———— / BEGIN / ————

“以物换物”这事，听着确实带点浪漫主义色彩。

总会看到有人用这种人类社会最早期的交易方式，整出各种各样的花活——比如用一块钱一路换到别墅、用各种纪念品在富豪之间斡旋，最后起号成功。

毕竟，对许多物品而言，它们对某个人来说价值千金，对另一个人而言就可能一文不值。俗话说得好，“汝之蜜糖，彼之砒霜”；莎士比亚也有句名言，说是“世事本无好坏，皆因思想使然”。在萝卜青菜各有所爱这一点上，中西先贤都表露出了相似的态度。

所以，你没办法否认，就是有人能顶住满级熊大的诱惑，不愿用车库里这台平平无奇的保时捷汽车，来交换对方亮出的熊大快跑账号。

没错，就是满级熊大——在最近爆火的某以物换物平台上，你能看到大把天马行空的交易，它们乍一看毫不合理，但若是细细探究下去，便会发现这些交易全都顺理成章。

以这个满级熊大交换保时捷为例：众所周知，穷玩车，富玩表，顶富才玩熊大快跑。有的人车房全卖了，只为博得熊大一笑，哪怕是在顶富云集的熊大快跑玩家线下见面会里，这群富豪也只能算是微氪玩家，凑到一起才能重金砸出一个满级熊大而已。

所以显而易见，拒绝使用保时捷交换满级熊大，无疑是主观的、不理智的、令人拍断大腿的——你错过的不仅仅是满级熊大，还错过了顶尖富豪的身份象征和人脉圈子。

但事实真的如此吗？要知道，保时捷车主也不是傻子，他当然明白满级熊大的价值——用满级熊大交换保时捷，对满级熊大的拥有者而言，显然是个亏本生意。因此，不管是从谨慎的角度来考虑，还是从自知高攀不起的角度来思量，都不应该同意这样的交换。

不过，价格不匹配只是其一，说不定人家就是不喜欢满级熊大呢？你要是有个猫鼠快跑的账号，没准真就换成了。类似的，就像是这个使用未拆封原味优酸乳（没有吸管）交换迈巴赫S480惨遭拒绝的案例。

为啥迈巴赫车主拒绝了交换？让我们逐一拆解。首先，这优酸乳是原味的，如果是草莓味的或芒果味的，可能就会打动车主；其次，这优酸乳没有吸管，那可是犯了大忌——要知道，你嘎子哥直播的时候没有吸管，可是会大发雷霆砸超市的。

当然，有时候也得从迈巴赫车主自己身上找找原因——用二手的车跟全新的优酸乳交换，天生就低人一等；再加上迈巴赫S480也不够顶尖，配不上优酸乳的地位，这要是S680，没准就成了。

同理，这还有这个用葡萄换劳斯莱斯加长版的朋友，当他提出交换后，对方的第一反应就是“？”，而葡萄所有者在此之后才把“洗过了”这一关键要素点出，真可谓百密一疏，也难怪对方没能同意交换，把劳斯莱斯砸手里了。

上述这些人为制造信息不对等的状况，便说明了很重要的一点——交换的双方一定要诚心，绝对不能藏私。老老实实把物品状况说出来，以此让双方的需求都能得到满足，这才能达成合理的交易。

那么，有没有毫不藏私，坦诚相待的呢？当然有了。比如这位使用万爆铠出装交换奔驰C200l的，不亚于使用焚诀交换人阶下品法宝，因此面对这种共识，奔驰车主也是相当直白地表示“你拿这个跟我换你不亏了吗？”——这才是真正的绝顶聪明。

但有句老话说得好，再聪明也有比你更聪明的——在一位不愿透露姓名的马姓富豪暗中指使下，就有人选择掏出SpaceX火箭，去主动交换一杯蜜雪冰城的芝士奶盖四季春。为什么说他聪明呢？要是仔细看看就会发现，这是一笔相当划算的交易。

作为蜜雪冰城里最昂贵的一批单品，芝士奶盖四季春对马斯克的诱惑，不亚于板面之于良子，只要整上两口就释怀了。所以，与其把自己仓库里闲置不用的火箭挂上神秘眼镜女的回收平台，还真不如直接花上12块钱邮费，去找有缘人换上一杯奢华小甜水。

类似的交换案例数不胜数，看得我都有些蠢蠢欲动，连忙顺藤摸瓜大调查了一下——为避免广告嫌疑，这里依旧将平台名隐去。网上说说也就得了，现实里谁不想打开以物换物软件，急头白脸地交换一番呢？而当我真正打开软件，才发现上面那些图片只是冰山一角，一个阴得不能再阴的暗网向我徐徐展开。

刚一点进去，我就被一抹靓丽的黄色吸引，定睛一看原来是把奶龙挂上去的神人。

虽说全都是大笑奶龙这样的变体，但诸如宇宙爆炸无敌世界级之类的形容词与腹肌照，还是能牢牢吸引住每一位换物者的目光。

可能有人要问了，奶龙这样的虚拟形象，到底要咋换呢？别急，要是再往下翻翻，你就会看到永雏塔菲这样的虚拟主播，被挂上了以物换物的列表。

毕竟，这平台也没有个准入资质，而根据目前的大量“已上架好物”来看，审核也约等于来就过。所以，甭管你这是实的、虚的、全新的、二手的、整活的、扯淡的，只要能把图片放上来，那就能展开一场紧张刺激的以物换物。

在这里，只有你想不到的，没有你换不到的。得益于优秀的匹配机制，哪怕图片上写着明晃晃的“疑似AI生成，注意甄别”，也能刷新出比这更AI的神秘宝贝，来上一场王牌对王牌。

于是，伴随着最初的一大批梗图传播，以及后续这批乐子网友的自发加入，整个以物换物平台就变得愈发热闹，而乱七八糟的东西也越来越多。这才是真正的人类进化最终阶段，这才是人类智力的巅峰对决。

当然，这种换物还有一个最根本的规则——哪怕挂图的成本为零，但只要到了这个平台上，起手都得来上一句“可惜了”“有点亏了”，如果挂出来的东西特别珍贵，那还可以冠以“日子不过了”的美称。有的力量体系是越古越强，但在这里，绝对是越怪越强。

特地没给头像打码

所以，与其说这是个以物换物的平台，不如说这是个整活向的角色扮演平台——其可信程度，堪比对着口香糖大赞白白嫩嫩、劲道足、口味正。那我真的可以用满级熊大换到保时捷吗？现在看来是不能的，因为我没有满级熊大，对方也不一定有保时捷。

不过，这平台最初的目的应该不是这样的吧？

在现代社会，以物换物其实是个跟二手交易差不多的行为，都是把自己手里的闲置物品交易出去。只不过，一个是把闲置物品换成充当一般等价物的货币，另一个是直接换成他人的闲置物品。而在发起交换与确认交换的这个过程里，甚至还能赋予其一层开盲盒的娱乐快感。所以，搭建一个类似的平台，的确能让平台与用户达成一定程度上的双赢。

然而，如果它的娱乐性大于实用性，且朝着娱乐方向不断狂奔下去，那我们就必然会看到这一幕——一大批乐子人用毫无价值的物品，用开玩笑的形式去交换老实人的闲置物品。结果可想而知，当然是“对方拒绝了你的交换”，然后“对方不识货”“可惜了”。

诚然，这时也可以顺着思路玩玩梗，但庞大的乐子人群体，可能还是会干扰常规的交换信息，让筛选真实换物需求变得更加困难。

按理来说，这时候平台就应该下场了——要么，选择引入严格的审核机制，再把所有不正经的整活类内容删除，维持一个合理的换物环境；要么，保留这些乐子内容，但拉低相关权重，使其不容易被推上首页。总之，还是要为“合理的以物换物”这个起点而服务吧？

但……这个以物换物平台到底是怎么做的呢？他们发了一个声明，宣布大伙可以尽情搞抽象，彻底不管了。

好吧，官方亲自整活，确实是流量最多的打法，他赢了。如今的互联网，搞抽象确实是引流的好手段，该平台也确实引到一大批玩梗的乐子人涌入，这也就不难解释，为何如今打开平台后，还能看到一大堆抽象的好物交换，看到一大堆价值严重不对等的交易申请——毕竟，乐子才是最重要的。

至于这股抽象流量最后会不会转化为实际的用户？我想，这就是平台方该去头疼的问题了。

热度过去，也许会有人领略到以物换物的魅力，在这个平台进行尝试。但更可能的是，必定会有许多人把视线挪开，转而去玩更新潮更有趣的新梗，周而复始，循环不息。

而到那时，没准那些抱着以物换物目的而来的用户，才能开始真正的交换吧。

———— / BEGIN / ————

随着AI的持续发展，目前在互联网行业，研发中的前端岗位已经岌岌可危了，部分公司已经连锅端了；作为运营，我们都知道做任何事情都需要紧抓热点，拥抱变化，只有顺应潮流，才是王道，那么当前的AI时代之下，“运营”这个随着互联网发展而蓬勃发展的岗位，会被AI替代的可能性有多少？

我们先看看你是不是这5类“高危”运营

我亲眼看着一个做内容运营的小姑娘，花了三天整理的数据报表，AI十分钟就搞定了。她当时愣住了，然后问了我一个让我无法回答的问题：“那我还能干什么？”

上周，我一个做运营总监的朋友老张，跟我吐槽了件糟心事。

他团队里一个干了快两年的内容运营，突然提出离职。离职原因不是薪资，也不是发展空间，而是——“我觉得自己没价值了。”

