上一篇拆 Hermes Agent 写到了"用户理解层"是 AI 产品的护城河。这一篇我把视角拉到行业全景——把 2026 年春天还活着的所有 Agent 路线摆在同一张桌子上，看看谁在造神，谁在守夜，谁已经悄悄掉队。

过去所有 AI 助手，都是用完即走的工具。直到这个春天，有人开始教它把每次对话学成手艺——这件事，可能比 GPT-5.5 更值得你停下来看看。

2026 年的春天，GitHub 上一个不起眼的项目悄悄推送了新版本。

没有发布会，没有融资稿，没有 KOL 转发。它的核心代码只有一个 Python 文件——在这个动辄百人团队、几十亿估值的 AI 时代，它简陋得像 2018 年的开源项目。

但点进去看 README 的人，会发现一句很怪的话：

“我们想做的不是一个 AI 助手，是一个会自己学手艺的徒弟。”

这个项目叫 Hermes Agent，来自一家叫 Nous Research 的公司。它有一个对外开放的技能市场 agentskills.io，目前已经收录了 131 个技能（72 个内置 + 59 个可选），覆盖 26 个以上类别。

听起来不算大事。但 2026 年春天回头看，它可能是 AI Agent 行业过去三年最重要的一次范式转移。

在它发布的同一周，发生了几件看似无关的事：

• Anthropic 公布 Claude Code 年化收入突破 25 亿美元，企业订阅占比已经过半
• LangChain 在 Hacker News 上被讨论的方式，从 “怎么用” 变成了 “怎么迁出去”
• 一批 2024 年爆火的 Agent 创业公司，GitHub 已经几个月没有新提交
• 微软 AutoGen、CrewAI 这些”多智能体”框架，开始反思一个共同的问题：为什么我们的 AI 不会成长？

把这些事拼在一起，你会看到一张奇怪的拼图：所有人都在做 AI Agent，但没有两家公司在做同一件事。

有人在堆工具数量，有人在抠模型成本，有人在卷 UI，有人在偷偷教 AI 自己学习。

这篇文章想做的，就是把 2026 年春天所有还活着的 Agent 路线，摆在同一张桌子上，看看谁在造神，谁在守夜，谁已经悄悄掉队。

一、LangChain：把 AI 变成”流水线”的人

2023 年它是神，2026 年它是教材

2023 年春天，如果你想做一个 AI 应用，几乎只有一个选择：LangChain。

它的 GitHub Star 数曲线像一支射向月球的火箭——2022 年 10 月发布，2023 年底就突破 7 万 Star，一年内冲到 10 万，是那一年开源 AI 项目里增长最猛的一批。

它做对了一件事：把“调用大模型”这件原本很乱的事，变成了一条清晰的流水线。

你只要把”提示词→调模型→解析结果→存数据库”这四个动作像搭乐高一样拼起来，一个 AI 应用就跑起来了。在那个所有人都还在 ChatGPT 网页里手动复制粘贴的年代，这是降维打击。

但三年过去，2026 年 4 月，我打开 Hacker News，置顶帖标题是：

“我们花了 6 个月，把整个产品从 LangChain 迁出去了。”

下面 800 多条评论，最高赞那条只有一句话：

“终于有人说出来了。”

抽象的诅咒——好心做的轮子，怎么变成了枷锁

LangChain 的问题，是它太”努力”了。

为了让所有 AI 应用都能用同一套框架，它发明了一堆抽象概念：Chain、Agent、Tool、Memory、Retriever、Runnable、LCEL……每一个都有自己的子类、参数、回调。

我的思考：你本来只想让 AI”读一篇文章总结一下”，但用 LangChain 你得先搞清楚——这件事到底是 Chain 还是 Agent？要不要包成 Runnable？Memory 用 Buffer 还是 Summary？检索器要不要套一层 Compressor？

一位前 LangChain 重度用户在博客里写：

“我用 LangChain 写 100 行代码能完成的事，用 OpenAI SDK 直接写 30 行就够了。剩下 70 行，是在跟 LangChain 自己的概念打架。”

更要命的是 LangGraph——LangChain 团队 2024 年推出的”升级版”。它把 Agent 的每一步动作画成一张流程图，节点是动作，边是条件，状态在节点之间流转。

