過去一年多，AI 正在經歷一個很明顯的轉變：從「跟 AI 聊天」，逐漸走向「把一件任務交給 AI 執行。」
而這個轉變，就是 AI 代理人開始變得大家都開始重視的原因。
圖：黃仁勳與 Marc Benioff 進行爐邊對談，重點討論企業內部將如何導入數以億計的專用 AI Agent | Salesforce Dreamforce 2024
如果要找這波 Agent 浪潮最明顯的起點之一，那就不得不提到 Claude Code。
2025 年 2 月，Anthropic 推出 Claude Code。
雖然名字裡有 Code，它一開始主要面向工程師，但它展現出的工作方式，已經跟以前大家熟悉的 AI 寫程式工具完全不同。
以前的 AI coding assistant 比較像：「我寫到這裡，你幫我補下一段。」
或者：「這段程式有問題，你幫我看看。」
但 Claude Code 帶來的是另一種模式：
「這個問題交給你，你自己去處理。」
它可以讀取專案檔案、搜尋程式碼、修改內容、執行指令、查看結果，再根據結果決定下一步。
Anthropic 在推出 Claude Code 時，也直接使用了「agentic coding」這個定位。它不只是協助寫程式，而是一個可以自主執行多步驟工作的 Coding Agent。
後來 OpenAI 也沿著類似方向推出 Codex CLI，以及雲端版 Codex，讓 Agent 可以在獨立環境中處理較長時間的軟體工程任務。
所以，如果以前你認為 AI 寫程式工具是：
「我下指令，它幫我產生程式碼。」
現在則更接近：
「我給它一個目標，它自己想辦法完成。」
這是非常大的差異。
那 Agent 到底多了什麼？
前一篇我們提過，Agent 和 Chatbot 最大的不同之一，就是它不只是產生答案，而是可以執行一連串行動。
這裡要介紹一個非常重要的概念：
Agent Loop。
Loop 就是「迴圈」。
一般聊天模式比較像：
提出問題 → AI 產生回答 → 結束
但 Agent 的工作方式比較像：
收到目標 → 判斷下一步 → 採取行動 → 取得結果 → 根據結果重新判斷 → 繼續行動 → 直到「完成目標」
OpenAI 的 Agents SDK 文件中，也把 Agent 的執行流程描述成類似模式：
模型先判斷下一步，如果需要使用工具，就執行工具，再把工具結果回傳給模型，重新進入下一輪判斷，直到產生最終結果。
簡單來說：
Agent 不只是會做事。
它還會根據做完事情後得到的新資訊，決定下一步。
用一個生活上的例子比較容易理解。
假設我跟 Codex/Claude AI Agent 說：
幫我找今晚 7 點、4 個人的聚餐餐廳，希望環境不要太吵，可以聊天。
如果只是一般搜尋工具，它可能直接列出幾間評價不錯的餐廳。
但 Agent 的做法會更像一個真正的助理，先用這張圖來掌握全貌，然後我們再一步一步說明。
它可能先根據條件搜尋附近適合聚餐的餐廳。
接著，它嘗試確認訂位。
第一間餐廳看起來符合條件，但查詢後發現：
晚上 7 點已經沒有四人的位置。
這時候，一般搜尋可能就直接結束：
「沒有符合條件的餐廳。」
但 Agent 會繼續判斷：
「目前哪一個條件最重要？」
如果使用者最在意的是：
那它可能會重新搜尋：
是否附近有其他餐廳 7 點有位置？
或者：
原本餐廳 6 點、8 點是否還有空位？
接著，它又發現某一家餐廳雖然有位置，但大量評論提到晚上尖峰時間比較吵。
於是它不只是看：
「有沒有空位。」
而是重新評估：
「這間餐廳是否真的符合使用者真正想要的結果？」
最後，它可能整理成：
然後把選擇權交回給使用者，問你想要哪個之後，它去訂位。
整個過程中，我們沒有一步一步告訴它：
「先搜尋餐廳。」
「現在查訂位。」
「這間不要，換下一間。」
Agent 是根據前一步得到的新資訊，自己決定下一步。
這就是 Agent Loop 的核心：
判斷 → 行動 → 觀察結果 → 再判斷。
如果故事停留在 Claude Code 和 Codex，可能很多人會覺得：
「這跟我有什麼關係？」
畢竟，不是每個人每天都在寫程式。
真正讓 Agent 開始走進一般工作場景，是後來 Claude Cowork 和 ChatGPT Work 這類產品形態。
Anthropic 在介紹 Cowork 時，甚至直接描述了一條產品演進：
Chat → Code → Cowork
Chat 改變了人們取得資訊與答案的方式。
Claude Code 改變了工程師處理軟體工作的方式。
而 Cowork 則是把類似的 Agent 工作模式帶到更廣泛的知識工作。
這代表 Agent 不再只是：
「幫工程師改程式。」
而開始變成：
「幫一般工作者完成一段工作。」
例如：
OpenAI 後來也推出 ChatGPT Work，將 Agent 能力直接放進 ChatGPT 工作流程中。
使用者不只是要求：
「幫我寫一封 Email。」
而可以開始交付：
「幫我整理這個專案的背景資料，讀相關文件，分析問題，最後做一份會議簡報。」
前者比較像請 AI 幫忙完成一個小任務。