老张一脸懵。细问之下才知道，这个姑娘每天的工作就是：整理数据报表、写标准化的活动文案、在各个社群发通知、批量回复用户常见问题。

这些事，她干了快两年。直到公司引入了AI工具，她发现以前花三天整理的周报，AI十分钟就搞定了；以前憋一上午才能写出来的活动推文，AI生成后她只需要改几个词。

“我感觉自己就像一个AI的质检员，而且还是效率更低的那种。”

老张试图挽留，但他自己也心虚——他算过一笔账，这个岗位如果全用AI+半个人力，效率能提升70%，成本下降一半。

这不是个例。

AI正在以一种“润物细无声”的方式，渗透进互联网运营的每一个角落。你以为冲击最大的是设计师、程序员？错了。运营，这个曾经被认为“长期需要人”的岗位，也有潜在的风险存在。

基础内容运营：你的“爆款标题”，AI一分钟能写100个

以前为了生成爆款标题，往往会脑暴很多关键词，但你需要的是每天产出30条小红书笔记，50个知乎回答，20条微博。你需要的是批量生成商品详情页、SEO文章、标题党推文。

这些工作，AI做得比你想象的更好。

我们之前就有过类似的案例，让deepseek生成数码、美妆的核心活动标题，两三分钟能生成一百多个，且其中总能挑出来非常朗朗上口的标题党语句！

这如果是人类自己脑暴，估计得花了30多分钟，写出了几个勉强能用的；AI的查找、输出的能力是人类的几百倍。

更可怕的是，AI还在进化。GPT-4、Claude、文心一言……它们不仅会写标题，还会模仿你的文风，会针对不同平台调整语气，会根据数据反馈迭代优化。

你引以为傲的“网感”，正在变成可以被量化的算法。

什么样的内容运营是安全的？

———— / BEGIN / ————

光环

2026年3月，美国拉斯维加斯英伟达GTC大会的主舞台上，杨植麟与OpenAI、DeepMind的负责人并列而坐。这是全球AI顶级从业者的标准合影，但杨植麟的身份标签与旁人略有不同——他是唯一独立大模型创业公司的代表，其余均为科技巨头旗下的项目负责人。

这张照片传回国内时，月之暗面的估值刚刚突破180亿美元，三个月内翻了两番，创下中国公司晋级“十角兽”（指那些估值超过100亿美元的未上市初创公司）的最快纪录之一。

不过，它的身份或许很快会再次发生变化：前不久，彭博社传出消息，月之暗面已与中金公司和高盛展开关于赴港IPO事宜的初步接触。智谱与MiniMax高光在前，对于月暗的IPO之路，外界很容易把这种光提前投射到这家公司身上。

这也几乎是杨植麟身上那层创业者光环的自然延伸。

在中国这一代AI创业者里，杨植麟是少数几个不能只放在国内语境里讨论的人。并且在决定大模型公司上限的那些关键问题上，月之暗面已经不能只拿来做本土比较。

真格基金作为月暗早期的投资机构之一，管理合伙人戴雨森对于杨植麟的认可是不加掩饰的，他曾在一篇文章中透露，杨植麟在清华读书时被公认为“神中之神”。这样的情绪渲染对于理解杨植麟并不完全多余。

杨植麟的学术底色，几乎是为大模型时代提前铺好的：

2015年，他从清华大学计算机系毕业，后以年级第一的成绩进入卡内基梅隆大学语言技术研究所。此后四年，他持续出现在ICML、NeurIPS、ICLR等AI顶级会议的作者名单里，很早就进入全球最核心的学术评价体系。

更重要的是，这并不只是“发过几篇好论文”那么简单。他以第一作者或共同第一作者身份参与提出的Transformer-XL 和XLNet，至今仍是预训练模型发展史上绕不开的名字。前者推动了长文本建模能力的跃迁，后者更是预训练模型领域绕不开的里程碑，其思想直接影响了后续GPT系列的技术路线。

2019年，他成为ACL（计算语言学协会，顶级国际学术组织）史上最年轻的领域主席之一，在创立月之暗面之前，又先后在Google Brain 和FAIR（Meta旗下基础人工智能研究研究院）任职——既有理论研究者的锋利，也有顶尖工业实验室训练出来的工程质感，这样的经历，在国内并不常见。

也正因如此，外界在评价月之暗面时，谈论的往往不只是能力，还有一种更难被量化的气质。或许用Manus首席科学家季逸超对Kimi的评价可以一语概之：

“Kimi这家公司，还是比较有品味的。”

品味，taste，这两年频繁的在创投圈里被提起，常常被认为是AI公司唯一的护城河。2026年3月《纽约客》甚至直接写：“taste”已经成了硅谷新的buzzword，热度有点像 2010年代的“disruption”。

在季逸超眼中，品味的具象化，体现在一家公司的evaluation或者内部的benchmark上，“因为你内部的衡量指标，无论是对于模型的benchmark，还是对于人，其实决定了这家公司和产品该走的方向”。

杨植麟身上一个很突出的特点是，他似乎并不满足于“按别人的题目把分考高”，而总想先确认：这道题本身出得对不对。

绝大部分行业公开的benchmark从根本上来说是由人工定义的，经常会存在benchmark不够或者失效的现象。

“现在agent能用的benchmark不是很多，而且你在benchmark上看到一个分数，很多时候并不是agent能力的反应，甚至很片面，这个是我觉得大家要去解决的一个问题。”杨植麟在《张小珺|商业访谈录》的播客中，曾披露过行业的这一现状。

但很多公司为了刷分，只针对性的让模型做几个特定场景，以方便对外发新闻稿来达到不同的目的，然而，那并不是模型真实的表现能力，在一些更OOD(Out-of-Distribution，可简单理解为“超纲“)的场景里，体感就会变得很差。

基于此，月暗内部补了一套更贴近真实工作的benchmark：

比如K2.5在代码方向上，并不只看公开榜单，而是自己设计了Kimi Code Bench，去衡量build、debug、refactor、test这些更接近真实软件工程的任务；在办公场景里，又专门做了AI Office Benchmark和General Agent Benchmark，去看Office输出质量和多步工作流到底完成得怎么样。

往里一层，在K2.5 Agent Swarm的训练里，它的奖励机制也不只是“调来更多agent”这种表面的热闹，它会刻意避免两种情况：看起来很多agent，实际还是串行在做；或者为了“并行”好看，硬拆出一堆无效步骤，反而拖慢整体进度。

这几乎是季逸超那句话的具象版本：你用什么 benchmark，就会训练出什么产品。月暗不是先做出一堆功能，再反过来替它们找解释，恰恰相反，是它先决定什么样的能力值得被度量，产品才沿着这些指标往外生长。

只是，这样的路径也意味着更高的研发成本，更慢的产品节奏，以及对底层模型能力持续兑现的更高要求。

事实上，这也是杨植麟过往风格的延续。

无论是Transformer-XL，还是后来的XLNet，他做的都不只是沿着既有路径再往前推一点。前者试图解决的是，模型在面对更长信息时，为什么总会出现记不住、接不上的问题；后者则干脆绕开当时主流预训练路线的一些先天缺陷，重新改写了题目本身。

这两项工作的共同点在于，它们都没有停留在既定框架里做加法，而是直接碰了当时行业默认接受的前提。

这就是杨植麟。他似乎从来不满足于只在现成赛道上提速，而总要先追问一句：这条赛道的起点、规则和边界，是否本来就值得重画。

到了创业时期，他身上这种“先定义问题，再做技术”的习惯，变得更具体了。

早在2023年Kimi以超长文本能力进入公众视野时，杨植麟看重的就不只是“能装下更多内容”，而是另一件更底层的事：当信息越来越多、任务越来越长时，模型还能不能把前后文接住，并持续往前推。

今天再回头看，Kimi首页摆出来的，已经不只是一个对话框，而是Docs、Slides、Sheets、Deep Research、Kimi Code、Kimi Claw、Agent Swarm这样一整排能力模块。表面上看，这是产品在变多；往深一层看，它们其实都在回答同一个问题：

模型真正的价值，不是某一刻把一句话答得多漂亮，而是任务一旦被拉长、被做复杂之后，它还能不能一路不掉链子地把整件事接住。

而一个试图做到这一点的产品，最终就很难停留在“聊天助手”的位置上，它会被一步步推向更重的角色：知识工作的入口、调度台，甚至执行平台。

但当Kimi从“回答问题”转向“调度知识工作”，它就很难只守一头：往下要补模型，往上要争入口。缺了用户关系，只是别人的能力供应商；缺了底层能力，又撑不起“把事做完”的承诺。这意味着月之暗面从一开始就走进了一场更重的战役——资本密度更高，兑现周期更长。

而当一家公司同时打两场战争，钱就不再只是财务问题，而是战略本身。月之暗面当然不至于为生存发愁，但它怎么会不缺钱呢？

怎么会不缺钱呢？

2025年的最后一天，杨植麟发布内部信，透露公司的现金持有量超过100亿元，作为对比，同样以IPO前的财务数据为基准：MiniMax在赴港招股时，若只看现金及现金等价物，约为24.9亿元人民币；智谱同期约为25.5亿元人民币。若按更宽口径看可动用资金，MiniMax约为72.1亿元人民币，智谱约为32.1亿元。

于是，杨植麟说：“我们短期不着急上市”。然而3个月后，月暗IPO的消息不胫而走。看起来，似乎与杨植麟的“不着急”前后矛盾。

不过，把这两句话放回同一条时间线上看，它们未必真的互相抵触：前者说的是，月之暗面当下并不需要为生存或续命仓促上市，后者对应的则是，在AI概念再度受到资本追捧的窗口期，这家公司也没有理由把一条可能更宽的融资通道长期关在门外。

