用 WebSocket。参数格式也是五花八门——JSON、XML、Protobuf、自定义格式……Agent 开发者要花大量时间在"适配不同接口"上，而不是"构建智能逻辑"上。

2025 年中，Anthropic 推出了 MCP（Model Context Protocol，模型上下文协议），彻底改变了这个局面。

MCP 的设计理念非常简单：

为 AI Agent 和外部工具之间定义一个统一、开放、标准化的通信协议。

类比一下：

• 在 USB 出现之前，电脑外设有各种接口——串口、并口、PS/2……每个设备都需要特定的线和驱动。
• USB 统一了这一切，一个接口连接所有设备。
• MCP 就是 Agent 世界的 USB（更准确地说，是 USB-C）——一个协议，连接所有工具和服务。

5.2 MCP 如何统一工具调用标准

MCP 的核心架构基于客户端-服务器模型：

┌─────────────────────────────────────────┐
│              Agent (MCP Client)          │
│  ┌─────────┐  ┌─────────┐  ┌─────────┐ │
│  │  MCP A  │  │  MCP B  │  │  MCP C  │ │
│  └────┬────┘  └────┬────┘  └────┬────┘ │
│       │            │            │       │
│  ═════╪════════════╪════════════╪══════ │
│       │    MCP Protocol          │       │
│  ═════╪════════════╪════════════╪══════ │
│       │            │            │       │
│  ┌────┴────┐  ┌────┴────┐  ┌────┴────┐ │
│  │Server A │  │Server B │  │Server C │ │
│  │(Search) │  │(DB)     │  │(GitHub) │ │
│  └─────────┘  └─────────┘  └─────────┘ │
└─────────────────────────────────────────┘

MCP 协议定义了三个核心原语：

1. Tools（工具）

工具是 Agent 可以调用的功能。每个工具有一个名称、描述、参数列表。Agent 通过 LLM 的 Function Calling 能力来决定调用哪个工具、传递什么参数。

{
  "name": "search_web",
  "description": "搜索网页内容",
  "parameters": {
    "type": "object",
    "properties": {
      "query": {
        "type": "string",
        "description": "搜索关键词"
      },
      "limit": {
        "type": "integer",
        "description": "返回结果数量",
        "default": 10
      }
    },
    "required": ["query"]
  }
}

2. Resources（资源）

资源是 MCP 服务器可以向 Agent 暴露的只读数据。比如，一个数据库 MCP 服务器可以暴露表结构、一个文件系统 MCP 服务器可以暴露目录列表。Agent 可以读取这些资源来获取上下文信息。

3. Prompts（提示模板）

Prompts 是预定义的提示模板，帮助 Agent 更好地使用某个服务。比如，一个代码仓库 MCP 服务器可以提供"代码审查提示模板"，Agent 可以直接使用这个模板来审查代码。

Tips

MCP 的妙处在于它的"声明式"设计。工具提供者只需要声明"我有什么能力"，而不需要关心"谁在用我"。Agent 也只需要按照统一协议去发现和使用工具，不需要为每个工具写适配代码。这种解耦大大降低了生态参与的门槛。

5.3 6000+ 服务的生态爆发

MCP 协议发布后的生态增长速度，超出了所有人的预期。

截至 2026 年 4 月，MCP 生态已经覆盖了 6000+ 服务，包括：

开发工具类

• GitHub MCP：操作代码仓库、创建 PR、审查代码
• GitLab MCP：同上，针对 GitLab 平台
• PostgreSQL MCP：查询和操作 PostgreSQL 数据库
• SQLite MCP：本地数据库操作
• Redis MCP：缓存和数据结构操作
• Docker MCP：容器管理

办公协作类

• Slack MCP：发送消息、管理频道
• Discord MCP：社区管理
• Notion MCP：笔记和知识库操作
• Google Docs MCP：文档编辑
• Microsoft Office MCP：Office 文档操作

搜索与信息类

• Brave Search MCP：隐私保护的网页搜索
• Perplexity MCP：AI 驱动的搜索引擎
• Arxiv MCP：学术论文检索
• Wikipedia MCP：百科知识查询

