本文作者 brucexu.eth 基于自身使用经验，分析了开源 AI Agent 项目 Hermes Agent 的现状与未来。文章指出，Hermes 在 GitHub 和 OpenRouter 上增长迅速，并具备开源、高自由度、数据主权、跨场景一致性和模型可替换等优势。然而，要成为一亿用户级的平台，Hermes 仍需填补多个关键缺口，包括：真正以 Agent 为中心的手机端、简化底层概念以降低使用门槛、完善企业级权限审批与审计、提供可嵌入应用的 Agent Runtime、构建 Agent 控制面与长期数据管理、促进 Agent 间协作、提供普通人负担得起的托管服务，以及建立 Skills 市场。作者认为这些挑战也蕴含着巨大的商业机会。
文章分析了当前 AI 领域的“淘金热”——上下文管理。作者指出，从 Jevons 悖论到数据主权，多因素驱动了初创公司和大企业竞相构建公司大脑或 LLM 知识库。尽管切入角度各异（如个人知识库、代理内存、可观测性工具等），但核心目标一致：为未来的智能体劳动力提供数据上下文层。文章认为该领域潜力巨大，但也面临产品同质化。
文章强调企业应拥有自主的 Agent 技术栈，以避免依赖单一供应商。通过自主控制模型、数据、云和运行环境，企业能更好地保护数据和降低成本。作者提供了基于 GitHub 的快速搭建指南，并主张通过自主学习和改进来保持竞争优势。
作者分享了将个人助手 EvoPaw 从 CrewAI 迁移到 Claude Agent SDK，并最终自建框架的经历。文章深入探讨了为何即便有 OpenClaw 等成熟方案，个人仍应自建 Agent：为了避免陷入工具频繁迭代的“注意力税”，掌握数据主权与隐私，以及通过“偷”学开源代码和利用 Claude Code 等 AI 辅助工具降低开发门槛。作者认为，自建的过程是一个让系统真正理解个人工作流并伴随需求共同进化的过程。
文章通过对比航空史，深入分析了AI产业在监管、能源及商业模式上的结构性差异。作者指出，AI缺乏“事故驱动立法”机制，且监管套利与开源模型加剧了内卷。文中强调，AI并非盈利的根本原因，企业需通过数据与流程壁垒构建“不对称性”才能生存，否则仅在为延迟出局付费。同时探讨了中国市场特有的数据主权、蒸馏风险及政府角色带来的额外复杂性。
文章介绍了一套名为Personal AI Infrastructure (PAI) 的开源方法论，旨在通过万字提示词和十个精心设计的文件，将Claude Code等AI工具从“自动售货机”升级为长期记忆的“操作系统”。核心包括定义数字身份的TELOS系统、模拟人脑的记忆架构、主动感知的Hooks机制以及可扩展的Skills技能库。该系统强调数据主权、版本控制和工程化原则，致力于让AI真正理解用户并成为持久的生活与工作伙伴。