要知道，能不为眼前的生存焦虑上市，和该为下一场更昂贵的战争提前备粮，本来就是两回事。

更何况，月之暗面怎么会不缺钱呢？

行业如今正在发生的变化是：模型公司向上抢入口，办公巨头向下吞模型，协作平台横向加AI。这三股力量表面上方向不同，但底层想争的是同一样东西：知识工作的控制点——也就是杨植麟目前所在的战场。

说的更直接一些，大家都想从“帮用户做一点事”走向“定义用户怎么做事”。

原因并不复杂：大模型正在变得越来越聪明，但“聪明”本身并不直接创造价值。真正决定价值能否落地的，是谁能先把这颗大脑接进现实世界的手和脚里。

就像一个伟大的方案，若不能执行落地，那无异于纸上谈兵。

一个大模型公司都不得不面对的事实是：模型层的“纯智力租金”正在快速被压缩。

我们以Anthropic为例：Anthropic在2024年6月发布Claude 3.5 Sonnet时，API定价就是$3/百万输入token、$15/百万输出token；到2026年的Claude Sonnet 4.6，官方文档给出的价格仍然是$3/$15，但上下文窗口已经到了1M token，并明确主打agents、coding、computeruse。

也就是说：模型能力在显著跃迁的同时，单位“智力”的价格并没有跟着抬升，反而更像被竞争锁死了。

国内就更不必说，2025年，大模型价格战已经卷到几乎贴着成本线打：阿里云2月将通义千问视觉理解模型降价超80%，百度4月发布文心4.5 Turbo和X1 Turbo时，又把输入价分别打到0.8元和1元/百万tokens，月暗也在同月下调开放平台价格，官方明确写到，Kimi-latest自动缓存后的价格仍只有1元/百万tokens。

《财经》曾援引多位云厂商负责人的说法指出，2024年5月以前，国内大模型推理算力毛利率还高于60%；但在5月各大厂接连降价后，这一毛利率已跌至负数。

另一边，头部公司的路径已经越来越一致：卖的都不只是 token，而是把模型变成能真正干活的系统。

OpenAI已经把web search、file search、containers 单独拿出来收费，在Responses API 和Agents SDK 里，也直接把工具调用、状态管理、多步执行写进产品定义；Anthropic同样不再只收模型调用费，web search 和 code execution另行计价，对Claude Code的定义也不再是代码补全，而是能读代码库、跨文件修改、运行测试、交付结果；

Google一边在Gemini API里把搜索增强、上下文缓存存储拆出来卖，一边又把Gemini全面塞进 Gmail、Docs、Sheets、Meet、NotebookLM 等Workspace体系，强调服务每个员工、每条工作流；

微软则把Copilot做成贯穿Microsoft 365的工作入口，覆盖聊天、搜索、文件、邮件和agents构建；飞书和钉钉也都在把AI往会议纪要、任务提醒、知识问答这些高频工作环节里嵌。

甚至连Notion、Cursor这样的轻量级选手也已经把自己包装成“AI workspace”，主打Agent、Enterprise Search、自动化和知识空间。

Kimi也把钱从API挪到“我替你动用了多少工具、占用了多少环境、持续运行了多久”上：Kimi web search每次调用收费0.005美元，搜索结果token还会继续计费；Kimi Claw的一键云部署则需要Allegretto（每月$31）或更高会员。

市场也用真金白银给出答案：微软这边，2026财年第二季度财报显示，Microsoft 365 Copilot的付费席位已达 1500万个，按标价年化测算约为54亿美元；谷歌则成功实现了Scaling Law到商业利润的转化。根据2026年初的披露，Gemini Enterprise已售出超过800万个付费席位，覆盖超过2,800家大型企业客户。

当然，“喜报”里也有升级为“知识工作执行平台”的Kimi：

据第三方基于Stripe支付数据的追踪，Kimi个人订阅用户1月支付订单数环比增长8280%，2月环比再涨123.8%。在其全球支付榜单上，短短两个月，Kimi排名由百名开外飙升至第9位。

据Gartner（全球最知名的技术研究与咨询公司）判断，到 2035年，agentic AI可能贡献企业应用软件收入的约 30%，规模超过4500亿美元。

于是，一个更清晰的格局开始浮现：大模型公司的终局对手正在快速收敛。

OpenAI、Anthropic、Google、微软，以及月之暗面这样的新玩家，看上去分属不同位置，做的却越来越像同一门生意——把模型接进真实工作流，争夺知识工作的入口、调度权和收费权。也正因此，他们彼此都在改写对方的边界，也彼此成为对手。

这场战争烧钱的速度，与对手的体量成正比，而月之暗面要同时与数家万亿市值的巨头对垒，每一轮弹药补给都是生死线。

图注：月之暗面要同时对垒的巨头们

而最难的是，尽管站在同一片战场上，大家要打的仗却并不一样。

对大多数公司来说，这更像是一场单线推进的竞争：

有的是从既有入口往下压，比如Google、微软、飞书等，它们原本就守着Docs、Sheets、Word、Excel这些现成的入口，AI对它们只是升级，不是开荒；

有的公司选择从模型能力往上爬，比如智谱和MiniMax，皆是以能力层起家，再慢慢往agent和应用层上探。 OpenAI和Anthropic也是同理，先模型后产品，并且如今它们已经占住了开发者和代码助手的高地，可以从容地向外扩张；

而Notion、Cursor、Perplexity这种，它们的优势不是模型一定更强，而是用户原本就在它们那里干活，已经在用户的某个具体工作场景里扎得很深了。

它们各自都有根据地，只需专注在将自己的优势继续放大上。

但Kimi没有。对杨植麟而言，他像是在同时应付几场战役：

它既没有现成的办公入口，也不甘心只做底层能力的供应商。它想让用户直接把工作交给Kimi，这就意味着它不仅要证明模型够强，还要证明用户有理由改变原本的工作习惯。

前一种成本，是训练、推理、Infra和工程；后一种成本，是产品打磨、市场教育、组织渗透和企业信任。这意味着月之暗面要同时承担两条最昂贵的战线：一条是模型军备竞赛的硬成本，一条是用户习惯迁移的软成本。

Google和微软每年在AI上的投入以百亿美元计，但它们的Office 365和Workspace本就是盈利业务，AI投入是“升级存量”而非“创造增量”。

OpenAI虽也无宿主平台，但其C端付费用户数已突破 5000万，月收入约20亿美元，年化收入超过250亿美元；Anthropic近期被报道年化已快速抬升至300亿美元，形成了自我造血飞轮。

月之暗面则不然。它的估值在三个月内从43亿美元飙至180亿美元，创下中国“十角兽”最快晋级纪录之一，但这恰恰说明资本对其“多线作战”能力的极度渴求——

既要养得起K2.5这样的万亿参数模型和端到端强化学习的算力消耗，又要熬得起企业客户从试用到真正依赖的18个月平均转化周期；既要维持C端免费策略以抢夺用户时长，又要搭建企业级私有化部署和API服务体系。

据行业估算，其2024年单年算力支出已超10亿元人民币，而Agent产品的工程化、多模态能力的持续迭代、以及海外市场拓展，都将继续推高这一数字。

更关键的是，这场战争没有终局。模型能力每提升一代，入口争夺就要重新打一遍；用户习惯每松动一寸，就需要持续的产品投入来巩固。短时间内就去IPO，更像是“永远需要更多钱”的注脚。

而比“永远需要更多钱”更紧迫的现实是：它的钱甚至还没找到稳定的来路。

道阻且长

如果把这场竞争理解成一场阵地战，Kimi更像是一个火力很猛、意图很靠前的远程兵种：出手快、爆发强、打法直接，但它背后的补给线、原生地盘和容错空间，却远比对手脆弱。

月暗的造血困境，藏在它最光鲜的履历里。

尽管估值已经突破180亿美元，但它的收入规模尚不及对手的零头。2025年，月之暗面C端订阅收入估算约2亿元人民币（数据来自于媒体《光锥智能》），加上API收入也难以触及1亿美元。

即便2026年K2.5发布后“20天收入超过2025年全年”，这种爆发更多反映的是此前基数之低，而非商业模式之稳。

更深层的问题在于，它的用户来得快，去得也快：2024年11月，它的月活是3600万，一年后（2025年Q3）跌至不足千万。

数据过山车的背后，也暴露出杨植麟在运营层面的偏好：更擅长方向判断与关键决策，而非渐进式的节奏把控。

2024年，月暗是行业公认的“投流狂魔”，高峰期每月投放高达数亿元，10月和11月单月投放甚至超过了2亿元。

但到了2025年情况变了。字节、阿里这样的巨头，靠着自己原有的流量入口和产品生态，把拉新成本抬得很高。对月之暗面这种创业公司来说，单靠花钱买用户，越来越像一个填不满的无底洞。

与此同时，DeepSeek又用极高的工程效率，把模型能力的价格迅速打了下来。Kimi早期靠“长文本”建立起来的那点领先优势，也被快速稀释了。

在此背景下，杨植麟的应对不是精细化调优，而是直接“踩刹车”：全面停止投放，暂停多个安卓渠道与第三方广告合作，停更两款出海产品。全员信明确“不以绝对用户数量为目标”。

图注：杨植麟内部信截图

从“烧钱换增长”到“全面收缩”，战术转换大开大合，几乎没有中间过渡地带。这意味着前期投入的人力与资源并未沉淀为可持续的能力，而是随着战略转向直接清零。用户侧更出现真空期：原有C端用户习惯被中断，新用户群体教育尚未完成，品牌能见度骤降。