通信与消息类

• Email MCP：邮件收发
• SMS MCP：短信发送
• Telegram MCP：消息推送

金融与数据类

• Yahoo Finance MCP：股票和财经数据
• Alpha Vantage MCP：金融市场数据
• Polygon MCP：实时股票数据

生活服务类

• Weather MCP：天气查询
• Maps MCP：地图和导航
• Calendar MCP：日历管理
• Translation MCP：多语言翻译

类比

MCP 生态的爆发，让我想起了 App Store 的早期。2008 年 App Store 上线时，第一批应用只有 500 个。但统一的平台标准吸引了大量开发者，应用数量呈指数级增长。MCP 正处于类似的"早期爆发期"——6000+ 服务听起来很多，但相比未来可能达到的数十万级别，这才刚刚开始。

5.4 MCP 对 Hermes 和 OpenClaw 的不同意义

MCP 的出现，对不同的 Agent 框架有不同的意义。

对 OpenClaw 的意义

OpenClaw 在 MCP 出现之前，已经建立了自己的工具生态（约 30 个内置工具）。MCP 的出现，让 OpenClaw 能够接入更多的外部服务，扩展了能力边界。但由于 OpenClaw 的架构相对固化，MCP 的集成深度有限——主要是作为"外部工具"的补充，而不是核心架构的一部分。

对 Hermes 的意义

Hermes 从设计之初就把 MCP 作为核心架构的一部分。在 Hermes 的架构中：

• 工具层（Tool Layer） 原生支持 MCP 协议
• Hermes 内置的 47 个工具中，有很多是通过 MCP 方式集成的
• 用户可以通过简单的配置，接入任意 MCP 服务
• Skills Hub 中的社区技能大量依赖 MCP 来扩展能力

更重要的是，Hermes 的技能自我进化能力与 MCP 形成了绝佳的互补：

当 Hermes 发现某个任务需要调用外部服务时，它可以：

1. 去 MCP 市场搜索是否有合适的服务
2. 如果有，自动配置并接入
3. 如果没有，尝试用现有工具组合实现
4. 将解决方案沉淀为新技能，供未来复用

这种"智能发现 + 自动集成 + 经验沉淀"的闭环，让 Hermes 的 MCP 集成能力远超其他框架。

Tips

如果你想为 Hermes 添加一个新的 MCP 服务，步骤非常简单：

1. 找到该服务的 MCP 配置文件（通常是一个 JSON 或 YAML 文件）
2. 在 Hermes 的配置文件中添加 MCP 服务器的地址和认证信息
3. 重启 Hermes，新工具就会自动出现在可用工具列表中

整个过程通常只需要几分钟，不需要写任何代码。

6. AI Agent 商业化与变现趋势

6.1 个人超级个体：AI 赋能单人创业

2026 年，"一人公司"（One-Person Business）的概念正在从梦想走向现实。AI Agent 是这场变革的核心驱动力。

什么是"超级个体"？

传统的创业者需要团队——你需要设计师做 UI、需要程序员写代码、需要运营做推广、需要客服回答问题。但 AI Agent 让一个人可以拥有整个"团队"的能力：

• 内容创作 Agent：自动选题、写作、排版、发布，管理多个自媒体账号
• 设计 Agent：生成图片、制作海报、设计 Logo
• 编程 Agent：写代码、测 Bug、部署上线
• 客服 Agent：7×24 小时回答客户问题
• 数据分析 Agent：收集数据、制作报表、发现趋势
• 投研 Agent：跟踪市场、分析财报、生成报告

一个人，加上一套 Agent 系统，就能完成过去需要一个团队才能完成的工作。

真实案例

在 Hermes 的社区中，有一位昵称为"小马"的独立开发者。他原本是一个普通的程序员，2025 年开始用 OpenClaw 搭建自动化内容创作流程。2026 年迁移到 Hermes 后，他的系统进一步升级：

• 每天早上 8 点，投研 Agent 自动扫描科技新闻和股市动态
• 上午 10 点，内容 Agent 基于投研结果生成 3-5 篇文章
• 下午 2 点，排版 Agent 将文章适配到微信公众号、知乎、今日头条等多个平台
• 下午 4 点，发布 Agent 按最优时间推送内容
• 晚上 8 点，数据分析 Agent 汇总当天的阅读数据，生成运营报告

整个流程全自动运行，小马只需要在关键节点做审核和微调。他一个人运营着 5 个自媒体账号，月收入超过了很多小型工作室。

个人超级个体的核心模式：

Tips

如果你也想成为"超级个体"，建议从"自动化一个你已经很熟悉的流程"开始。不要试图一步到位搭建一个全能系统。先选一个你最常做的重复性任务，用 Agent 把它自动化。成功了一个，再扩展下一个。本书第十四册「九大变现路径」会详细拆解每一条路径。

