Hermes Agent：与你共同成长的智能体｜第357期
摘要
- Hermes Agent 的产品理念是，实用的工作流知识会随着使用不断积累。 Jeffrey Quesnelle 描述了一种智能体：它会把成功完成的任务转化为可复用技能，无需用户明确要求保存。第一次订餐厅花了30或45分钟；第二天，它立刻复用了整个流程——这就是“智能体应该越用越好”的实际含义。
- AI 的价值将取决于完成的工作，模型与执行框架共同创造价值。 Quesnelle 打了个比方：“模型是大脑，执行框架是身体”：更强的执行基础设施，能让较弱的模型胜过较强的模型。最终，客户会为更便宜或更快交付的成果付费；但成果的所有权和价值如何分配，仍未厘清。
- 开源模型需要业务能从其普及中获益的资助者。 Quesnelle 对比了 Meta 在模型开发上的高成本受挫，以及中国公司借助开源发布提升影响力的做法。他认为 NVIDIA 可能成为重要的西方资助者，因为模型工作负载运行在它的芯片上：“庄家总是赢家。”他的乐观判断明确限于短期。
- 企业级机会在于把一名工程师的经验推广到整个组织。 Nous 内部的调试智能体在约1个月里积累了技能，使支持人员能够排查客户问题，并获取报告和根因。下一步是支持协作和多租户部署，但 Quesnelle 没有透露合作方或商业成果。
- 小团队无需复制前沿实验室的预算，也能获得杠杆效应。 Nous 致力于在昂贵的研究瓶颈上实现“1000倍改进”，其中包括稀缺的工程人才。Quesnelle 将功劳归于一名团队成员：一处称其为 Technium，另一处称其为 Teknium；据他描述，此人此前还无法独立从零编写大型应用，却打造了他所称的 GitHub“排名第一的开源仓库”。
- 有效委派需要明确成功标准，并审慎选择任务。 Quesnelle 建议挑选那些“需要无限耐心、但几乎不需要创造力”的工作，而不是照着高管职位设计智能体。用户应说明预期结果和评估标准；至于人类审美，他至少“现阶段”不会交给智能体。
- 长期风险在于自动化可能削弱使用者的能力。 Quesnelle 担心用户会“放弃思考”，尤其是一整代人从小就认定电脑无所不知。Nous 提出的标准是，AI 应让人“今天比昨天更好，明天比今天更好”——他表示，这也要求人们负责任地使用 AI。
精读
1. Nous 在寻找更低成本的研究路径时开发出 Hermes
Quesnelle 将 Nous Research 的起点追溯到“Discord 上那帮哥们”——一个松散社群，担心变革性 AI 最终会被锁在少数几家公司手中。GPT-3.5 和 ChatGPT 问世前后，资金壁垒看起来难以逾越。大约2年前成立公司，让贡献者得以从无偿的业余研究转向全职投入这一使命。
团队的应对方式，是在 AI 流程中成本高昂的环节寻求“1000倍改进”；Quesnelle 形容他们的资源，连大公司的“餐饮预算”都比不上。研究工作包括通过互联网训练模型；早期 Hermes 微调版则强调尊重用户、不说教。这些版本早于思考与推理模型时代，团队更大的目标是让有能力的 AI 保持可及。
Hermes Agent 大约在这次对话前6个月开始开发，最初是供模型研究人员内部使用的工具。Quesnelle 将稀缺且薪酬高昂的 AI 研究工程师比作 NFL 四分卫：GPU 并非唯一瓶颈。自动化研究是迈向递归自我改进的一次尝试。在 Nous 内部运行数月后，团队开放了代码仓库，并迎来他所说的“产品市场契合度闸门大开”。
杠杆效应的论点，通过 Nous 一名团队成员的经历落到了实处。Quesnelle 一处称此人为 Technium，另一处称 Teknium。他说，此人此前算不上开发者，也无法从零编写大型应用，却借助 AI 工具打造了 Hermes Agent。Quesnelle 称它是“GitHub 上排名第一的开源仓库”，并据此认为，专注投入的个人仍有很大机会；竞争窗口尚未关闭。