但问题并不止于此。

比起增长失速更值得警惕的是，月之暗面的收入结构本身，也没有看上去那么扎实，尤其是被寄予厚望的海外业务。

月暗的API收入在2025年底增长4倍，2026年初，随着开源Agent产品OpenClaw爆火，近四分之一的Tokens消耗来自该生态，另有大量调用来自AI编程工具如Kilo Code等第三方编程工具。

也就是说，Kimi的海外收入并非来自自有产品的粘性用户，而是作为底层能力被集成进别人的应用——用户不属于自己，入口也不掌握在自己手里。

图注：OpenRouter数据显示，今年2月，Kimi K2.5模型成为海外市场调用量第二名

这类收入的最大问题在于，议价空间有限，替代风险极高。一旦这些外部产品转向其他模型，收入链将瞬间断裂。

与此同时，它的烧钱速度从未放缓。2025年底对全员进行调薪和期权激励，2026年计划将平均激励翻倍；新增融资明确用于“扩增显卡规模、推进K3研发”。账面现金超过100亿元，却在不到两个月内连续完成两轮超12亿美元融资——

充裕的储备反而印证了造血能力的不足，若自我运转强劲，便无需如此急切地储备弹药。

但这也是战略定位的必然代价：既无现成入口，又未建立稳定的用户付费心智，当对手可以靠既有业务输血、靠生态锁定用户时，月之暗面只能靠自己一轮又一轮地融资，来同时填满两个无底洞。

戴雨森曾透露，杨植麟希望被认可的标签里，“企业家”是其中之一。只不过到今天，这位“天才”身上更鲜明的，仍然是工程师的质地。

在2025年底的那封内部信里，杨植麟把“超越 Anthropic、成为世界领先的AGI公司”写成最重要目标，又强调“不以绝对用户数量为目标，持续追求智能上限”，甚至明确提到“需要一点偏执的审美坚持”。

野心与方向感依然坚定，但反过来看，问题也在这里：一个创始人太相信只要模型足够好，别的问题都会被穿透。

事实上，这种思路不只影响他怎么看产品，也影响他怎么搭组织。因为当“更快、更强、更直接”被放在首位时，组织结构也会自然向极致扁平和高强度沟通倾斜。

公开报道里，杨植麟的个性签名就是“直接沟通”；公司长期坚持极致扁平，没有中间管理层，联创要直接对接40到50位同事。这样的组织当然有速度，也很适合高天赋、高自驱的人，但报道也同时写到：规模一大就会出现信息过载，一些员工会因为缺少清晰反馈和确定性而感到失重。

换句话说，他可能更擅长拉高标准、压缩链路、逼近真相，但未必同样擅长给更大规模的人群提供秩序感、安全感和可持续的管理结构。

一个人被过早放进“神中之神”的叙事里，市场就会天然高估他的确定性，低估一家公司真正要面对的复杂性。

杨植麟信奉一句话：“Problems are inevitable, but problems are soluble.” （问题是不可避免的，但问题也都是可以被解决的），这句话出自近年来被硅谷追捧的一本书：《The Beginning of Infinity》，这本书是由物理学家David Deutsch撰写的。

巧合的是，有批评者认为，Deutsch的这本书低估了组织、政治、人性在知识传播中的摩擦成本——这正是杨植麟这类技术理想主义者容易忽视的维度。

在回答张小珺“为什么AI产品还没有形成数据飞轮”时，杨植麟是这样解释的：

“因为基于算力的scaling太强大了……另一方面，所谓的数据飞轮是很依赖外部环境的feedback(反馈)，这个feedback我们不希望它有很多的噪声，但现在可能somehow还没有把这个问题解决的很好，大模型的学习对噪声还是比较敏感的，跟传统的推荐系统不太一样。”

简单理解就是：在当下这个阶段，算力扩张和强化学习带来的能力提升仍然十分明显；相比之下，让模型直接从复杂、嘈杂的用户反馈中持续学习，这条路还没有被真正跑通。

某种程度上，这种对“内部确定性”的倚重，也延伸到了杨植麟看待外部世界的方式里。

他曾说，要在“自己的故事里去感受自己是个什么样的人”。这句话未必是一种回避，更像是他处理不确定性的方式：当外界围绕投放、留存和商业化不断提出疑问时，他更愿意回到自己更熟悉、也更相信的那部分东西——技术迭代、能力提升，以及内部逻辑的持续自洽。

但月之暗面终究会走向更大的舞台。Scaling Law的红利也许还没有结束，可一家公司能不能走远，终究不只取决于模型本身。再往后，真实世界的反馈、团队的承接和商业的耐心，都会成为同样重要的变量。

对杨植麟而言，这或许也是另一门课：如何让技术之外的部分，也慢慢长出来。

用了一堆 AI 工具，看了无数测评文章，却在自家产品落地 AI 时彻底卡壳；懂 AI 的能力边界，却摸不透业务的真实需求；了解了大模型理论，却找不到产品与 AI 融合的精准切入点；始终停留在 “信息层面了解 AI”，从未将其落到实际工作场景里……

这是当下绝大多数产品人的真实困境：知道 AI 能做什么，却不知道自己的产品需要什么。

也许你对用户路径、核心场景的理解刻在骨子里，但 AI 的能力边界不断扩展、更新速度飞快，靠看文章永远建立不起真实感知。产品经理的核心能力不是写代码、跑模型，而是在熟悉的业务场景里，判断 AI 该替换哪一层、优化哪一段、创造哪些前所未有的用户体验 —— 而这份判断力，唯有从真实的业务实践中才能习得。

那些真正把 AI 融进产品的团队，聊的从来不是空泛的 “AI 赋能”，而是具体到 “客服流程中 AI 接管第几步”“内容生成模块在哪个用户场景触发” 的实操逻辑，这才是 AI 落地的核心，而非给外界看的 Demo。

2026年，我们将继续携手全球快递物流一站式数智服务平台「快递 100」，将「对话AI行动派」系列活动落地成都，4 月25 日（周六），我们一起告别空谈概念，直击 AI 落地核心痛点，让真正在业务里踩过坑的实战派，带你找到 AI 与产品融合的场景化出口，把 AI 的 “潜力” 变成产品的 “实力”！

为什么本场活动不容错过？

拒绝科普，只讲真实的业务实战

没有大模型底层原理的空泛讲解，只有一线从业者的一手实战经验。分享嘉宾均是在 AI 落地业务中摸爬滚打的实践者，他们会坦诚分享「在哪个场景用了 AI、取得了什么效果、踩过哪些坑」，只说最真实的落地心得，让你快速避开前人的弯路。

直击卡点，聚焦场景化突围核心

本次活动不聊虚的 “拥抱变化”，只围绕产品经理的核心困境展开：如何在熟悉的业务场景中找到 AI 嵌入的精准切入点？如何让 AI 能力匹配产品真实需求？如何将 AI 从 “工具” 转化为产品创新的核心动力？破解 “知道 AI 厉害，却不知道从哪下手” 的痛点。

同频交流，链接产品与 AI 领域同行

这不是单向的听课会场，而是专属产品人的高质量交流场。现场汇聚深耕 AI 与产品领域的从业者，大家围绕 AI 落地产品的真实问题坦诚探讨，在交流中碰撞思路、交换经验，搭建长期的行业人脉网络，让同频的人彼此链接。

这场活动，适合这样的你

———— / BEGIN / ————

去年这个时候，招聘网站上最火的AI岗位是”Prompt工程师”。年薪可观，门槛不高，会写提示词就能上岗。

今年，这个岗位的热度明显降温了。

不是Prompt不重要了，而是它的价值正在被稀释。当模型越来越聪明，当Agent框架越来越成熟，单纯”会写好提示词”这件事，正在从核心竞争力变成基础素养。

Agent时代的到来，正在重新定义AI训练师的能力模型。

为什么Prompt不再是核心技能

回顾一下Prompt的本质：它是人类与单轮对话模型沟通的桥梁。

用户说一句，模型回一句。Prompt的任务是让这一问一答尽可能准确、有用、安全。训练师的工作，就是打磨这座桥的质量。

但Agent改变的游戏规则。

Agent不是对话模型。它是一个能自主规划、调用工具、持续执行任务的系统。用户说”帮我订明天去上海的机票”，Agent需要：理解意图→调用航班查询工具→筛选结果→调用订票工具→确认订单→返回结果。

这是一个多步骤、多工具、有状态的流程。在这个流程里，单轮Prompt的价值被大幅稀释。你写了一个完美的”订机票”提示词，但如果Agent不知道该调用哪个工具、如何处理工具返回的异常、怎样在多步任务中保持上下文连贯——Prompt写得再好也没用。

从”让单次对话更准确”到”让复杂任务能跑通”，这是本质的跃迁。

Agent时代的新角色

当模型具备了自主行动的能力，训练师的工作重心发生了转移。

从写Prompt到设计工作流

传统训练的核心产出是高质量的提示词模板。Agent时代的核心产出是任务的执行流程。

以一个客服Agent为例。传统方式是写好各种场景的应对话术，让模型按场景匹配。Agent方式是设计一个完整的问题解决流程：接收问题→判断类型→调用知识库→生成方案→确认用户满意→归档记录。

训练师需要思考的不再是”这句话怎么回”，而是”这类任务该怎么走”。每一步该调用什么工具、遇到异常怎么处理、什么时候该转人工——这些流程设计，才是Agent训练的核心产出。