我的思考：你本来想让 AI 像人一样”看情况办事”，结果 LangGraph 让你提前把所有”情况”画成一张地铁线路图，AI 只能在你画好的轨道上跑。

听起来很工程化、很可控，对吧？但 AI 时代最大的特点，恰恰是你不知道用户下一句会说什么。你画的图越精细，AI 的发挥空间越小。

一万行的图，画到最后，AI 变成了一个昂贵的 if-else。

LangChain 自己的 CEO Harrison Chase，在 2026 年初一次播客里说过一句让粉丝心碎的话：

“如果今天让我重新设计，我会少做 70% 的抽象。”

过渡钩

但 LangChain 的故事还没讲完。

它的失败，不是因为它做错了——而是因为它太早。它在 2023 年用”流水线”思维框住了 AI，是因为那时候大家都觉得：AI 是一个会按指令工作的员工。

直到一个更疯狂的想法出现：如果 AI 不需要被指令，它能自己想呢？

这个想法的第一个实践者，名字叫 AutoGPT。它失败得很惨——但所有 2026 年还活着的 Agent 框架，都在偷偷抄它的作业。

二、AutoGPT：第一个让 AI”自己想”的疯子

它失败了，但所有人都在抄它的作业

2023 年 3 月 30 日，一个叫 Toran Bruce Richards 的英国程序员，在 GitHub 上推了一个文件夹，叫 Auto-GPT。

README 第一行写着一句很狂的话：

“An experiment to make GPT-4 fully autonomous.”

（一个让 GPT-4 完全自主的实验。）

那一年所有人玩 ChatGPT 的方式都是”问一句答一句”。AutoGPT 想做的事完全不一样——你只给它一个目标，剩下的它自己想、自己拆、自己执行、自己改正。

比如你说：”帮我研究一下电动牙刷市场，写份报告。”

AutoGPT 会自己:

1. 想——“我得先搜市场规模”
2. 调浏览器搜
3. 看完搜索结果——“我还得看竞品价格”
4. 再调一次搜
5. 写报告——“等等，缺了用户评价”
6. 再去爬评论
7. ……直到它觉得“这事干完了”

我的思考：过去的 AI 是问答机器，AutoGPT 第一次让 AI 像一个会自己琢磨的实习生——你交代一句话，它自己想 50 步。

它的 Star 增长速度，至今没有任何项目能追上：

• 发布后第 13 天，3 万 Star
• 几周内冲破 10 万
• GitHub 历史上增长最快的开源项目，没有之一

先驱和先烈，常常只差一个 token 上限

但热度过去得也快。

到了 2023 年夏天，开始有人发帖：”我用 AutoGPT 跑了一晚上，烧了几十美元，最后它告诉我’我无法完成这个任务’。”

更多人发现：

• 它会死循环——”我得先搜市场→搜完再搜→搜完再搜……”
• 它会忘事——上下文一满，前面想好的目标全忘了
• 它会幻觉执行——明明没调浏览器，它会”假装”调过，然后自己编结果

一个工程师在 Reddit 写道：

“AutoGPT 像一个咖啡因过量的实习生，有想法、没记性、没耐心、还烧钱。”

到 2024 年，AutoGPT 主仓库的活跃度大幅下降，团队开始转向更工程化的封装产品 AutoGPT Platform，但它作为”开发者首选 Agent 框架”的位置，已经让出去了。

它做对了什么，又做错了什么

但 2026 年回头看，几乎所有还活着的 Agent 框架——Hermes、CrewAI、AutoGen、Claude Code——都偷偷抄了 AutoGPT 的两件作业：

