真正值得关注的，不是 Agent 会赚钱：而是它开始把经验写回自己

一篇关于 Hermes Agent 的社区故事合集，把最刺激的部分放在了最前面：有人声称用天气交易机器人把 100 美元在 48 小时内变成 216 美元；还有更夸张的收益数字、自动做广告、自己学 Ren'Py、后台“做梦”、并行构建 Hermes 本身。

如果只看这些案例，很容易得出一个耸动结论：Agent 已经开始“自己赚钱、自己进化”。

但把源材料和 Hermes 当前官方文档拆开后，真正值得研究的东西不是收益数字，而是一套更朴素、也更重要的机制：

Agent 开始把一次任务里的经验，沉淀成下一次可以复用的记忆、技能、规则和自动化。

这才是“越用越强”的可验证含义。

一、先把最容易误导人的地方拆掉：社区案例不是产品收益证明

Hermes 官方现在确实有 User Stories 页面，而且截至 2026-08 已经收录 262 个社区故事，不再是源帖写作时的 237 个。官方页面明确说明，这些条目来自 X、GitHub、Reddit、Discord、YouTube、博客等渠道，本质上是社区用户描述自己的使用方式。

其中，源帖提到的 $100 → $216 in 48h 天气交易故事确实存在：用户自述 Hermes 每小时扫描天气市场、比较多个天气预报源、交易后写策略笔记并调整下一次行为。

但这只能证明：

• 有一个用户声称跑过这套流程；
• Hermes 能参与数据获取、规则执行、记录和自动化；
• 这个案例被官方 User Stories 收录。

它不能证明：

• 100→216 是经过独立审计的净收益；
• 这套策略可以稳定复现；
• 未计算滑点、手续费、市场容量、幸存者偏差；
• 更夸张的 300→219K、99.3% 胜率等数字可以当作产品能力指标；
• “Agent 会自我学习”就意味着它能形成稳定 alpha。

所以这里需要一个非常重要的规则：

> Community Story ≠ Benchmark ≠ Audited Outcome ≠ Repeatable Edge

以后 alphahole 遇到任何“AI 帮我赚了多少钱”的工具案例，都应该先经过这一层。

二、Hermes 当前真正能核验的“自我改进”是什么

Hermes 官方对自己的定位是 “The Agent That Grows With You”。当前文档明确描述了几类可验证能力：

1. 持久记忆

Hermes 会保存用户、项目、环境和经验相关的信息，并支持跨会话继续使用。它不是每次都从空白聊天开始。

这里的“学习”首先不是模型参数在线训练，而是状态持续存在。

2. Skills：把解决问题的方法保存成可复用流程

官方强调它可以从经验中创建和改进 Skills。一个 Skill 本质上是：

任务触发条件 → 输入 → 工作流 → 工具 → 输出 → 检查

如果一次复杂任务解决后，这套过程被写成 Skill，下次就不需要重新从零推导。

这不是科幻意义上的“意识进化”，而是工程意义上的：

> 把推理成本变成可复用资产。

3. Scheduled Automation

Hermes 支持自然语言定时任务和 cron。也就是说，一些流程不再依赖人每次主动发消息。

这会带来一个重要变化：

Chatbot 的基本单位是“对话”。

Agent 的基本单位开始变成：

长期目标 + 状态 + 触发器 + 工具 + 复盘。

4. 子 Agent 与隔离任务

当前官方文档也支持把任务委托给隔离的子 Agent。复杂任务可以拆分成多个独立工作流，而不是把所有上下文塞进一个无限长聊天。

这和我们 alphahole 的批处理经验非常接近：

总控规则 → 分任务研究 → 独立证据 → 汇总 → Learning Loop。

三、“自我学习”最容易被夸大的地方：把记录当能力增长

Agent 写了一篇复盘，并不意味着它真的变聪明。

真正的能力增长至少应该经过五层：

L1：记录

它记下这次发生了什么。

L2：抽象

它能从一次经历里提取一条更一般的规则。

L3：复用

下一次类似任务，它能主动调用这条规则。

L4：验证

新规则确实提高了成功率、降低成本或减少人工干预。

L5：回滚与淘汰

如果规则失效，它能被修正、降级或删除。

很多“self-improving agent”实际上只做到了 L1 或 L2，却被宣传成 L5。

这也是为什么我们应该给所有自我改进型 Agent 加一个：

Agent Learning Contract

必须记录：

• Experience：发生了什么
• Hypothesis：学到了什么
• Rule Change：改了什么规则
• Scope：只在哪些场景适用
• Eval：怎么验证真的更好
• Regression：是否伤害其他场景
• Cost：新规则增加多少 token/调用/维护
• Expiry：多久需要重验
• Rollback：失败如何撤回