从标注数据到定义边界

传统训练依赖大量的人工标注数据。Agent训练更依赖边界的定义。

Agent有自主行动的能力，但它不能什么都干。训练师需要明确：哪些操作Agent可以自主决定，哪些必须请求确认，哪些绝对禁止。

这不是通过标注几万条对话数据能解决的。它需要训练师深入理解业务场景，设计出一套清晰的决策权限框架。什么情况下Agent可以自己下单，什么情况下必须让用户二次确认，什么情况下应该直接转人工——这些边界的设定，决定了Agent是”智能助手”还是”人工智障”。

从优化输出到设计反馈

传统训练的反馈回路很短：模型输出→人工评判→调整参数→再输出。

Agent的反馈回路要复杂得多。一个任务可能涉及十几次工具调用，每一步都可能出错。训练师需要设计的，是一套让Agent能够自我监控、自我修正的机制。

Agent调用工具失败了怎么办？返回的结果明显不合理怎么办？任务执行到一半用户改主意了怎么办？

这些问题的答案，不是靠写几条Prompt能解决的。它需要训练师设计出Agent的异常处理逻辑、任务中断机制、用户确认节点。本质上，是在给Agent设计一套”行为准则”。

稀缺的能力

基于这些变化，有三类能力正在成为Agent时代训练师的核心竞争力。

1. 系统思维：从”点”到”链”

传统训练师擅长优化单点：这条Prompt写得好不好，这个回复是否准确。

Agent训练需要的是系统思维：这个任务的完整链路是什么，每个节点之间怎么衔接，瓶颈可能出现在哪里。

举个例子。设计一个”会议纪要整理”Agent，需要考虑的不只是”怎么把语音转成文字”，而是：音频怎么获取、转写结果怎么分段、关键信息怎么提取、格式怎么输出、如何处理多人交叉发言的混乱场景。

这种从点到链的思维能力，是传统Prompt工程不怎么要求的。

2. 工具理解：知道”有什么”才能设计”怎么做”

Agent的能力边界，很大程度上取决于它能调用什么工具。

训练师不需要自己写工具代码，但需要深入理解每个工具的能力边界和返回格式。只有知道”搜索工具能返回什么”、”数据库能查到什么”、”支付接口有什么限制”，才能设计出合理的任务流程。

这要求训练师具备一定的技术理解力，能够和工程师有效对话，把业务需求翻译成工具调用的逻辑。

3. 异常处理：为”出错”做设计

传统对话模型出错了，最坏不过是一次不好的回复。

Agent出错了，可能是一次错误的下单、一次错误的发送、一次错误的操作。

训练师需要花大量时间思考”出错了怎么办”。工具调用失败的重试机制、结果异常的校验逻辑、用户中途退出的状态保存——这些”异常路径”的设计，往往比”正常路径”更耗精力。

一个优秀的Agent设计，不是看它在理想情况下跑得多顺，而是看它在出错时有多稳。

正在发生的转型

这种能力模型的变化，已经在行业里显现出来。

一年前，AI团队招人看的是：会不会写Prompt、懂不懂模型微调、有没有标注经验。

现在，越来越多的团队开始关注：有没有产品思维、能不能设计工作流、理不理解业务流程、能不能和产品技术有效协作。

训练师这个角色，正在从”AI专家”向”AI产品经理”的方向融合。不是说技术不重要了，而是单纯的模型训练技术已经不够了。你需要懂模型，也需要懂业务、懂产品、懂流程设计。

Agent时代最稀缺的训练师，是那些能把”模型能力”翻译成”业务价值”的人。

———— / BEGIN / ————

阿里认真了

HappyHorse亮相之前，阿里虽有通义万相视频模型，但表现始终不温不火。作为大模型生态的附属功能，万相此前在清晰度、运动连贯性、长视频稳定性等核心指标上，与Seedance、快手可灵等有明显差距，也未打通专属商业化场景。

这一次，阿里好像认真了。HappyHorse采用150亿参数，将文本、视频、音频三种模态Token置于同一序列联合建模，从底层解决了音画不同步、语气与表情不匹配等问题。

“它的物理模拟更贴近真实环境。”一位测评人士告诉《中国企业家》。另外，HappyHorse原生支持七国语言唇形同步，词错误率显著降低。同时，它在成本与速度上表现优异：单张H100生成5秒1080p视频约38秒，DMD-2蒸馏技术将去噪步骤压缩到了8步。

但HappyHorse的短板同样突出。

测评人士表示，在完成复杂动作与多人交互时，HappyHorse易出现肢体错乱、轨迹不稳。相比于Seedance，HappyHorse更擅长镜头呈现，不擅长动作叙事。

在应用方面，HappyHorse的API尚未开放，在内测中，其支持的时长仅为5~10秒，场景上限较低，更适合做短视频、广告、AI漫剧素材，还难以支撑剧情长片。其本地部署也有门槛，需配备H100或A100显卡，消费级显卡无法运行。

阿里突然在视频模型战场投入火力，意欲何为？相关人士表示，HappyHorse诞生于淘天未来生活实验室，或许意味着阿里希望其能与电商场景碰撞融合。

阿里拥有完整的商品、商家、交易与广告生态，但商品视频一直是中小商家的痛点：场景搭建、拍摄剪辑成本高，白底图难以展现卖点。而AI视频可批量生成多版本、多场景、多语言内容，大幅降低了创作门槛。

更关键的是，阿里的商品详情、用户评价、搜索行为、转化数据、直播表现等全链路信息，也可反向训练电商专属视频能力，让HappyHorse成长为懂电商、能带货的内容生产引擎。

但这条商业闭环要跑通，除了技术攻坚，还必须先解决阿里的算力问题。

接近阿里的人士向《中国企业家》透露，目前阿里内部GPU分配非常紧张。“此前，像月之暗面作为阿里云大客户，虽然与Qwen存在竞争，还是能获得比较充足的算力。现在阿里要支持基模研发、电商、云服务多条战线，未来要重新考虑GPU的投入产出比了。”

而视频生成是算力消耗大户，如果HappyHorse逐步开放推广，算力需求更将指数级增长。这匹黑马能跑多快、多远，很大程度上取决于阿里能否破解算力这一核心瓶颈。

Seedance的好生意被盯上了

尽管挑战重重，各大厂商仍争相涌入AI视频赛道，只因这是一门想象空间极强的生意。

目前，红果短剧等平台收一部剧的最高价格约2000元/分钟，一部常规短剧的时长约120分钟，价格约24万元。而市场上AI短剧的外包制作报价已经低至400元一分钟，甚至有团队用自动化工具实现了一天800~1000分钟的漫剧内容产出。

巨大的成本优势和生产效率，让AI短剧成为资本追逐的热点。有AI视频制作公司负责人告诉《中国企业家》，短短半个月，就有好几家资本来谈收购、并购，目前给他们的估值已超5亿元，但他们和合伙人都觉得，这个出价还不够“美丽”。更有地方政府直接找上门来，希望直接独家买断公司的AI漫剧自动化生成工具。

Agent技术的进展，也正让一人公司（OPC）大量涌现。几个擅长高效使用AI工具的员工，便能顶得上过去一个甚至几个团队的工作量。各地政府敏锐地捕捉到了这一趋势，纷纷对AI视频、AIGC、AI短剧推出算力补贴、内容奖励、园区集聚等扶植政策，吸引OPC进入。

2月27日，武汉东湖高新区发布“微短剧八条”，对重大产业项目最高支持5000万元，爆款短剧单部奖励50万元。

3月10日，上海市徐汇区发布《“AI+微短剧”产业扶持意见》，对头部企业最高给予1000万元发展支持，同时发放最高100万元算力券、100万元语料券，并为OPC减免工位费用。

3月13日，深圳市施行新版微短剧扶持政策：AIGC微短剧单项目最高资助200万元。

需求的旺盛和政策扶植，让字节成为最早尝到甜头的公司。据《中国企业家》了解，虽然火山引擎向大型影视公司、内容制作公司、特定机构等开放的Seedance API接口“白名单”，有些机构被要求“最低消费”1000万元/年，客户仍趋之若鹜。

接近火山引擎的人士告诉《中国企业家》，地方政府已将算力扶持作为招商引资的重要配套。一些AI短剧公司以“拼盘”接入API，不少算力费用由政府出面解决，以吸引相关公司落地。

“有些城市采购了火山3000万、7000万，甚至过亿的费用，用于内容扶植。当然其产出的内容也将对本地税收和GDP产生极大拉动，这个账很好算的。”

清晰可见的变现路径，叠加千亿级的市场增量，点燃了巨头间的竞争热情。阿里、腾讯纷纷加码AI视频赛道，试图从字节手中分走一杯羹。

接近腾讯的相关人士向《中国企业家》透露，混元视频模型其实早就有了，“只是效果很差”。近期，腾讯痛下决心，“开出高薪，差不多把Seedance开发组整个挖走了”。新款模型大约5月上线，有望和Seedance掰掰手腕，在短时间内实现技术突破。

依托腾讯生态，混元新视频模型还有望深度融入到视频号的内容生产、分发、商业化全链路，放大腾讯的内容生产力与商业变现空间。

视频模型的高风险抉择

虽然所有人都看到了AI视频在短剧、电商、广告等领域打开的万亿级商业潜力，但这条赛道的烧钱速度，也远超想象。投入矛盾与定价分化，以及摆在巨头面前的规模化盈利困境，正在考验着各家的平衡智慧。

虽然火山引擎的收入不菲，但其算力成本负担依然沉重，收入中的绝大部分，都要用来采购GPU和支付电力成本。

4月，火山引擎总裁谭待告诉《中国企业家》：“我们去年已经修改了商业计划，把目标提升了不少。但目前我们还没有做3年的盈利规划，暂时没有这方面的具体安排。”