6.2 企业内部效率工具

AI Agent 在企业端的应用，正在从"试点项目"走向"核心系统"。

企业 Agent 的典型应用场景：

1. 智能客服

传统的客服机器人只能回答预设问题，遇到稍微复杂的情况就"转人工"。Agent 驱动的智能客服可以：

• 理解用户的真实意图，即使表达方式千变万化
• 查询订单系统、知识库、产品文档，给出准确回答
• 处理退换货、修改订单等复杂操作
• 遇到无法解决的问题时，智能地收集信息并转接给最合适的人工客服
• 从每次对话中学习，不断优化回答质量

2. 内部知识库助手

大型企业通常有海量的内部文档——规章制度、项目文档、技术方案、会议纪要。员工查找信息往往耗时耗力。

Agent 可以：

• 整合企业内部的所有信息源（文档、邮件、聊天记录、数据库）
• 用自然语言回答员工的查询
• 主动推送相关信息（比如"你关注的项目有新进展"）
• 生成知识摘要和报告

3. 数据分析与报告

Agent 可以自动：

• 从多个数据源收集数据
• 清洗和整理数据
• 进行统计分析和趋势预测
• 生成可视化的报告和仪表盘
• 在关键指标异常时主动告警

4. 流程自动化

企业中有很多重复性的流程——审批、报销、招聘、入职等。Agent 可以：

• 理解流程规则，自动处理常规请求
• 在需要人工确认时发起审批
• 跟踪流程进度，及时提醒相关人员
• 从流程执行中发现瓶颈，提出优化建议

注意

企业部署 Agent 时，安全性和合规性是首要考虑。Hermes 的本地化部署能力在这里有巨大优势——所有数据都在企业内部，不会外泄。同时，Hermes 的约束层（Constraint Layer）可以设置行为边界，确保 Agent 不会执行越权的操作。

企业市场的商业模式：

6.3 开发者生态与技能市场

Hermes 的 Skills Hub 生态正在催生一个新的"技能市场"。

什么是技能市场？

就像 App Store 里有免费和付费 App 一样，Skills Hub 里也有免费和付费的技能。开发者可以：

• 创建有用的技能，发布到 Skills Hub
• 设置免费或付费（一次性购买或订阅制）
• 获得收入分成

截至 2026 年 4 月 19 日，Skills Hub 已有 643 个社区贡献技能。这个数字在两个月前 Hermes 刚发布时还不到 100。增长速度非常快。

技能市场的参与者：

技能开发者的变现路径：

1. 免费技能 + 增值服务：基础功能免费，高级功能收费
2. 付费技能：一次性购买，价格从几美元到几十美元不等
3. 订阅制技能：按月或按年收费，适合需要持续更新的技能
4. 企业授权：为企业客户提供批量授权和技术支持
5. 定制开发：为特定客户定制专属技能

类比

Skills Hub 就像是 Agent 世界的 "App Store"。2008 年， nobody 想到给手机写 App 能赚钱。但到了 2026 年，App Store 生态创造了数万亿美元的价值。Agent 技能市场正处于类似的早期阶段——现在进入，你可能就是未来的"头部开发者"。

6.4 投研自动化、内容自动化等垂直领域

除了通用的效率工具，Agent 在垂直领域的应用也在快速深入。

投研自动化

投资研究是一个信息密集型、重复性高的工作。分析师需要：

• 跟踪大量新闻和公告
• 阅读和分析财报
• 监控市场数据和指标
• 撰写研究报告

Agent 可以自动化其中 80% 以上的工作：

• 新闻监控 Agent：7×24 小时扫描全球财经新闻，发现与关注标的相关的信息
• 财报分析 Agent：自动下载财报，提取关键指标，生成分析摘要
• 数据监控 Agent：实时监控股价、交易量、宏观经济指标，异常时告警
• 报告生成 Agent：基于收集的信息，自动生成研究报告初稿

真实案例

某小型投研机构的创始人使用 Hermes 搭建了"投研流水线"：

• 每天开盘前，Agent 自动汇总隔夜全球市场动态
• 盘中，Agent 实时监控持仓标的的重大消息
• 收盘后，Agent 自动生成交易复盘报告
• 每周，Agent 生成行业深度报告初稿，分析师在此基础上修改完善