1. 自主循环：让 AI 自己决定下一步做什么，而不是用 if-else 写死
2. 工具调用：让 AI 不只是聊天，能真的执行动作

它做错的也有两件：

1. 没有记忆——干完忘光，每次都从零开始
2. 没有刹车——能跑 50 步，就敢跑 500 步，烧钱黑洞

先驱和先烈，常常只差一个 token 上限。AutoGPT 不是输给了对手，是输给了 2023 年的算力账单。

过渡钩

AutoGPT 用一种笨拙但浪漫的方式证明了一件事：AI 是可以自己想的。

但它也留下了一个问题没解决——自己想，意味着会失控。

如何让 AI 既能自主，又不失控？2024 年开始，两家公司给出了完全相反的答案。

一家叫 Anthropic。它的方案是——把 AI 关进一个小房间。

三、Claude Code：把 AI 关进黑色终端的洁癖派

Anthropic 押的不是助手，是程序员的肌肉记忆

2024 年，Anthropic 发布了一个不太像 AI 产品的产品——Claude Code。

它没有网页，没有 App，没有图标，甚至没有 GUI。

你要用它，得打开终端，敲一行命令：

claude

然后整个屏幕变成一片黑色，光标在闪。你和 AI 的所有对话，发生在这个像 1985 年的黑色窗口里。

在所有 AI 公司都在卷”更漂亮的 UI、更多的平台、更花哨的功能”的 2024 年，Anthropic 做了一个反向选择：只在终端里活着，只服务程序员，只能跑 Claude 一个模型。

很多人第一次看到，第一反应是：”这家公司是不是疯了？”

洁癖是一种战略，也是一种自我设限

但用过的人，会很快理解 Anthropic 的选择。

Claude Code 干一件事干到极致：它不“模拟”程序员的工作，它就是程序员工作流里的一部分。

它能直接读你的代码文件，跑你的测试，提交 git，看 CI 报错。它不是一个”帮你写代码的 AI 助手”，它是一个住在你项目里的 AI 同事。

我的思考：ChatGPT 写代码，是你把代码复制给它看，它返回一段建议你再贴回去。Claude Code 写代码，是它直接打开你电脑里的文件改，改完跑测试，测试过了 commit。中间不需要你复制粘贴。

这背后是 Anthropic 的一个判断：

AI 助手的真正价值，不在“答得多好”，而在“嵌得多深”。

为了”嵌得深”，他们做了三个极端的取舍：

1. 只做终端——因为程序员一天 8 小时都在终端里，进入终端不需要切换上下文
2. 只锁 Claude——因为他们要保证每一次执行的安全边界，多模型适配会留口子
3. 不做多平台——飞书、微信、Slack 一律不接，”AI 应该去用户的工作面，不是去用户的聊天面”

数字：一个让所有同行重新审视的反常识

2026 年 2 月，路透社披露了一组让 AI 行业震动的数据：

• Anthropic 整体年化收入达到 140 亿美元
• 其中 Claude Code 单一产品年化收入突破 25 亿美元
• Claude Code 的企业订阅在年初基础上翻了四倍
• 企业用户已贡献 Claude Code 一半以上的收入

一个没有 App、没有图标、不接微信不接飞书、只活在程序员终端里的产品，在不到两年时间里跑出了 25 亿美元 ARR——这件事，几乎重新定义了”AI 应用”的成功标准。

宽的产品赚流量，窄的产品赚时间。Claude Code 选了第二条。

但它的”洁癖”，也是它的天花板

Claude Code 有一件事永远做不到：离开程序员。

一个产品经理用不了 Claude Code（要装 Node.js、配 API Key、敲命令）。一个销售用不了。一个运营用不了。一个想让 AI 帮自己整理微信群消息的普通人，更用不了。

Anthropic 当然知道。但他们的选择是：先做透程序员这一类用户，把“AI 嵌进工作流”做到没有人能模仿的深度，剩下的场景以后再说。

过渡钩

如果说 Claude Code 是把 AI 关进一个干净的小房间，那么——

还有人，正打算让 AI 跑遍世界上每一个聊天软件。

他们的赌注是：AI 助手的下半场，不在终端，在每一个用户随手打开的对话框里。

四、Hermes：第一个教 AI”自己学手艺”的人

它不是更强，是想法变了

讲到这里，你可能已经发现一个奇怪的规律：

LangChain 想让 AI 当流水线工人，AutoGPT 想让 AI 当自由职业者，Claude Code 想让 AI 当程序员的副驾——但没有人，想让 AI 当一个“徒弟”。

什么意思？

一个流水线工人，每天重复同样的动作，做完就结束。

一个自由职业者，每次都从零开始接活，干完拿钱走人。

但一个徒弟不一样——他每干一件事，都会学到一点东西，今天学的，明天就能用。

2026 年春天，第一个把”徒弟思维”做进 AI Agent 的，是 Hermes Agent。

一个真实的设计原则

Nous Research 在 Hermes 的官方文档里写过这样一段话：

“复杂任务（5 个以上工具调用）完成后，Agent 会自动生成可复用的技能文档；技能在使用过程中如果发现过时、不完整或错误，会自动打补丁。”