OpenAI关停Sora，更给狂热的市场泼下一盆冷水。视频生成的算力消耗，是大模型的上百倍甚至上千倍，即便全球最具财力的科技公司，也难以承受这种无底洞式投入。

OpenAI虽宣称，关停Sora是为了将资源转向企业智能体、编码工具与具身智能等方向，但业内普遍认为，成本与付费严重倒挂才是核心原因：Sora单条1080p的视频生成成本约0.5~1美元，而用户平均付费意愿不足0.1美元，根本无法支撑持续运营。

更深层的挑战，还来自于科技大厂技术路线的高风险抉择。业内人士向《中国企业家》指出：多模态任务过度消耗算力，在Token用量已经暴涨的情况下，厂商有再多算力依旧不够烧，要把算力留给谁，就成了关键问题。

由于忌惮视频的无底洞式算力投入，Google始终不敢大规模开放API，也未推出独立的视频生成C端应用。“去年Google的多模态路线备受推崇，但今年便在Agent浪潮下被Anthropic赶超，现在只能说勉强留在牌桌上。大模型的核心技术路线，往往需要提前一两年布局，效果却要滞后显现。有时候真的像玄学。”

行业成本与收入失衡，近期利益和远期发展，迫使所有玩家重新审视视频模型的商业模式与定价逻辑，这也直接催生了行业内的定价策略分化。

摩根大通曾判断：头部领先模型可以维持溢价，追赶者则不得不通过降价抢占市场份额。

Sora停服后，字节率先选择涨价。4月8日，即梦宣布：基础、标准、高级会员的月度积分分别从1080、4000、15000下调至725、2210、6160，积分缩水近六成，相当于变相涨价。

相比之下，Google和快手则选择用降价换市场：谷歌在3月底放出的Veo 3.1 Lite版本，将720p视频生成价格压至0.05美元/秒。可灵紧随其后，推出会员限时8折优惠，部分图片生成功能甚至完全免费。

定价的两极分化，本质上是竞争烈度的直接体现。长期来看，平台、API、广告、电商都只是外层变量，决定胜负的关键因素仍然是：强化模型本身的同时，谁能在效果和成本之间找到最佳平衡点，谁能结合自身生态，找到不可替代的落地场景。

———— / BEGIN / ————

「你们做的这个 AI，完全不是我们要的！」

这是上周业务方在评审会上说的话。

我们辛辛苦苦做了两个月的 AI 工具，业务方看了一眼就否了。

为什么？

因为从头到尾，我们都在自己的世界里做产品，没有真正和业务对齐。

今天聊聊 AI 项目的跨团队协作，以及如何避免「做出来没人用」的悲剧。

01

相比传统软件项目，AI 项目的跨团队协作难度更高。

为什么呢。

第一个原因是不确定性太强。传统软件你说要一个按钮我就做一个按钮，需求是确定的结果是可预期的。AI 项目你说要「智能推荐」，什么叫智能？推荐到什么程度算好？用户会怎么用？这些都不确定。

不确定性导致大家对「成功」的定义不一样。技术觉得「模型准确率 85%，很成功」。业务觉得「用户根本不用，完全失败」。

第二个原因是认知鸿沟太大。业务方不懂 AI 能做什么、不能做什么。技术方不懂业务流程、用户痛点。产品方两边都懂一点但都不深。

每个人都在用自己的语言说话，说的好像是同一件事其实完全不是。业务说「我要智能客服」，想的是「能解决 80% 的问题」。技术听到「智能客服」，想的是「做一个能聊天的 Bot」。最后做出来业务发现这个 Bot 啥也不会。

第三个原因是反馈周期太长。传统软件开发一个功能做完马上能看到效果。AI 项目不一样，模型要训练、要调参、要评测，可能两个月才能看到第一版。两个月后发现方向错了，改还是不改？改吧又要两个月，不改吧业务不接受。这种长反馈周期放大了沟通不畅带来的损失。

02

在经历了多次失败后我总结了 AI 项目协作失败的三种典型模式。

第一种是「瀑布式脱节」。流程是业务提需求、产品写 PRD、技术开发、两个月后交付、业务说不对。问题在哪？中间两个月业务和技术几乎没有沟通。业务的需求在变技术的理解有偏差，但没人知道因为没有中间检查点。等到交付的时候差距已经很大了。

第二种是「技术主导偏航」。流程是业务提了个模糊需求、技术自己理解、按自己理解做、做完发现业务不认。问题在哪？技术按自己的理解做没有和业务确认。技术觉得「我按照最佳实践来做」，但最佳实践不一定符合业务场景。最后做出来一个「技术上很先进业务上没法用」的东西。

第三种是「需求膨胀失控」。流程是业务提需求、开始做、业务加需求、继续做、业务再加需求、永远做不完。问题在哪？没有明确的边界和优先级。业务不断提新需求技术疲于奔命，最后啥也没做好。

03

踩了这些坑之后我们调整了协作方式，效果好了很多。

核心是三个动作。

第一个动作是需求对齐会，先把「成功」定义清楚。

在项目开始前必须开一个需求对齐会。参会人是业务方、产品、技术负责人。

会议目标是对齐几个问题。

第一个问题是这个项目要解决什么问题。不是「做一个 AI 工具」，而是「解决运营每天花 2 小时找热点的问题」。问题越具体越容易对齐。

第二个问题是成功的标准是什么。不是「做出来能用就行」，而是运营找热点的时间从 2 小时降到 30 分钟、推荐的热点中有 50% 被采纳。可量化可验证。

第三个问题是什么不在范围内。明确边界防止需求膨胀。比如第一期只做 TikTok 不做其他平台，只做热点推荐不做脚本生成，不做个性化定制所有人看到的一样。

第二个动作是周 Demo，快速验证快速调整。

每周做一次 Demo 演示，哪怕功能还不完整。目的是让业务方持续看到进展及时发现偏差。

Demo 不需要完美，可以是一个原型、一个技术验证、一组测试数据。关键是让业务方看到「你们在做什么」，而不是两个月后才知道。

我们的经验是在 Demo 环节发现问题调整成本是交付后的十分之一。

第三个动作是效果评审，用数据说话。

功能上线后必须做效果评审。不是「业务方说好就好」，而是用数据验证。运营使用频率是多少？推荐内容的采纳率是多少？用户满意度评分多少？

数据说话避免主观争议。如果数据不好一起分析原因，而不是互相甩锅。

04

除了上面三个大动作还有一些小技巧也很有用。

第一个技巧是用业务语言沟通不用技术术语。

不要说「我们用 RAG 架构，Embedding 用的是 text-embedding-3-large，召回策略是混合检索」。

要说「用户问问题时系统会自动从知识库里找到相关内容，然后 AI 基于这些内容回答」。

用对方能听懂的语言。技术和业务沟通讲业务语言，业务和技术沟通把需求具体化。

第二个技巧是建立共同的文档。

所有的需求、讨论、决策都记录在一个共同的文档里。需求变更要记录、设计决策要记录、会议结论要记录。

文档是「共识」的载体。两周后有争议了翻文档，文档里写的就是当时的共识。

第三个技巧是设立「接口人」。

业务方指定一个接口人负责收集和整理需求。技术方指定一个接口人负责同步进展和问题。

所有沟通走接口人避免信息混乱。不要出现「业务 A 跟技术 B 说了一个需求技术 C 不知道」的情况。

第四个技巧是区分「问题」和「方案」。

业务方提需求时经常会直接说方案，「我要一个按钮点击后自动生成脚本」。但这是方案不是问题。

要追问你想解决什么问题。可能真正的问题是「写脚本太花时间」。解决方案可能不是「自动生成」，而是「提供模板」或「辅助编辑」。

先理解问题再讨论方案。

05

分享一个我们最近的协作案例。

背景是业务方想要一个「AI 内容审核工具」帮运营审核短视频脚本。

第一次对齐会我们问了几个问题。现在审核流程是怎样的？答案是运营写完脚本后发给主管审核，主管审核周期 1 到 2 天有时候会漏看。审核主要看什么？答案是看有没有违规词、有没有事实错误、语气是否合适。如果有 AI 帮忙你希望它做到什么程度？答案是能帮我先筛一遍把明显有问题的标出来，最后还是人来判断。什么标准算成功？答案是审核时间从 1 到 2 天降到 2 小时，漏审率降低 50%。

然后我们一起定了边界。做什么包括检测违规词、检测事实错误基于知识库、标记需要关注的内容。不做什么包括不自动通过或拒绝因为最终决策权在人、不做语气风格判断因为太主观、不做视频审核只做文本。

接下来是每周 Demo。第 1 周演示违规词检测，第 2 周演示事实核查功能，第 3 周演示完整流程。每次 Demo 后业务方会反馈「这个违规词库不全要加上 XX」「事实核查太慢了能不能快点」「界面上这个按钮位置不对改一下」。小问题及时改大方向一直对。

上线一个月后的数据是审核时间从 1 到 2 天降到 3 小时达标，漏审率降低 60% 超预期，运营满意度 4.2 分满分 5 分。

复盘这次协作比较顺利的关键是开始前就对齐了「成功标准」，每周 Demo 保证了方向不偏，边界清晰没有无限膨胀。

06

AI 项目的成功 30% 靠技术 70% 靠协作。

技术再强做出来的东西没人用也是失败。

有效协作的核心是对齐目标让大家对「成功」的定义一致，持续沟通不要两个月后才发现方向错了，用数据说话避免主观争议。

如果你也在做 AI 项目希望这些经验对你有帮助。

做对的事比把事做对更重要。

———— / BEGIN / ————

进入 2026 年 4 月，才火了两个月的 OpenClaw （俗称“龙虾”）就迎来了它的挑战者。Hermes Agent 连续数周占据 GitHub Trending 榜首，狂揽 22,000 颗星。