这个系统让他们的研究效率提升了 3 倍以上，分析师可以把更多时间花在"深度思考"而不是"信息收集"上。

内容自动化

内容创作领域是 Agent 应用最成熟的领域之一：

• 选题 Agent：分析热点趋势，推荐选题方向
• 写作 Agent：根据提纲生成文章初稿
• 编辑 Agent：润色文字、检查错别字和语法
• 排版 Agent：适配不同平台的格式要求
• 发布 Agent：按最优时间自动发布
• 数据分析 Agent：分析内容表现，提出优化建议

其他垂直领域

Tips

垂直领域的 Agent 应用通常需要结合领域知识。通用框架（如 Hermes）提供了基础能力，但要真正做好垂直应用，还需要在领域数据上做专门的优化。比如，法律 Agent 需要接入法律数据库，医疗 Agent 需要接入医学知识图谱。这为垂直领域的创业者提供了巨大的机会——你可以基于 Hermes 构建特定行业的解决方案。

7. 中国 AI Agent 生态特色

7.1 国产大模型的崛起

2024-2026 年，中国的大模型产业经历了从"追赶"到"并跑"甚至局部"领跑"的转变。

DeepSeek（深度求索）

DeepSeek 可能是 2025 年最受关注的 AI 公司之一。它的 V3 模型以极低的训练成本实现了接近 GPT-4 的能力，震惊了整个行业。

DeepSeek 对 Agent 生态的意义：

• 成本革命：API 价格只有 GPT-4 的约 1/10，让 Agent 的大规模部署成为可能
• 开源策略：模型权重开源，可以本地部署，满足数据合规要求
• 中文优化：在中文理解和生成方面表现优异

Kimi（月之暗面）

Kimi 以超长上下文窗口著称（支持 200 万字上下文）。这对 Agent 来说是一个巨大的优势——Agent 可以在一次对话中处理海量的背景信息。

通义千问（阿里巴巴）

通义千问系列在代码能力和多语言处理方面表现出色。Qwen2.5 在多个 benchmark 上接近或超过了 Llama 3 的水平。

文心一言（百度）

文心一言在中文知识问答和本土化服务方面有独特优势，与百度搜索、百度地图等生态有深度整合。

GLM（智谱 AI）

GLM-5 在中文理解和生成方面达到了新的高度，同时支持 Function Calling 等 Agent 所需的核心能力。

国产模型的共同优势：

1. 中文能力强：在中文语境、文化理解、本土知识方面，国产模型通常优于国外模型
2. 价格竞争力：国产模型的 API 价格普遍低于国外竞品
3. 合规优势：数据不出境，满足国内的数据安全法规要求
4. 本地部署支持：大多数国产模型支持私有化部署

类比

国产大模型的发展，让我想起了中国智能手机产业的崛起。十年前，国产手机还是"廉价模仿"的代名词。但今天，华为、小米、OPPO 等品牌在全球市场占据了重要地位。国产大模型正在走类似的路径——从追赶到并跑，未来可能在某些领域实现领跑。

7.2 中文社区的特殊需求与玩法

中文 AI Agent 社区有一些独特的需求和玩法，这是国外社区所没有的。

需求一：微信生态集成

微信是中国最重要的社交平台。大多数中文用户希望 Agent 能够通过微信与他们交互——而不是 Discord 或 Telegram。

Hermes 支持微信接入（详见第十册），这是它受到中文用户欢迎的重要原因之一。

需求二：本土化内容创作

中文内容创作有很多特殊的"玩法"：

• 公众号文章需要符合特定的排版风格和阅读节奏
• 小红书的笔记需要特定的标签和表情使用习惯
• 抖音的脚本需要考虑短视频的节奏和"钩子"
• B站的内容需要考虑弹幕文化和"梗"的使用

通用的内容生成 Agent 很难做好这些本土化细节。中文社区的开发者正在创建专门针对这些平台的技能。

需求三：合规与审查

在中国运营 AI 服务，需要遵守相关的法律法规。这包括内容安全、数据保护、算法备案等方面的要求。

本地部署的 Agent（如 Hermes）在这方面有天然优势——数据不出境、内容审核规则可以自定义、算法逻辑透明可控。

需求四：多音字和方言处理

中文的多音字、方言、网络用语对 LLM 是一个挑战。国产模型在这方面通常有更好的表现。

Tips

如果你主要服务中文用户，建议优先选择国产模型或针对中文优化过的模型作为 Agent 的底座。即使你的 Agent 框架是国际化的（如 Hermes），模型选择也要考虑本土化因素。