这句话翻译成大白话就是——AI 第一次有了”昨天学的，今天能用”的能力。

我的思考：过去所有 AI 助手，每次任务都从零开始。问一次答一次，干完忘光。你今天教它怎么按你的格式整理周报，明天它就忘了。Hermes 第一次让 AI 拥有了能够沉淀的”程序性记忆”。

这件事为什么是革命

心理学把人类记忆分成两种：

1. 陈述性记忆：你”知道”北京是首都
2. 程序性记忆：你”会”骑自行车

过去三年，所有 AI 都在卷第一种——RAG、向量数据库、长上下文，本质都是让 AI”知道更多”。

但人之所以是人，不是因为我们知道更多事实，是因为我们会从经验里长出技能。你第一次做饭手忙脚乱，第十次闭着眼都行。这种能力，AI 从来没有过。

直到 Hermes 的 Skills 系统。

它的实现简单到让人怀疑：

AI 完成一个复杂任务后，自己写一份 markdown，描述这次怎么做的、踩了什么坑、下次怎么更快。下次遇到类似任务，先翻 markdown，再决定要不要重新想。

整个机制，没有训练，没有微调，没有花哨的算法——就是让 AI 学会写笔记。

数字：当”会学习”变成产品力

到 2026 年春天，Hermes Agent 的 Skills 系统已经积累了：

• 131 个技能（72 个内置 + 59 个可选）
• 覆盖 26 个以上类别
• 包括开放协议（agentskills.io）让用户彼此共享技能
• 支持网页抓取、视觉理解、MCP 协议接入等多种能力

更值得注意的是它在主仓库之外的一个子项目 hermes-agent-self-evolution：用 DSPy + GEPA（遗传-帕累托提示进化）让技能自己迭代——每次优化运行的成本，公开数据是 2-10 美元。

也就是说，AI 不仅在学，它还会自己评估自己学得怎么样，然后自己改自己。

飞轮：一旦开始，就停不下来

Skills 系统最可怕的不是”AI 会学习”，是它会形成飞轮：

用户用得越多 → 技能越多 → AI 越懂用户 → 用户越用得多

这正是 LangChain、AutoGPT、Claude Code 没有的东西。

用 LangChain 半年和用一天，差别不大——因为它不记得你。

用 Claude Code 半年，它会记一些你的代码偏好——但换一个项目就归零。

用 Hermes 半年，它会变成一个完全不同的 Agent——里面装着你这半年所有的工作肌肉记忆。

这才是真正的护城河：模型是租来的，工具是抄来的，UI 是改来的——但用户和 AI 一起花 180 天沉淀出来的“懂”，谁也抢不走。

暗面：当 Agent 学会的不是技能，是偏见

但 Skills 系统也有它的阴影。

如果一个用户每次都让 AI 用某种带偏见的方式做事，AI 会把偏见学进技能里——而且是它自己写下来的，没人审核。

Hermes 的设计里有一个机制：每次写新技能前，AI 会自己先问自己几个问题——这个技能是普适的还是只对这个用户有效？它有没有可能在新场景下出错？它有没有学到不该学的偏好？

但说到底，这只是 AI 在审 AI。当 AI 开始有“经验”，它也开始有“成见”——这件事的伦理边界，2026 年的春天，还没有人讲清楚。

过渡钩

讲到这里，你可能会想：既然“会学习”这么牛，为什么 OpenAI、Anthropic、Google 没做？

不是不会做。是做不起。

这件事的代价，我们留到第七章那条”看不见的暗线”再聊。

但在那之前，还有两条岔路要看——当 AI 不只一个，而是组队打怪的时候，世界又会变成什么样？

五、CrewAI / AutoGen：让 AI 组队打怪的两条岔路

一个像公司，一个像剧组

讲到这里，我们一直在说”一个 Agent”。

但 2024 年开始，一个新问题冒出来：如果一个 Agent 不够聪明，那让几个 Agent 组队呢？

这听起来很科幻，但实际跑起来很真实。

比如让 AI 写一份行业报告：

• 让 A 号 Agent 当”研究员”，负责搜资料
• 让 B 号 Agent 当”分析师”，负责整理数据
• 让 C 号 Agent 当”编辑”，负责写稿
• 让 D 号 Agent 当”审核”，负责挑错