它火到什么程度呢？

连 Anthropic 都要抄它的。

4 月 10 日，Nous Research 的创始人 Teknium 跳出来吐槽，说 Anthropic 正在「复制」Hermes 自动判断任务完成、主动提醒用户的功能。

社区叙事也因此非常统一，认为 Hermes 凭借自进化 Agent、自动记忆管理和用户建模系统，在技术上全面超越了前任王者 OpenClaw，重新定义了开源 Agent 的方向。

不过，如果抛开这些宏大叙事，真正把两边拆开对比，你会发现它们在功能上一模一样的地方，远比差异多得多。

比如定时调度，两边都有。

Hermes 支持人类可读的格式和标准的 cron 表达式，每个任务都跑在隔离的会话（session）里。

OpenClaw 也同样支持 at、every、cron 三种调度类型，任务直接持久化写进本地的 JSON 文件，重启也不会丢。

再比如子 Agent 委派，两边都有。

Hermes 的 delegate_task 支持单任务和最多 3 个并行子任务，子 Agent 环境完全隔离，干完活只返回一个摘要。

OpenClaw 的 sub-agent 机制也支持这种后台隔离执行和结果回传，甚至还能配置嵌套深度。

浏览器自动化、TTS（语音合成）、Vision 视觉能力、图像生成、语音交互，两边也全都有。

Gateway 方面，Telegram、Discord、Slack、WhatsApp、Signal 等 20 多个平台的消息集成，两边也毫无悬念地全都有。

对着清单一项项打勾就会发现，两者的功能几乎完全重合。

所谓功能表上的「绝对碾压」根本不存在。

那么问题来了，既然功能都一样，Hermes 凭什么火成这样？社区里被吹上天的「自进化」「自动记忆」「用户建模」，到底有多少是真正的底层结构差异？

会自己长大的 Skill

翻遍两边的默认配置，你能找到的唯一硬核差异就一个，即，Hermes 在 Skill（技能）上实现了自动进化的闭环。

Skill 算是 Agent 的工作流知识单元，说白了就是一个 Markdown 文件，专门告诉 Agent 遇到某类任务该按什么步骤干、中间调什么工具、搞砸了怎么救场。

Hermes 把技能的生命周期硬生生劈成了两截。一截是运行时的静默生成，另一截是离线的硬核进化。

先说生成。平时让 Agent 干活，只要它在中间调用了 5 次以上工具，或者出了错又自己把流程救回来了，再或者你作为用户直接纠正了它的输出，主仓库里一套写死的硬规则就会被触发。Agent 会默默把刚才那套跑通的工作流打个包，存成本地的 SKILL 文件。这一步完全静默，很多时候你根本不知道它又给自己写了个新技能。

等下次再遇到类似任务，它会自动去扫索引。这个加载过程分四层渐进，就像去图书馆找资料。它先看目录卡片（Tier 0），只把名称和描述塞进系统提示词里，大概占 3,000 个 token。方向对了，再逐层去书架拿书，把完整内容展开。

但真正让 Hermes 拉开身位的，是第二步的进化。

Hermes 内置了一套离线批量进化算法，还专门拉了一个独立仓库（hermes-agent-self-evolution）。引擎用的是 DSPy 框架，加上一套叫 GEPA 的核心算法。

GEPA 的全称是 Genetic-Pareto Prompt Evolution。这套体系并非 Hermes 自创，出自 Lakshya Agrawal 等人的一篇 ICLR 2026 Oral 论文，标题就叫《反思性提示词进化可以跑赢强化学习》。

现在的学术圈搞技能进化，大部分都在走 RL（强化学习）的路线。像 SkillRL 或者 SAGE 这些框架，连名字都带着 RL，指望用梯度更新来强化技能库。但 GEPA 走了一条完全对立的路，刻意抛弃了强化学习。GEPA 论文本身就是在证明一件事，哪怕没有梯度更新，靠大模型的反思能力加上进化算法，不仅能跑赢 RL，样本利用效率还更高。

它是怎么做的呢？

这套算法有三个硬核的底座。

首先是反思性变异（Reflective mutation）。它不是瞎猜式的随机变异。大模型会去读之前的执行轨迹（trace），自己反思这次为什么做对了，为什么做错了，提示词到底该改哪几个字。

其次是帕累托前沿选择（Pareto frontier selection）。生成了一批变异的候选技能后，它不是一刀切只留全局均分最高的。只要某个候选在哪怕一个评估样本上表现最强，它就会被保留下来。这么做是为了保证技能探索的多样性和鲁棒性。

最后是自然语言反馈作为变异信号。传统 RL 靠数值 reward 引导参数更新，但数值信号颗粒度太粗，跑了一次得 0.6 分，你根本不知道是哪里对哪里错。

GEPA 的每次变异用的都是具体的自然语言反馈，比如「这一步没检查边界条件」「应该先读配置再写缓存」。LLM 读得懂这种反馈并据此产生下一轮变体，比解读一个浮点数有效得多。

把它串成工作流就是这样。系统定期去读现有的 SKILL 文件，去历史会话里抽样（或者干脆自己合成）搞出一个评估集。然后 GEPA 介入，看执行轨迹，反思提意见，生成候选变体，跑一轮评估，最后用帕累托算法挑出赢家。

这套离线的进化闭环跑完，得出优化后的 Skill 后，它不会直接覆盖原文件，而是老老实实生成一个 PR（Pull Request），必须要等你作为人类审核员点头合并，这个进化的技能才会真正生效。系统永远不会进行直接提交。

这直接戳破了社区里那套「用户完全无需介入」的爽文神话。Hermes 的态度其实很明确，技能生成可以全自动且静默，但技能进化必须过人眼。

回过头看看 OpenClaw。它也不是没有 Skill 系统，但要命的是每一步都得靠你主动。你需要手动建文件、手动安装、再手动授权，三个条件凑齐了技能才会生效。搞了个新 Skill 还得重启它统一管理的 Gateway 网关进程，系统才能认得出。

而且它的加载极其简单粗暴，根本不做任务匹配，只要配了就全量塞进上下文里，除非你手动加个禁用标签把它踢出去。

两边都有 Skill。真正的区别就在于谁来按下启动键。

Hermes 说「放着我来」，OpenClaw 说「你自己搞」。

谁在替谁记事

如果说 Skill 解释了 Hermes 为什么「越用越快」，那社区里传得神乎其神的另一半叙事「它懂我是谁」，就得归功于记忆系统了。

现在的三大主流 Agent（Claude Code、OpenClaw、Hermes）其实都有自动记忆。但只要稍微深挖就会发现，它们服务的对象、触发机制和记忆保质期完全是两码事。

先说 Claude Code。

它的自动记忆（auto-memory）是默认开着的，平时干活时会自动把构建命令、调试经验、架构笔记甚至代码风格都记下来，而且每 24 小时就跑一次 Auto Dream 来整理，把过期或者自相矛盾的东西清掉。

听起来很智能，但这套系统有着极其严格的项目隔离。

它的边界卡死在 git root（项目根目录）上，项目 A 里学到的血泪教训，绝对带不到项目 B 里。它不记你的个人偏好，不关心坐在屏幕对面的是谁，脑子里只有「这个项目该怎么跑」。

再说 OpenClaw，它的记忆系统就更偏长程。每次启动对话，它都会把包括 MEMORY.md 和 USER.md 在内的 8 个底层文件强制灌进自己的脑子里。这两个文件不仅跨项目共享，而且会自动写入。

那它是怎么写入的呢？

它的写入机制极其被动，更像兜底。

在每次对话的上下文（token）快要撑爆、系统准备做大压缩（compaction）之前，Agent 会悄悄跑一个 silent turn（隐藏轮次）。它会在这个轮次里，把当前聊过的重点随手记到当天的日记文件里，同时把关于你的偏好写进长期挂载的 MEMORY.md 或 USER.md。

所以你很久没用 OpenClaw，隔几天一打开发现它「居然还记得你是谁」，靠的就是这张被动结成的长期大网，那些偏好早就被塞进了几个启动必读的文件里。

这确实能让人产生「这 AI 可以养」的实感。但本质上更像是一种求生本能，眼看脑子装不下了赶紧存一下档。

至于那些老旧日记，如果不用外挂的语义向量数据库支持，它只能靠关键词生搜。

在这个维度上 Hermes 是另一套逻辑。

在 v0.7 版本之前，Honcho 是 Hermes 里唯一写死的长期记忆后端，没有别的选项。

这个之前是默认选项的 Honcho 设计得很巧妙。绝大多数 Agent 的记忆系统（包括 Hermes 的默认内置记忆）本质上是一个被动的记录仪。你聊了什么，它切碎了转成向量塞进数据库，下次遇到相似的话题再通过计算距离（Embedding 余弦相似度）捞出来。

Honcho 不走这条路。它是一个「AI 原生」的记忆后端，主打的是异步的辩证推理（Dialectic reasoning）和深度实体建模。

你跟 Agent 聊完天，主会话结束了，但 Honcho 的活才刚开始。它会在后台拉起额外的模型调用，对刚聊完的历史进行分析，提炼出你话里的概念（Entity），提取底层偏好，甚至把你前后矛盾的话进行辩证和对齐。它把你随口说出的碎碎念，计算成结构化的「洞察（Insight）」。

听着非常先进，但它也非常费 token，容易把关键细节给洗掉。设成插件，更安全。

但就算没有 Honcho，Hermes 的记忆写入都比 OpenClaw 主动得多。

Hermes 搞了个微调（nudge）机制，根本不等脑子撑爆，大概每聊 15 轮对话就会被硬性触发一次。这就是系统强制塞给 Agent 的一条反思指令，赶紧回顾一下刚才聊的，看看这人有什么习惯值得记一笔。