7.3 本土化部署与合规考量

在中国部署 AI Agent，需要考虑以下几个合规问题：

数据安全法与个人信息保护法

• 处理个人信息需要获得用户同意
• 敏感数据的处理需要额外的安全措施
• 数据跨境传输受到严格限制

本地部署的优势：

# Hermes 完全本地部署时，所有数据都在你的机器上
# 不需要担心数据跨境传输的问题
# 你可以完全控制数据的存储、使用和删除
 
$ hermes start --local-only
# 启动本地模式，不连接任何外部云服务

生成式 AI 服务管理暂行办法

中国对生成式 AI 服务有专门的管理规定，包括：

• 需要进行算法备案
• 需要建立内容审核机制
• 需要保护用户数据安全

对于企业用户来说，使用本地部署的开源框架（如 Hermes），可以更好地满足这些合规要求。

注意

合规是一个复杂的法律问题，本节的介绍仅供参考，不能替代专业的法律建议。如果你在企业环境中部署 Agent，建议咨询专业的法律顾问。

7.4 飞书、微信等国内平台的集成优势

中国的办公和社交平台有其独特的生态，这为 Agent 的集成提供了丰富的场景。

飞书（Lark）

飞书是字节跳动推出的企业协作平台，在国内企业中有很高的渗透率。

Agent 与飞书的集成场景：

• 智能会议助理：自动记录会议纪要、提取 action items、跟进任务进度
• 知识库问答：员工在飞书群里 @Agent 提问，Agent 从企业知识库中查找答案
• 审批助手：自动处理常规审批请求，复杂情况转人工
• 日报/周报生成：自动汇总工作数据，生成报告

微信

微信是中国最大的社交平台，几乎人人都在用。

Agent 与微信的集成场景：

• 个人助理：通过微信与 Agent 交互，随时随地获取帮助
• 社群运营：在微信群中自动回答问题、管理群规、推送内容
• 客服接入：微信公众号/小程序中接入 Agent 客服
• 家庭成员共享：一家人共用一个 Agent，管理家庭事务

钉钉

钉钉是阿里巴巴推出的企业协作平台，在中小企业中有广泛的用户基础。

Agent 与钉钉的集成场景与飞书类似，主要是企业内部的效率工具。

接入方式：

Hermes 提供了这些平台的 Gateway 模块，接入方式通常是通过平台的机器人/Webhook 接口：

# Hermes 配置示例：接入飞书
gateways:
  lark:
    enabled: true
    app_id: <YOUR_LARK_APP_ID>
    app_secret: <YOUR_LARK_APP_SECRET>
    webhook_url: https://open.feishu.cn/open-apis/bot/v2/hook/xxx
    # 启用后，Agent 可以通过飞书接收和发送消息

# Hermes 配置示例：接入微信
gateways:
  wechat:
    enabled: true
    token: <YOUR_WECHAT_TOKEN>
    app_id: <YOUR_WECHAT_APP_ID>
    app_secret: <YOUR_WECHAT_APP_SECRET>
    # 需要配合微信开发者平台的认证

Tips

微信个人号的接入有一定限制（腾讯对自动化工具管控较严）。建议企业用户使用微信公众号或企业微信接入。个人用户可以考虑用 Telegram 或 Discord 作为替代方案。第十册「多平台接入实战」会详细介绍每个平台的接入方法和注意事项。

8. 本章小结与展望

8.1 本章核心内容回顾

恭喜你读完了这一章！本章的信息量很大，让我们做一个系统的回顾。

什么是 AI Agent？

AI Agent 是基于大语言模型构建的、能够自主感知环境、进行推理规划、执行复杂任务并从经验中学习的智能系统。它与传统 AI 工具的本质区别在于：从"被动响应"到"主动目标驱动"，从"单次交互"到"持续学习和进化"。

AI Agent 发展简史

• 2022：ChatGPT 引爆大模型革命，奠定了 Agent 的技术基础
• 2023：AutoGPT 掀起 Agent 热潮，首次让大众看到 AI 自主行动的可能性
• 2024：工具调用成熟、RAG 普及、Multi-Agent 系统涌现，Agent 从玩具走向可用工具
• 2025：OpenClaw 横空出世（309k Stars）、MCP 协议标准化、个人 AI 助手元年
• 2026：Hermes Agent 崛起（104,791 Stars），自学习 Agent 时代开启