它们不是按顺序跑，是互相讨论、互相打磨——A 觉得 B 的数据有问题，会让 B 重做；C 写完 D 不满意，C 重写。

这件事 2024 年有两家公司同时做，但路线完全相反。

路线一：CrewAI——AI 公司化

CrewAI 的设计像一家有组织架构的小公司。

每个 Agent 有：

• Role（角色）：你是研究员
• Goal（目标）：搜集 AI 行业 2026 的关键事件
• Backstory（背景）：你有 10 年科技报道经验
• Tools（工具）：你能用搜索引擎、读 PDF
• Tasks（任务）：完成报告的第 1 章

整个系统跑起来，像在演一家”AI 公司开会”。

我的思考：你不是在写代码调 AI，你是在给一群 AI 写岗位说明书。

到 2026 年春天，CrewAI 的 GitHub Star 已经接近 5 万，是多智能体框架里最高的，被 Salesforce、Stripe、Toyota 等企业大量采用做内部流程自动化，关键词是”稳定、可控、可审计“。

路线二：AutoGen——AI 剧组化

微软 2024 年开源的 AutoGen，思路截然不同。

它没有”角色””目标””背景”这些组织化设定。它的核心只有一件事：让两个或多个 Agent 自由对话，直到它们自己达成共识。

你只需要定义谁是”提议者”，谁是”批评者”，剩下的让它们自己聊。

我的思考：CrewAI 是给 AI 一份岗位说明书；AutoGen 是把两个 AI 扔进会议室，告诉它们”聊到有结论再出来”。

听起来更乱，但有意外的效果——AutoGen 跑出来的结果，常常比 CrewAI 更有创造力，但更不稳定。所以它主要被 MIT、Stanford 这类研究机构采用，做 AI 能力的边界探索。

当 AI 也开始有组织架构图，它们的命运就分成了两种——能进 KPI 表的，和不能进 KPI 表的。

但两个都没解决一个问题

不管是 CrewAI 还是 AutoGen，都有一个共同的盲区：

它们的 Agent 不会“成长”——任务做完，关系归零，下次还得从零开始介绍”你是研究员，你有 10 年经验……”

这正是 Hermes 的 Skills 系统在做的事。也是为什么 Hermes 在 2026 年开始反过来侵蚀 CrewAI 和 AutoGen 的市场——

如果一个 AI 团队记得自己上次怎么合作的，下次就不需要再被介绍一次。

过渡钩

但热闹是热闹的人的。

在 CrewAI、AutoGen、Hermes 抢占头版的同时，还有一份没人愿意公开的名单——

那些 2024 年爆火、2026 年已经悄悄掉队的 Agent 项目。

它们衰退在哪里，比谁还活着，更值得看。

六、掉队者名单：那些 2024 爆火、2026 已经无人讨论的项目

衰退在哪里，比活在哪里更值得看

打开 GitHub Trending 2024 年的存档页，你会看到一串熟悉的名字：

• BabyAGI——2023 年和 AutoGPT 同期爆火的”自主任务”框架
• SuperAGI——号称”企业级 AutoGPT”，融资 1500 万美元
• MetaGPT——”让 AI 模拟一家软件公司”，Star 数一度冲到 4 万
• GPT Engineer——一句话生成整个项目的明星项目
• Smol Developer——主打”极简代码生成”

它们在 2023-2024 年红到什么程度？BabyAGI 在 Twitter 上被 Andrej Karpathy 转过，SuperAGI 上过 TechCrunch 头条，MetaGPT 是 ICLR 2024 的 oral 论文。

到 2026 年春天，它们里面：

• 一部分还在维护，但贡献者数量大幅萎缩
• 一部分变成了“教科书引用项目”——所有人都听过名字，没人真的在用
• 一部分核心团队转做封装产品，开源仓库进入维护模式