2. 开源资金跟着商业利益走
主持人追问开源与支付薪酬之间的矛盾。Quesnelle 认为 Llama 1、Llama 2 和 Llama 3 为研究人员提供了起步条件；但他将 Llama 4 定性为架构失误，称这让人们开始质疑投入资金开发开源模型的动机。他大致估算，花“2亿美元、3亿美元、4亿美元”换来“基本上一张废纸”，由此引出一个问题：开源是否服务于资助方的业务？
DeepSeek 的发布增添了地缘政治维度，因为它当时既开源，性能也接近最先进水平。Quesnelle 认为，随后中国公司的发布成为一种增长机制：开源模型能让公司跻身顶尖行列，变现可以留待以后。他说，当时开源模型已只来自中国；与此同时，美国对这种资助模式的热情正在减退。
在上一届 GTC 主题演讲上，Jensen Huang 表示 NVIDIA 将尝试为西方开源模型扛起资金大旗，未来几年投入“大约20美元”。Quesnelle 认为，开源与 NVIDIA 业务的利益更一致，因为模型工作负载运行在它的芯片上：“庄家总是赢家。”他“至少在短期内”持乐观态度，但不愿预测几年后的情况。
3. 模型和执行框架共同决定成果价值
被问到价值是否会从模型转向智能体基础设施时，Quesnelle 给出一个他明确表示并不完美的比喻：“模型是大脑，执行框架是身体。”模型仍是关键突破，但如果不能采取行动，智能的实际作用有限。反过来，能力较弱的模型配上更好的工具，也能完成更多工作：“更好的执行框架配上更差的模型，可以胜过更好的模型配上更差的执行框架。”
执行框架连接起 token 生成与人们身处的现实世界。它提供采取行动、保持状态和持续运行的能力，而不只是返回文本。Quesnelle 认为这两部分相辅相成；执行框架之所以重要，是因为它能把模型输出转化为对对话之外世界的改变。
他不愿笼统断言哪一层会捕获更多价值。更有用的参照，是雇人完成一项工作：客户最终想要的是有实际价值的结果。他预计，系统能以更低成本、更快速度或更高成本效益交付成果，就会据此获得报酬。模型和执行框架的所有权仍有待厘清；对成果的需求则是“水往低处流”。
4. Hermes 会把成功完成的任务变成可复用流程
Hermes 的关键产品决策，是让它在使用中不断进步。Nous 没有预先设计好每一种工作流，而是整合了运行代码、浏览网页等有限能力，再通过提示词引导行为。Quesnelle 的建议是“别挡着模型的路”。技能和记忆机制让模型能够保存它判断有用的信息。
他用订餐厅的经历说明这套机制。飞往团队外出活动途中，他让 Hermes 预订餐厅。网站自动化屏障屡次阻拦，直到它找到预订 API 后端并完成任务。整个过程消耗了智能体约30或45分钟的运行时间；之后，它自行保存了一项名为“拉斯维加斯餐厅预订”的技能。
第二天，Quesnelle 让它再找一家餐厅：“一下子，它立刻就知道该怎么做。”关键在于，流程在原始任务结束后留存了下来。提示词会鼓励模型识别重复出现的任务或重要成果，将其记录下来并在之后复用。Nous 将哪些内容值得保存交由模型判断。
记忆也遵循相同理念。记忆体系分层组织，既包括关于用户及其偏好的记录，也包括智能体可以回看的过往会话。何时调用这些记忆，主要由模型决定。Quesnelle 认为，未来 GPT 或 Opus 只要能更好地判断何时使用现有机制，就能让 Hermes 变得更好；模型升级因此会直接提升产品能力。
5. 共享智能体把调试经验沉淀为组织记忆
