【行业观察】Hermes Agent冲榜Open Claw,自进化是“聪明Token”经济学?前段时间Hermes冲上榜单，在两个月内狂揽35k+ GitHub星标，这是由Nous Research于2026年2月发布的Agent，其与Open Claw的核心差异化正是Token效率。Open Claw是"网关"架构（hub-and-spoke），而Hermes采用"同心增长式架构"（concentric growth），强调持久记忆与自我进化，大白话说就是“长脑子了”。两者的关键差异在于架构逻辑，即Open Claw 是集中管控，适合团队协作，而Hermes Agent 是个人成长，适合长期陪伴。Hermes的缓存感知记忆架构冻结系统提示快照在会话初始化，因此重复模型调用使用缓存上下文窗口，防止学习循环膨胀token账单。 早在今年3月的中关村论坛中，小米MiMo大模型负责人罗福莉就直接指出AI Agent时代的成本悖论：当大模型从"聊天"转向"干活"，Token消耗量呈现10倍甚至100倍的爆发式增长，而现有的技术架构和商业模式难以支撑这种增长。这也与她后来4月6日在X上的呼吁完美契合，她将Anthropic封禁第三方Agent框架与MiMo推出的Token Plan并置分析，系统阐述了她对Agent算力分配与定价逻辑的深层思考，即Agent时代不属于烧掉最多算力的人，而属于用得最聪明的人。她认为未来一年AGI进程最关键的词，是"自进化"。 而Hermes正是"用得更聪明"的典范，通过自我生成的Skills和高效的记忆管理，将token消耗集中在真正创造价值的地方。在Token效率为王上，它的出现与市场需求产生了微妙的共振。 颠覆传统逻辑的Token经济学 当前AI行业存在一个根本性的经济矛盾，训练成本持续飙升，推理成本断崖式下跌。根据斯坦福2025年AI指数，每百万token的推理成本在过去两年内下降了惊人的99%，从GPT-3时代的60美元降至2026年初的0.06美元。驱动这一降幅的是三股力量的相乘效应：硬件效率每年提升2～3倍，算法效率每年提升2～3倍，系统优化每年再提升2～4倍。三者相乘，Token成本每年下降5～10倍。 然而，训练最先进的LLM已成为人类历史上最昂贵的资本密集型活动之一。Anthropic CEO Dario Amodei曾透露，2024年中期模型训练成本已达1亿美元，而训练中的模型成本接近10亿美元，预计2025年可能出现耗资百亿美元的训练项目。 这对开源模型构成了致命威胁。你需要持续投入九位数人民币级别的训练成本（单次完整训练的折旧加电费），却无法通过模型本身直接收费回收。当你的权重文件免费挂在Hugging Face上，现金流回收路径只剩下一条，云上推理。 但开源权重意味着客户可以自行采购GPU部署，根本不需要回到你的云平台。你越成功，你的商业模式就越失败。 在此基础上，规模效应是失效。最典型的就是之前猝死的Sora，用户量越多，其毛利率越低，甚至赔本。但传统云计算的商业模式建立在规模效应之上，即随着客户数量增长，固定成本被摊薄，边际成本递减。Token经济学颠覆了这一逻辑。 另一点是规模效应直接面临的冲突就是闭源和开源之争，比如DeepSeek曾披露其推理系统的理论成本利润率高达545%，但这建立在极致的算力优化和闭源模型的基础之上。对于开源模型提供者而言，规模效应带来的保障并不存在，客户可以"带走"你的技术成果，在任何有云算力的地方部署。 事实上，Qwen系列模型在Hugging Face下载量突破6亿次，成为全球仅次于Llama的开源力量。但技术成功的另一面是商业困境：当模型能力差距缩小，用户通过多模型比较的需求自然下降；当开源权重让客户可以自建AI infra，云厂商的推理收入被直接侵蚀。 在Agentic时代，是否面临定价权丧失的问题？《金融时报》的报道用一句话带过了核心事实："MaaS（模型即服务）目前占比很小，且因竞争激烈而低毛利"。随后迅速跳转到agentic AI带来token消费爆发的乐观叙事。但这句轻描淡写的背后，是一个被掩盖的残酷现实，即国内大模型API的价格战已经将单token毛利打到接近成本线。 