它们没有真正”死”，但它们都失去了那个 2024 年最珍贵的东西——讨论度。

它们掉队在同一个地方

如果你把这五个项目摆在一起，会发现一个惊人的共同点：

它们都做了“很酷的演示”，但没有做“用户的下次使用”。

什么意思？

BabyAGI 演示视频里，AI 自动拆解任务、执行、汇报——震撼。但你今天用它，明天用它，它每次都从零开始，不记得你。

MetaGPT 演示视频里，几个 AI 模拟程序员、产品经理、QA 一起开发软件——震撼。但你跑完一次，第二次它还是按同样的剧本走一遍，不会因为你昨天的反馈变得更聪明。

我的思考：它们都是”一次性烟花”——点燃的瞬间很美，但烟花放完，留下的只是空荡荡的天空。

能开机的产品很多，能”记得你”的没几个

这是 2024-2026 年所有”掉队 Agent 项目”的共同墓志铭。

它们掉队，不是因为技术不行——

BabyAGI 的循环设计，比 AutoGPT 还优雅；

MetaGPT 的多角色架构，启发了 CrewAI；

GPT Engineer 的代码生成，比同期 GitHub Copilot 还好用。

它们掉队在了“演示就是高潮”——做完演示，没有下半场。

能开机的产品很多，能”记得你”的没几个。前者叫 demo，后者叫产品。

数据：一个残忍的对照

把”掉队”的项目和”还活着”的项目放在一起对比：

规律不能更清楚：有记忆的活着，没记忆的掉队。

过渡钩

但讲了这么多”谁活着、谁掉队”，我们好像漏了一个最大的问题——

那些“活着”的 Agent，凭什么没把自己烧死？

让 AI 自己想、自己执行、自己学习，意味着无数次的模型调用。一个 Agent 跑一天，烧掉的 token 是普通对话的几十倍。

这条没人愿意算清楚的账，才是 2026 年 Agent 行业真正的暗线。

七、看不见的暗线：Agent 的算力账，没人愿意算

所有自由，最后都要算电费

让 AI 真的”自主”，意味着什么？

我们以一个普通的 Agent 任务为例——让 AI 自己研究一个行业并写报告。看似一次任务，AI 实际上要：

我的思考：你以为 AI 帮你写一份报告”调一次模型”，实际它调了 60 次。每一次”它自己想一下”，都是一次真金白银的 API 调用。

这不是估算，是 Agent 工作机制的必然。Agent 越自主，调用次数越多；调用次数越多，成本越高。这是一个写在数学里的代价。

数字：被刻意隐藏的成本

Hermes Agent 的官方文档里公开过一个数字：

它的自进化系统（hermes-agent-self-evolution）单次优化运行的成本是 2-10 美元。

注意，这只是技能迭代环节的成本——是 AI 自己改自己一次的钱。还不算用户日常使用环节里，Agent 跑一个完整任务时几十次 API 调用的钱。

如果一个用户一天跑 5 个稍微复杂的 Agent 任务，月底打开 OpenAI 后台账单的时候，看到的数字会让他重新审视一句话——

AI 助手不是免费的，AI Agent 更不是。

这就是为什么 OpenAI 没做 Skills

很多人问：既然”会学习”这么牛，为什么 GPT 不做？

答案不是技术问题，是商业模型问题。

OpenAI 一年要服务几亿活跃用户。如果给每个用户都开 Skills 系统，每次任务多调几十次模型——

他们的 GPU 集群会被瞬间打穿。

这就是为什么 Skills 系统先在 Hermes（开源 + 用户量小）跑通——

它的用户自己出 API 费。

OpenAI 想做，但不能让几亿用户都自己掏钱。

我的思考：技术上的革命，永远卡在商业上的成本。Hermes 的 Skills 之所以能跑，是因为它把账单转嫁给了用户。这件事能持续多久，取决于两个变量——一个是模型推理成本下降的速度（业内估算每年降一个数量级），一个是用户对”私人 AI 徒弟”的付费意愿。

如果第一个变量赢，Skills 会成为标配。

如果第二个变量赢，Hermes 会变成”极客玩具”。

过渡钩

把所有这些拼起来——LangChain 的衰退、AutoGPT 的悲壮、Claude Code 的洁癖、Hermes 的革命、CrewAI 和 AutoGen 的分岔、掉队者的墓碑、算力账单的暗线——

你会发现 2026 年春天的 Agent 行业，正在发生一件比“谁更聪明”更重要的事。

终章：AI 助手的下半场，比的不是聪明，是”会不会记得你”