2025-2026 行业格局

主流框架形成了"一超多强"的格局。Hermes 凭借 Harness Engineering 五层框架、三层记忆系统、自动技能创建与进化、按需检索、用户建模等核心优势，在快速增长中确立了领先地位。

大模型底座选择

模型选择应该基于任务特性：编码选 Claude，中文选 DeepSeek/GLM-5，复杂推理选 GPT-5/Claude Opus，性价比选 DeepSeek。Hermes 支持 18+ 模型提供者（包括 Nous Portal 统一订阅），可以灵活组合。

MCP 协议

MCP 是 Agent 世界的 USB-C，统一了工具调用标准。6000+ 服务的生态爆发，让 Agent 的能力边界无限扩展。Hermes 从设计之初就深度集成 MCP，形成了"智能发现 + 自动集成 + 经验沉淀"的闭环。

商业化趋势

• 个人超级个体：一人公司成为现实
• 企业效率工具：从试点走向核心系统
• 技能市场：新的开发者生态正在形成
• 垂直领域：投研、内容、法律、医疗等方向快速深入

中国生态特色

国产大模型（DeepSeek、Kimi、GLM 等）快速崛起，中文社区有独特的需求和玩法（微信集成、本土化内容、合规要求），飞书、微信、钉钉等平台的集成为 Agent 提供了丰富的应用场景。

8.2 对 2026-2027 年的展望

基于对行业趋势的分析，我对未来一年做出以下预测：

预测一：Agent 将从"辅助工具"进化为"协作伙伴"

2026 年的 Agent 主要还是"执行者"——你给它任务，它完成。2027 年，Agent 将更多地扮演"协作者"的角色——它会主动提出建议、挑战你的假设、帮你发现盲点。这种关系的变化，将深刻改变人机交互的范式。

预测二：自学习将成为标配

2026 年，具备自学习能力的 Agent 框架还很少（Hermes 是领先者）。到 2027 年，自学习将成为主流 Agent 框架的标配功能。不能自我进化的 Agent 将被市场淘汰。

预测三：多 Agent 协作将更加成熟

2026 年的 Multi-Agent 系统还存在协调成本高、容易"踢皮球"等问题。2027 年，随着编排技术的进步，多 Agent 协作将变得更加流畅和高效。

预测四：Agent 将深度融入操作系统

未来的操作系统（Windows、macOS、Linux、手机系统）将把 Agent 作为核心组件。Agent 不再是"一个应用"，而是"系统的一部分"。

预测五：中国 Agent 生态将走出独立路径

依托国产大模型的崛起和本土平台的深度整合，中国的 AI Agent 生态将走出一条不同于欧美的发展路径。在中文场景下，国产方案可能更具竞争力。

Tips

预测未来是一件危险的事情——很容易被打脸。但趋势判断是有价值的，因为它帮助你提前布局。无论这些预测是否完全准确，"Agent 会越来越重要"这个大方向是确定的。越早投入学习和实践，你在未来的竞争中就越有优势。

8.3 给读者的行动建议

读完这一章，你可能对 AI Agent 行业有了全景式的认知。但认知不转化为行动，就只是一堆信息而已。以下是三个建议：

建议一：选择一个框架，深入实践

不要试图了解所有的框架。选一个（我推荐 Hermes），把它学深学透。真正理解一个框架，比 superficially 了解十个框架更有价值。

建议二：关注行业动态，但不要被信息淹没

Agent 领域每天都有新东西出来。选 2-3 个可靠的信息源（比如官方博客、几个核心开发者的 Twitter、一个高质量的技术社区），定期浏览即可。不要追求"知道所有新消息"，那是不可能的。

建议三：找到你的应用场景

技术本身不是目的，解决问题才是。想一想：在你的工作或生活中，有哪些重复性、耗时的任务可以用 Agent 来自动化？找到一个具体的场景，动手去实现它。实践中的问题会逼着你学习，这种学习效率远高于被动阅读。

本章是全书 16 册中"视野最宏观"的一章。建立行业认知的目的，是为了让你在后续学习具体技术时，知道每一个知识点在"大图景"中的位置。

接下来，第三册「Hermes 诞生与演进」将带你深入了解 Hermes 这个项目的前世今生——它的团队、它的技术基因、它从 OpenClaw 演进过来的故事。理解一个项目的过去，是预判它未来的最佳方式。

让我们继续这段旅程。