DeepSeek、字节豆包、百度文心一言的轮番降价，让MaaS变成了"赔本赚吆喝"的生意。豆包大模型1.6在2025年6月的价格降至0.8元/百万tokens（输入），成本比上一代下降63%。而agentic应用即便消耗再多的token，乘以一个趋近于零的单位毛利，结果依然是零。 更严峻的是，新一代推理模型（如DeepSeek R1）消耗的计算量是传统推理的150倍，模糊了训练与推理的边界。当模型在内部进行大量隐式推演（用户看到一个token，模型内部可能已生产上百个），单个可见token的成本被思考过程成倍放大。 从” 价格战” 到” 效率革命” 模型订阅制的终结信号与MaaS 模式的必然性。 在 ChatGPT 时代，月度订阅（如 ChatGPT Plus 的 20 美元/月）是主流商业模式，其假设是用户的 Token消耗相对均匀，订阅收入能够覆盖服务成本。然而，Agent 时代的到来彻底颠覆了这一假设：同一用户在不同场景下的Token 消耗可能相差百倍，固定订阅价格无法反映这种差异，导致严重的交叉补贴和效率扭曲。 MaaS（模型即服务）模式的必然性在于其按需付费的定价机制，能够更准确地反映Token消耗的实际成本和价值。用户为实际使用的Token付费，服务提供商根据Token类型（输入/输出、模型能力等级）差异化定价，实现成本与收益的精准匹配。这一模式对Agent经济尤为重要，即企业客户可以根据业务需求灵活调整 Token 使用量，避免为闲置能力付费；服务提供商则可以根据成本结构优化定价，实现可持续的盈利。 MaaS模式的成功不仅取决于定价机制，更取决于Token效率的持续提升，如果单位Token的成本不能有效降低，按需付费可能导致客户的使用成本过高，抑制需求增长。 罗福莉提出的核心解决方案，是“更省Token的 Agent框架”与“更强大和高效的模型” 的协同进化（co-evolution）。不是孤立地优化框架或模型，而是将两者作为相互反馈的系统，实现整体效率的持续提升。 在框架层面，“更省Token” 意味着多个维度的优化：上下文压缩技术（只保留关键信息）、工具调用优化（减少低价值调用）、推理路径规划（避免无效探索）、长期记忆机制（避免重复计算）等。似乎新出的Hermes Agent 的自进化机制，正是这一方向的典型代表，它通过自动技能生成和持续优化，将任务执行的经验转化为效率提升。 在模型层面，“更高效” 意味着针对 Agent 场景的能力优化，更强的工具调用准确性（减少试错）、更好的长链路规划能力（避免失速）、更高的指令遵循精度（减少误解）等。 协同进化的关键在于反馈闭环，框架的实际运行数据反馈至模型训练，优化模型能力；模型能力的提升又拓展框架的设计空间，实现更高层次的效率优化。这一闭环的建立，需要打破传统的“模型训练-框架开发-应用部署”的线性流程，构建一体化的持续优化体系。 自进化Token效率的技术范式 自我改进学习闭环：失败→反思→自动生成技能→持续优化。 Hermes Agent的核心差异化特征在于内置的自我改进学习闭环，这一机制使Agent能够从每一次任务执行中学习，自动生成和优化可复用的技能，实现持续的效率提升。根据技术文档，Hermes Agent的学习闭环遵循“观察-规划-执行-学习”（Observe-Plan-Act-Learn）的循环 (ai.cc) ，在完成任务后自动分析执行过程，提取成功经验，生成结构化的技能文档，并在后续任务中调用和优化这些技能。 这一机制的技术实现依赖于多个关键组件。技能文档（Skill Documents）是核心数据结构，每个技能以Markdown格式存储，包含任务描述、执行步骤、代码示例和优化记录。与传统Agent框架的静态提示工程不同，Hermes的技能文档是动态生成和持续更新的，反映了Agent的实际执行经验。反思模块（Reflection Module）负责分析任务执行的成败，识别关键决策点和优化机会。这一模块基于DSPy（Declarative Self-improving Python）框架实现，能够自动构建优化提示，引导模型生成更高质量的技能。技能库（Skill Library）是持久化的技能存储，支持跨会话、跨任务的技能复用。