後者則更接近：
把一件事情交給 AI。
這也是為什麼現在再把 ChatGPT 或 Claude 理解成單純的聊天工具，其實已經不太準確。
它們正在逐漸演化成可以自主工作的 AI Agent。
這其實也是我一開始問自己的問題。
如果我們的需求只是：「找一個很強的 AI，幫我完成工作。」
現在選擇其實很多：Claude 可以，ChatGPT (Codex) 可以，甚至，Google 陣營的 Antigravity 也可以。
那為什麼還要另外研究 Hermes Agent？
因為我真正想做的實驗，不只是找一個會工作的 Agent。
我想知道的是：
如果我每天跟同一個 Agent 工作。
我能不能慢慢把自己的：
這些都教給它？並讓他自己持續改進：今天教過的事情，明天還記得嗎？
這次磨出來的方法，下次還需要重新解釋嗎？
如果換了一個新的任務，它知道哪些事情跟我有關，哪些只是這一次專案的特殊情況嗎？
我想研究：一個 AI Agent 要怎麼慢慢變成「我的分身」。
這也是我最後選 Hermes Agent 作為這 30 天實驗平台的原因。
Hermes Agent 是 Nous Research 開發的一套開放原始碼 AI Agent 系統。
它採用 MIT License，程式碼公開。
和 Claude Code、Codex 類似，它也是讓 AI Agent 可以使用工具、執行任務、處理多步驟工作的系統。
但 Hermes 有一個很重要的特點：它不把 Agent 綁死在某一家模型供應商。
一般來說，Claude Code 背後自然是 Claude 、Codex 背後自然是 OpenAI 模型。
但 Hermes 比較像把兩件事情拆開：
第一層：
Agent 本身。
第二層：
Agent 底下使用的大語言模型。
因此 Hermes 可以接不同模型 Provider。
例如：OpenAI、Anthropic、Google Gemini、DeepSeek，甚至接 OpenRouter，或是自己透過 Ollama 等方式接上本地端 LLM 模型。
換句話說，今天 Hermes 可以使用 Claude，明天也可以換 GPT，甚至為了省錢還可以換成本地模型。
Agent 本身仍然是 Hermes，改變的是底下負責推理的大腦。
當然，這不代表不同模型結果會完全一樣 (不同模型的能力、成本、速度、Tool Calling 表現都會有差異)，但至少在架構上，你不會被單一模型廠商完全綁死。
這對於想長期培養一個工作分身的人來說，這是一個很重要的差異。
Hermes 真正讓我感興趣的是：它把一個 Agent 要長期工作的幾個重要零件，很清楚地也分層拆開。
如果 Agent 每一次都重新開始，那它永遠只是一次性的工具。
但工作分身需要另一件事情：
累積。
Hermes 有 Persistent Memory 的設計。
它把不同種類的資訊分開保存。
例如：USER.md
比較偏向：「我是誰。」包含使用者背景、偏好、習慣。
而：MEMORY.md
比較像：Agent 在工作過程中累積的資訊。
例如：環境設定、專案習慣、曾經遇過的問題等
這些差異，後面會再詳細拆解。
現在先記得：
Agent 做完事情後，有沒有留下值得留下的東西，會直接影響它未來是不是越來越懂你。
假設我告訴 Hermes Agent：
「我寫文章習慣使用繁體中文。」
這是一個關於我的資訊。
比較像 Memory。
但如果我告訴它：
「我寫一篇技術文章時，要先研究資料，再找實際案例，用白話解釋複雜概念，最後檢查內容是否符合讀者需求。」
這已經不是單純資訊。
這是一套做事方法。
Hermes 把這類可重複使用的方法放在 Skills。
所以先用兩句話理解：
Memory = 記得什麼
Skill = 知道怎麼做
除此之外，Hermes 還把其他 Agent 零件拆得很清楚：
Context：讓 Agent 知道目前工作的背景。
Tools：讓 Agent 可以碰外部世界。
MCP：讓 Agent 可以連接更多系統。
Workflow：把成功的方法整理成流程。
Automation：讓流程可以在特定時間或條件下自動啟動。
如果把它畫成一張簡單的能力擴展地圖：
這其實就是接下來我們要來逐步拆解的項目。
這樣的比較不太對，如果今天目標是：快速完成一個大型程式專案。
Claude Code 或 Codex 都是非常成熟的選擇。
如果目標是：直接使用一個整合好的商業 Agent 工作環境。
ChatGPT Work/Codex 或 Claude Cowork/Code 也有它們的優勢。
Hermes 的價值在於：
它提供了一個比較開放、可拆解、可控制的 Agent 系統。
當然，更多控制權也代表更多責任。
你需要面對：
自由度高，不代表比較簡單，之所以選 Hermes，也不是因為它最強。
主要因為：如果我要研究如何讓一個 Agent 慢慢認識我、記住我、學會我的方法，最後成為我的工作分身，Hermes 是一個很適合拆解、測試與實驗的平台。
iThome鐵人賽
看影片追技術