Hermes 最初面向希望充分发挥 AI 能力的高阶用户。它支持本地运行和本地模型，这是“一等选项”；Nous 也提供托管服务。Quesnelle 说，单人使用单个智能体的体验已处于令人满意的水平，团队正把注意力转向职场协作和多租户部署；目前已有高层级合作方参与，但尚无消息可公布。
Nous 正在内部测试这个方向。Quesnelle 说，Hermes Agent“99.99%由 Hermes Agent 编写”，还有多个智能体承担运营工作。其中一个通过 MCP 只读访问后端基础设施和数据库。它最初是网站故障的调试助手，负责排查包括 500 错误在内的问题；相关服务涉及错综复杂的数据库、Vercel 等系统，过去工程师必须分别检查。
约1个月里，工程师与智能体的互动积累出一套故障排查技能。如今支持人员可以询问客户账户情况，获取报告和根因，无需 Nous 为每种工作流单独写代码。Quesnelle 对组织层面的判断是：一名工程师只需亲自处理一次，之后的同事就能受益于留存下来的流程。
6. 委派会改变人类判断力该发挥作用的位置
Whitenack 质疑自动化是否应该照搬人类流程，包括避免重复函数等编码规范。Quesnelle 的实操标准是，把智能体视为“耐心无限的人类”，但紧接着补充一句：“创造力极低。”理论上，一个人可以读完每一条日志，但实际操作并不值得。他反对照着组织架构设定 CEO、CFO 智能体；任务应根据实际要求来挑选。
Quesnelle 从7或8岁起就开始编程，过去一直以这项优势建立自己的身份和职业生涯。大约6个月前，他还“所有代码都自己写”，并认为自己仍比 AI 更强。过去3到6个月使用 Hermes 后，他改变了看法。如今，他看到的是“把时间拨回去，重新抢先起步”的机会，而不只是失去过去的优势。
他仍然不会交出去的是审美判断。他进一步强调，模型并非不在乎外观，而是“它们真的不懂”。他认为，人类审美源自共同的生活经验、生物特征和成长过程，而模型缺乏这些；数学和计算问题则更具普遍性。模型可能会用审美上令人不悦的方式解决问题；至少“现阶段”，凡是成败取决于人类审美的任务，他都不会依赖模型。
Benson 表示认同，并补充了自己的局限判断：“模型会向平均水平回归。”他发现，缺少相关训练材料时，模型通常不太擅长真正新颖的工作。即便存在这一限制，他仍用刻意宽泛的说法指出：“外面99.9999%的使用场景”依然有很大机会。
7. 明确目标必须与人的自主性并存
被问到用户该如何重新训练自己时，Quesnelle 首先说：“不要告诉它怎么做。”应当描述预期结果，以及满足什么条件才算完成。他预计模型在长周期规划上的能力会提升；用户应转向目标导向和评估导向，明确成功标准，让智能体据此推进工作。
写作的例子让问题更具体：用户要求写一段文字，之后抱怨内容“像垃圾”、反复使用“不是 X 而是 Y”的句式、段落长度都一样；但模型其实已经完成了明确提出的要求，缺失的是用户没有说出口的标准。他用“把它讲给外星人听”取代“把它讲给5岁小孩听”：人类彼此默认共享的前提，都必须变成明确指令。
除了企业层面的增长，Quesnelle 也担心 AI 会如何影响人们对待工作和思考的方式。社会本来就容易陷入末日式刷屏，AI 可能让用户“放弃思考”。10或20年后，一个完全在这种模式中长大的人，或许缺乏批判性判断，直接认定“答案就是电脑知道”。他把这描述为一种担忧，而非必然结果。
女儿出生才5天，Quesnelle 将这种担忧与女儿将要继承的世界联系起来。Nous 所说的“以人为本的 AI”标准，是让人“今天比昨天更好，明天比今天更好”；但他说，用户也必须承担责任。面对这种风险，他的回应是主动参与塑造技术，“成为解决方案的一部分”。
核对说明
转录中，NVIDIA 的承诺金额写作“大约20美元”，但没有注明单位。团队成员的名字在不同段落中分别拼作 Technium 和 Teknium。