Agent 在执行新任务时，首先检索相关技能，加载至上下文，避免从零开始的重复探索。 自我改进学习闭环的Token效率优势在于经验驱动的计算复用。传统Agent框架在每次执行任务时都进行完整的推理和探索，而Hermes通过技能复用，将大量计算转化为一次性的技能生成成本，后续调用仅需加载和执行预优化的技能，显著降低Token消耗。根据社区测试，经过充分训练的Hermes Agent在执行熟悉任务时，Token消耗可比初始运行降低50% 以上，这一效率提升随着技能库的丰富而持续累积。 Hermes Agent 的另一个核心特性是持久化身份与记忆系统，这一系统支持跨会话的知识积累和技能复用，是实现长期效率提升的基础。根据技术文档，Hermes 的记忆架构分为三个层次：短期上下文（Short-term Context）、情景记忆（Episodic Memory）和程序记忆（Procedural Memory）(ai.cc) 。 Hermes Agent 三层记忆架构的功能特征 短期上下文维护当前会话的即时状态，包括用户输入、Agent响应和中间结果。这一层次的容量有限（约1300Token），但访问速度极快，支持实时交互。情景记忆存储历史会话的关键信息，以结构化格式（如 MEMORY.md 和 USER.md文件）持久化保存。Agent 可以通过session_search工具检索过往会话，获取相关经验的摘要 (Blake Crosley) 。这一层次的容量理论上无限制，但检索和摘要需要额外的Token成本。程序记忆即技能库，存储经过抽象和优化的执行模式，是Agent“知道如何做”的核心知识。 持久化记忆的Token效率优势在于上下文压缩和知识外化。传统Agent框架将所有历史信息保留在上下文中，导致线性膨胀；Hermes通过将经验外化至持久化存储，只在需要时检索相关信息，大幅压缩活跃上下文的规模。更深层地看，程序记忆（技能）的形成是对情景记忆的进一步抽象，将具体的执行序列转化为可参数化的模式，实现更高层次的知识复用。这种“记忆分层”的设计，与人类认知系统的结构高度相似，可能是实现高效Agent架构的普适原则。 Hermes Agent的“自进化”机制，为Token经济学提供了关键的技术基础：技能自动化生成对人工调优成本的替代。在传统Agent开发模式中，任务规划和工具调优依赖人工专家的知识投入，开发者需要理解业务场景、设计执行策略、编写提示模板、调优模型参数。这一模式的人力成本高昂，且难以规模化，每个新任务领域都需要相应的专家投入，成为 Agent应用扩展的瓶颈。 Hermes的自我进化机制从根本上改变了这一成本结构。技能生成从人工任务转化为自动化过程。Agent通过执行-反思-抽象的循环，自动提取可复用的执行模式。这一自动化的直接效果是边际人力成本趋近于零：新增任务领域的技能生成无需额外专家投入，Agent 自身的学习能力足以应对。更深层的效应是知识积累的复利效应，技能库的持续丰富提升Agent处理新任务的能力，形成正向循环。 从Token经济学的视角，这一成本结构的转变具有革命性意义。传统模式的Token成本包括计算成本（推理和工具调用的算力消耗）和人力成本（开发和调优的专家投入），两者都随任务量增长；Hermes模式的Token成本主要限于计算成本，且计算成本本身随技能积累而下降。这意味着，在Agent规模化部署的场景中，Hermes模式可以实现单位Token总成本的持续下降，而传统模式的成本结构相对刚性。 Hermes的自我进化机制，还实现了从试错学习到预测性执行的范式转移，这是Token效率提升的另一关键维度。传统Agent框架采用试错学习模式。面对新任务，Agent通过探索-反馈-调整的循环逐步逼近正确解。这一模式的优点在于通用性，无需预训练即可处理任意任务；代价在于效率，探索过程中的大量尝试产生冗余的Token消耗。 Hermes 与 OpenClaw 的对比 Hermes Agent与OpenClaw的核心差异，首先体现在记忆架构的设计哲学上。OpenClaw采用静态提示工程模式，即开发者预定义工具描述、任务规划和执行策略，以提示模板的形式嵌入Agent上下文。