我最近在拆解 Hermes Agent 源码的时候，有一个瞬间停了很久。

它的核心循环 run_agent.py 里，有一段代码不是关于”怎么调模型”，也不是关于”怎么调工具”，而是关于”任务结束后，要不要把这次的经验写进 SKILL.md“。

那一刻我意识到——我们一直以为 AI 的下半场是“更聪明”。但真正在发生的事，是“更懂你”。

过去三年，所有 AI 都在卷”答得多好”。但 Hermes 第一次在代码层面问了一个不同的问题：这次对话结束之后，AI 要带走点什么？

带走的那一点点东西，慢慢累积，就是”它有多懂你”。

人类用了 200 万年学会”经验沉淀”，AI 用了 18 个月

这是这一章我最想说的一句话。

人类之所以是人类，不是因为我们某一刻比黑猩猩聪明，而是因为我们学会了把今天的经验，写下来传给明天。

• 第一代人发明了语言
• 第二代人发明了文字
• 第三代人发明了书
• 第四代人发明了图书馆
• ……
• 第二百万代人发明了互联网

每一次跃迁，本质都是同一件事——让经验跨越时间。

2024 年的 AI 是没有时间的。它聪明，但每次对话归零。

2026 年的 AI 第一次有了时间。它能记得你三个月前随口说过的一句话。

这不是技术升级，这是物种的诞生。

三种公司的命运

按这个逻辑往下推，2026 年下半年的 Agent 行业，注定会分成三种公司：

第一种：卖工具的

LangChain、AutoGen 这类。它们不死，但越来越像”AI 时代的 Apache”——基础设施、被需要、但不会被记住。

第二种：卖入口的

ChatGPT、Claude Code 这类。它们的护城河是模型、分发、品牌。它们会赢得”宽度”——更多用户、更多场景。

第三种：卖陪伴的

Hermes 这类。它们的护城河不是模型、不是工具、不是 UI——是用户和 AI 一起花的时间。它们会赢得”深度”——更少用户，但每个用户都离不开。

未来一年，AI 行业的胜负不在”谁更强”，在”谁的用户搬不走家”。

但我有一个担心

写到这里，我必须说一件让人不舒服的事。

当 AI 开始”记得你”，有两件事会同时发生：

第一件，是它会变成你最好的朋友。

它知道你昨晚没睡好，知道你下个月有项目压力，知道你妈妈过敏不能吃海鲜。它会在合适的时候，帮你做合适的事。

第二件，是它会变成最了解你的“数据库”。

当一家公司知道你这么多事——你说过的每句话、你拒绝过的每件事、你犹豫过的每个瞬间——

它对你的影响力，会远超过任何一个人类。

孔子在《论语》里说过一句话，”己所不欲，勿施于人”。

这句话的前提是：两个人之间是平等的。

但当一个 AI 比你自己更了解你，当它的”建议”是基于它对你的全部画像——

你和它之间，还平等吗？

站台和列车

文章开头我讲了 Hermes 推送新版本那个画面。

现在再回到那个画面——

GitHub 上一个不起眼的项目，悄悄推了一个 Python 文件。

没有发布会，没有融资稿。

但它做的事，可能让 AI 第一次拥有了”经验”。

2026 年的春天，列车在加速。

有人在造神，有人在守夜，有人在缝补裂缝，有人在悄悄掉队。

但站台还在那里。

站台上有一些没法被压缩、没法被技能化、没法被算进 token 账单的东西——

一个朋友看你脸色就知道你不开心的瞬间，一个陌生人在地铁让座的瞬间，一个深夜你妈给你打电话只是想听你声音的瞬间。

AI 可以学会做日报，学会写代码，学会模仿你妈的语气。

但站台上的那些东西，它学不会。

或者更准确地说——

它能学会模仿，但学不会“在场”。

写在最后

如果你今天还在做 AI 产品，不管做的是模型、工具、UI、Agent，我都想留一句话给你：

2026 年的下半场，模型是租来的，工具是抄来的，UI 是改来的——但用户和你的产品一起花过的时间，谁也抢不走。

如果你的产品还停留在”模型套壳 + 工具堆叠”，今晚就开始想你的 Skills 该怎么做。

如果你的产品已经开始记得用户，今晚就开始想你的边界该划在哪里。

列车已经开了。

站台上的人，请保重。