没有这些字段，“它每天都在变聪明”更多是一种叙事，而不是工程结论。

四、Dream、后台思考、自动复盘真正的价值，不是让 Agent “拥有自我”

源帖里最有传播力的例子之一，是 Dreamer 在没有明确任务时自由思考，以及 Dream Auto 在空闲时间重新处理历史会话。

这种内容非常容易被写成人格化故事：

“它趁你睡觉的时候在思考自己是谁。”

但对真正做产品的人，更值得关注的问题不是“它有没有自我”，而是：

后台算力应该用来做什么，才真的提高第二天的工作质量？

更实用的后台循环是：

昨天发生了什么 → 哪些任务失败 → 哪些规则重复出现 → 哪些资料需要更新 → 哪些 Skill 应该合并 → 哪些知识过期 → 哪些自动化成本失控 → 明天应该主动提醒什么。

也就是说：

> Dream 不应该只是“生成更有哲学味的文字”，而应该变成 Experience Consolidation。

这和 alphahole 的 Learning Loop 本质上是同一种思路。

五、真正有商业价值的产品，不是“会做很多事”，而是“经验会继承”

今天的大多数 AI 产品都能展示一堆能力：

写文章、做网页、搜资料、发邮件、生成图片。

这些能力很快会商品化。

更难复制的是：

一个系统越来越懂某个用户/团队到底怎样把事情做好。

例如一个内容团队的 Agent 用了半年以后，它应该知道：

• 哪类标题虽然点击高但不适合品牌；
• 哪些来源不能直接信；
• 哪些数字必须追一级来源；
• 哪种小红书图卡会产生“AI 模板感”；
• 哪些视觉结构在移动端容易断行；
• 哪些内容只应该 MERGE，不值得再建页面；
• 哪些商业机会已经被三批素材反复验证；
• 哪些工具过去测试过但后来失效。

这就是一个真正的组织资产。

所以 Hermes 给 alphahole 最大的启发不是“我们也做一个万能 Agent”。

而是：

> 把前 240 条内容研究里积累的判断规则，逐渐变成可调用、可验证、可更新的经验层。

六、这可以直接变成 alphahole 的一个产品方向

我们已经有：

• Source Dependency Gate
• Evidence Ladder
• Claim Calibration
• Tool Validation
• Platform Rule Gate
• Monetization DNA
• Product Evolution
• Visual QA
• Reverse Review
• Skill Trust Gate

这些现在还是一个庞大的 SOP。

下一步更值得做的是把它变成：

Adaptive Research Memory

用户不是只问：“帮我研究这个工具。”

系统先查：

过去有没有研究过同类工具？ 以前踩过什么坑？ 有没有 License 风险？ 有没有同类产品被淘汰？ 上次的验证日期是什么？ 有哪些规则可以直接复用？ 新证据是否推翻旧结论？

然后输出：

Old Knowledge → New Evidence → Rule Change → Action

这比再做一个“AI 搜索工具”更有长期价值。

七、如何判断一个 Agent 是否真的“越用越强”

以后看到任何“self-learning / self-improving / autonomous”产品，我建议只看 8 个问题：

• 它到底把什么东西持久化？
• 是聊天记录，还是结构化规则？
• 新规则什么时候触发？
• 有没有验证前后效果？
• 错误经验会不会一起被固化？
• 有没有版本和回滚？
• 学习是否增加成本和安全面？
• 人是否能审查、删除、纠正？

如果这 8 个问题答不上来，“会成长”很可能只是营销词。

最后

Hermes 的社区故事确实很有冲击力。

但最容易让人跑偏的，也是这些故事里最戏剧化的部分：收益、人格、自主意识、无人干预。

真正值得留下的东西反而很工程：

Memory → Skill → Eval → Reuse → Update → Rollback。

当 Agent 开始把一次任务中的经验保存下来，并在下一次任务里真正少犯错、少花钱、少依赖人，它才算开始“变强”。

这也是 alphahole 后面最该继续积累的东西。

不是多做 100 个 Agent。

而是让我们已经做过的 240 次研究，下一次都不白做。