这一模式的优点在于可控性和可解释性，开发者精确知道Agent将如何响应各类输入，便于调试和优化。然而，其缺点同样显著，比如提示模板的容量有限，无法涵盖所有可能场景；静态定义无法适应动态变化的任务需求；每次执行都从头开始推理，缺乏经验积累。 Hermes的动态技能库进化模式，意味着技能不是预定义的提示模板，而是从实际执行中自动生成的可复用程序；技能库不是静态的配置文件，而是持续更新的知识资产。这一模式的技术优势在于：容量无限制，技能库可以随经验积累无限扩展；适应性，新场景自动触发新技能生成，无需人工干预；效率，技能复用避免重复推理，显著降低 Token 消耗。 从Token经济学的视角看，两种记忆架构的差异具有深远的商业含义。OpenClaw 模式的 Token成本与任务复杂度线性相关，更复杂的任务需要更长的提示和更多的推理步骤；Hermes模式的Token成本与技能库丰富度负相关，随着经验积累，熟悉任务的执行效率持续提升。这意味着，在Agent规模化部署的场景中，Hermes模式具有显著的长期成本优势，可能从根本上改变Token经济的成本结构。 上下文压缩是Hermes最核心的效率机制。通过将经验外化至技能库，Hermes将活跃上下文的规模控制在必要最小，通常仅加载与当前任务直接相关的技能文档，而非完整的历史记录和工具描述。根据技术文档，Hermes的固定记忆开销约1300Token (Blake Crosley) ，而OpenClaw的完整提示模板可能超过10000Token，这一数量级差异在长会话中累积为显著的成本优势。 计算结果复用是另一关键机制。Hermes的技能文档不仅包含执行步骤，还封装了经过验证的中间结果和优化参数。在执行相似任务时，Agent可以直接调用这些预计算结果，避免重复的推理和验证。这一机制在批量处理、周期性任务等场景中尤为有效，首次执行生成技能，后续执行近乎“零成本” 复用。 OpenClaw强调即时可用，开发者通过简单的配置即可启动Agent，快速验证想法。这一模式的优点在于低门槛和快速迭代，但代价是深度定制的能力受限，复杂的任务规划、个性化的工具集成、长期的性能优化都需要深入框架内部。 而Hermes则采用渐进式能力构建模式，初始配置同样简单（一键安装脚本支持 Linux/macOS/WSL (ai.cc) ），但框架的设计鼓励持续的技能积累和优化。开发者可以从简单任务开始，让Agent自动学习和生成技能；随着技能库的丰富，逐步挑战更复杂的任务。这一模式的优点在于长期回报，投入的时间转化为可复用的技能资产，Agent能力随使用持续提升；代价是初期学习曲线较陡，需要理解技能生成和管理的机制。 从Token经济学的视角，两种开发者体验模式对应不同的成本结构。OpenClaw的“即时可用”意味着每次任务都支付完整的推理成本，长期总成本与任务量线性相关；Hermes的“渐进式构建”意味着初期投入较高的学习和优化成本，但边际成本随技能积累持续下降，长期总成本可能显著低于线性增长。对于高频、长期的Agent应用场景，Hermes的模式更具经济可行性。 Hermes的GitHub Star数在短时间内持续攀升，已超过35k；OpenRouter上的Token使用量从3月下旬开始明显加速，单日使用量连续刷新新高，全球日排名一度进入前列 。在Productivity、Personal Agents、Coding Agents等多个榜单中同时靠前，这对于一个上线不到两个月的Agent框架而言并不常见。 罗福莉的文章在开发者圈子引发共鸣，正是因为它把许多用户长期使用中感受到的问题，以及行业不断攀升的token成本压力，摆在了面上。有意思的是Hermes的自我进化机制，为这些问题提供了技术解决方案，吸引了大量寻求长期效率优化的开发者。 如果说OpenClaw 代表了“生态优先”的第一代Agent框架，通过丰富的工具集成和活跃的社区建设快速获取用户；Hermes则代表了“效率优先”的第二代框架，通过技术创新解决第一代的核心痛点，以长期价值吸引高质量用户。几乎与效率优先的行业趋势高度一致，预示着AI Agent竞争焦点的根本性变化。 最后一句总结，说人话就是，在干活大军里，未来则是谁节省Token谁是赢家。