这种高频的主动反思，让 Hermes 在同等时间里写进持久文件的信息量大得惊人。

不仅写入更积极，Hermes 找回记忆的手法也更硬。它在默认架构里内置了 SQLite FTS5 的全文检索能力。不用再去费劲配什么词向量服务，Agent 想翻旧账，直接就能去庞大的过往聊天记录里扫街。

把这三家摆在一起看，那条进化线就清晰了。

OpenClaw 是一套被动触发的长期记忆体系。Claude Code 做到了主动记录和整理但底线是对事不对人。而 Hermes 把触发时机做得极其主动，记忆插件随意切，全局共享，还默认配齐了能翻遍所有历史的检索利器。

日常用起来的体感差异也就是这么拉开的。OpenClaw 是在快崩溃前才想起来认识你一下。Hermes 则是每隔一会儿就在暗中揣摩你的心思，并且能随时翻出你们俩说过的话。

把复杂度藏起来

无论是 Skill 的自生成，还是记忆的高频主动写入，背后指的其实都是同一件事，即，Hermes 只是替你把本该你做的决定都做了。

但是系统复杂度这种东西是守恒的。

你不用动手，不代表决策凭空消失了，它只是从你的手动操作转移到了底层硬编码的死规则里。

在搭这套 harness 的过程里，Hermes 的设计者领悟了一个道理，模型判断不可信，那就做成死规则。

这套 harness 远比 Anthropic 之类的要死。Agent 干活的时候并不是一个纯粹的大模型在裸跑思考，大模型外面严严实实地包着一层代码框架，这层框架里写满了条件判断。

工具调用满 5 次了吗？对话轮数凑够 15 轮了吗？刚才是不是刚死里逃生重试了一次？用户有没有明确开口指出错误？这些问题系统根本不打算交给大模型去模糊判断，而是用确定性的代码一条条死盯。条件一满足，立刻执行写好的动作，去生成初始技能，或者硬塞反思指令，再或者把某句话记进长期文件里。

这些遍布各处的防御网，就是被转移走的那部分复杂度。本来该由用户在使用过程中自我规范，现在全写死在 Hermes 的代码里。

而 Hermes 写这些规则依靠的就是设计判断。调用 5 次工具触发技能生成，设成 3 次太容易误触发，设成 8 次又可能漏掉有价值的工作流。每 15 轮反思一次，而不是每轮都反思，因为那会产生海量垃圾记忆且烧钱。

你坐在屏幕前觉得什么都不用管真爽，背后是 Hermes 的开发团队提前把所有判断逻辑替你写死了。

自动化并没有消灭决策，它只是把决策藏到了看不见的地方。

为了保证这套硬规则在没有人类盯着的时候不翻车，Hermes 在底层做了一系列防御性设计。

首先看上下文管理。

当对话撑到 85% 阈值时，Hermes 根本不叫大模型来做智能摘要，它的 ContextCompressor 就是一套纯粹的字符串替换逻辑，把旧的工具输出直接换成一个占位符，粗暴但绝对安全。

而记忆层面它用的是冻结快照，开机时把记忆一次性倒进系统提示词里，中途不刷新，等下次重启才生效。这牺牲了实时性，但换来了前缀缓存稳定的命中率，直接砍掉了大概 75% 的 token 输入成本。

两个选择的精神一致，session 内部不让 LLM 去做关于上下文和记忆的动态判断，用最笨的规则保住确定性。

再看它的安全审查。

内置的 Smart 审批模式同样不让大模型当裁判去判断一条命令危不危险，而是直接拿一套硬编码的黑名单去正则匹配终端操作。匹配中就必须人类点头确认。

它甚至连搞生态扩展的插件系统，都把开发者当成了潜在敌人。Event Hooks 系统里有 6 种钩子，其中 5 种全都是触发即忘（fire-and-forget）的看客，系统根本不管它们的返回值。想修改 Agent 的运行上下文只有一个唯一的注入点。官方死死卡住一条底线，就算插件代码跑崩了也绝不拖垮 Agent 的主循环。

这几个看似保守的选择，底层逻辑高度一致。

今年初 Chroma 团队做过多轮对话压测，单轮变多轮后，模型平均性能直接掉 39%，最惨能掉 85%。同一时期的记忆综述论文也指出，在超长上下文施压下，死板的规则化跑分愣是碾压了让大模型全权统管的方案。

说白了，当大模型驾驭超长上下文的底子还虚的时候，那些听起来越智能的统管方案越容易原地爆炸。反倒是越笨的死规则越靠得住。在平时跑任务的环境里，不翻车才是最高优先级。这是一个诚实的工程判断。

一条「干预递减」的光谱

把这几家串起来看，不管是自动写技能、主动存记忆，还是故意退一步的技术栈选择，最终落点都是同一个产品判断，到底该让用户管多少事？

从 Claude Code 和 Codex，到 OpenClaw，再到 Hermes，市面上的开源 Agent 其实铺成了一段清晰的光谱。一端是「所有决定都由人来做」的生产工具，必须让开发者看 diff、批命令、盯每一步。

在真实业务里精确控制永远是第一顺位，这不是技术不到位，是产品定位决定的。另一端是「全都交给 Agent 包办」的自动化工具。

Hermes 直接站在了最远那头。

它押注的是大部分用户既不想弄懂、也不屑于弄懂 Agent 怎么跑起来。你只管张嘴提需求，技能匹配、记忆分类、上下文压缩，全都在阴影里完成。它的野心不是让你觉得它好用，而是让它在不知不觉中自己越变越好。

扛不住硬活，但方向对了

尽管 Hermes 已经很克制，用各种技术保守的规则系统剥夺了模型的自由判定权，以使这个更自动化的系统能够稳定。就放了这么点非规则的权限，模型就开始拉垮。

重灾区就是那套引以为傲的技能系统。不止一个高阶玩家抱怨，自己花好几个小时手动精调出来的技能，被全自动的进化流程直接覆盖掉，这完全是没法接受的灾难。

自动记忆微调的机制同样经不起细看。nudge 的本质是让 Agent 自己判断这轮有没有值得记的，但社区发现 Hermes 判断自己「是否完成了任务」时几乎总觉得自己成功了。所以反思出来的记忆，非常薄弱。

如果是拿去拟一份核心合同、过一遍底层代码、或者搭复杂的财务模型，全自动模式本身就是一个巨大的隐患。这也是那些老牌专业工具不敢直接上全自动的原因，专业人士是会为 Agent 的脑抽付出真金白银代价的。

但在写写周报、翻翻天气、或者理一理本地文件这种容错率极高的日常重复任务里，Hermes 现在确实能站得住。只要你给它二十几次迭代的机会，那些慢慢攒起来的技能和记忆，确实能让它跑得又稳又快。

这实打实的体感，足够它圈住第一波忠实用户了。

更重要的是，它踩在了一个基本确定的方向上。

梳理这两个月的发展，你会看到一条非常有意思的演进弧线。

2026 年2月25日 Hermes 首发，打出的旗号是「与你共同成长的 Agent」。它靠着主动记忆、自动进化和强行替用户做决定的激进路线，一口气冲到了 57,200 颗星。

但到了4月3日发布的 v0.7 韧性更新里，它其实悄悄往回撤了半步。Hermes 引入了抽象接口，把原本写死在系统里的唯一高级记忆后端 Honcho，降级成了和新接入的 MEM0、ByteRover 等 6 个第三方服务平起平坐。反而把最原始的纯文件加全文检索顶成了默认兜底方案。

一个自称替你决定一切的系统，主动把复杂的方案剥离，把记忆的选择权交还给了用户。这是先行者在撞上社区真实投诉后的一种战略让步。

Hermes撤回一点，觉得现在的规则系统还吃不透所有复杂场景，有些选择不必强行替用户做。

而另一边的 OpenClaw，动作却是截然相反的补课式加强。过去短短几天里它连跑两步。

4月5日放出了类似 Claude Auto Dream 一样的 Dreaming 做离线记忆整理，把已有的短期流水文档在离线时段提炼、评分、晋升为持久的 MEMORY.md 条目。

4月10日的更新里，它又砸出 Active Memory，直接在主回复前跑一个专门的记忆子 Agent。这套大模型做裁判的主动派打法，粒度比 Hermes 固定 15 轮一次的微调还要细、还要聪明。

这说明，不管是 Anthropic 还是 OpenClaw，大家全都在往「替你做决定」这条路上靠。

Hermes 只不过是下注下得最早，也最狠。

它用两个月的时间死死卡住了全自动 Agent 的叙事高地和用户心智。当 OpenClaw 在后面拼命追赶、用更高级的子 Agent 补齐主动记忆机制的时候，心智已立的 Hermes 反而有了谨慎和退让的余裕。

它赌的不是今天的系统能有多完美，而是在提前做一场局。

它算准了只要底层模型的上下文能跨过那条及格线，今天这些硬凑出来的规则安全线就能跟着往上涨，快照可以实时刷新，硬编码条件也能放心交给大模型去判断。那些看似保守的默认层，迟早有一天会彻底吃掉今天显得高大上的接口层。

先占生态位，再等技术升级。等到质变那天，Hermes 早已经攥着真实用户、技能生态和记忆底座站在终点了。

Agent 这片修罗场里，谁先在技术将将够用的时候用兜底工程卡住位置、让产品能用起来，往往比单纯的技术领先管用得多。

Manus 是这样，OpenClaw 是这样，如今的 Hermes 也是这样。