夜雨聆风
OpenClaw 和 Hermes 为什么不再刷屏了?
这两天查 OpenClaw 和 Hermes Agent 的资料，有一个很明显的感受：它们并没有凉，但它们的热闹方式变了。
早期大家看的是 GitHub star 曲线。OpenClaw 一路冲到三十多万 star，Hermes Agent 也在很短时间里冲到十几万 star。那种曲线非常容易让人产生一个判断：AI Agent 要全面进入普通人的工作和生活了。
但现在再看，情况更复杂。OpenClaw 的累计 star 依然很高，可新增速度已经明显放缓；Hermes 还在增长，但也不再是早期那种几周十万 star 的爆炸斜率。也就是说，它们不是没人关注，而是从“所有人都想试一下”的爆红阶段，进入了“真正知道怎么用的人继续用”的筛选阶段。
这里面当然有安全原因，但如果只讲安全，反而会把问题说窄。更核心的问题是：很多人其实不知道该如何使用一个长期运行的 Agent。
安全只是表层问题
OpenClaw 的降温，很容易被解释成安全问题。这个解释没有错。
OpenClaw 这类本地常驻 Agent，天然要接触文件、账号、邮箱、聊天软件、浏览器、API Key，甚至能执行命令。它的能力越强，风险边界就越难讲清楚。后来出现的恶意 skills、ClawHub 风险、安全论文和社区讨论，都让用户意识到：这不是一个普通聊天窗口，而是一个可能真的替你“动手”的系统。
一旦一个系统能读文件、发消息、调接口，用户的心理模型就会变。原来大家问的是“它能不能帮我做事”，后来会变成“它做错了怎么办”“它会不会乱发消息”“它会不会把我的文件传出去”。
这些问题会让尝鲜用户停下来，但这还不是最根本的原因。
更底层的问题是：很多用户装完以后，会突然发现自己不知道该让它做什么。
大多数人缺的不是工具，而是场景
ChatGPT 的使用方式很简单：打开，提问，拿答案。Claude、Perplexity、豆包、Kimi 也是类似逻辑。用户不需要理解“工作流”，只要知道自己想问什么。
但 OpenClaw 和 Hermes 不一样。它们更像一个个人自动化运行时，而不是一个聊天机器人。
你要用好它，就不能只说“帮我变高效”。你需要定义输入源、触发条件、权限边界、输出位置、失败处理和验收标准。它什么时候运行？读哪些文件？能不能发邮件？要不要先问你？做完以后保存在哪里？如果结果错了，怎么发现？
这其实已经不是普通用户熟悉的“使用软件”，而是接近“设计流程”。
所以很多人并不是不会安装，也不是不会写 prompt，而是不知道自己的生活和工作里，哪些任务值得交给一个长期运行的 Agent。
这也是为什么很多公开用例看起来很酷，但真正能留住人的并不多。每日简报、GitHub 仓库观察、邮件整理、资料监控、社媒运营、客户线索跟进、个人文件归档，这些都能做。但它们都有一个前提：你本来就有一个重复发生、规则相对清楚、结果可以检查的流程。
如果你没有这样的流程，Agent 就很容易变成一个“高级玩具”。
Agent 的价值，不在问答，而在连续行动
OpenClaw 和 Hermes 最容易被误解的地方，是很多人拿它们和聊天机器人比。
如果只是问一个问题、写一段文案、总结一篇文章，普通大模型产品已经够用了。甚至从效率上看，直接打开 ChatGPT 或 Claude 可能更快。
Agent 真正有价值的地方，是连续行动。
比如每天早上自动读邮件、日历、新闻和 GitHub 通知，生成一份个人工作简报；比如持续监控一个竞品官网和社媒账号，发现变化后写成摘要发到群里；比如跟踪一个仓库的 issue 和 PR，每天整理风险项；比如在固定时间检查某些数据源，把异常情况标出来。
这些任务有一个共同点：它们不是一次性问答，而是长期、重复、需要记忆、需要工具调用、需要在多个系统之间穿梭。
这正是 Agent 的长处。但也正是这个特点，让它不容易大众化。
因为大众用户更容易感受到“问答”的价值，不容易马上感受到“流程自动化”的价值。前者是打开就能用，后者需要先理解自己的工作流。
企业也没完全想明白
这个问题不只发生在个人用户身上，企业也一样。
Gartner 在 2026 年的 Agentic AI Hype Cycle 里提到，只有一部分组织已经真正部署 AI Agent，更多组织还在计划阶段。Camunda 的报告也提到，很多企业虽然声称在使用 Agent，但真正进入生产的用例比例并不高，而且大量使用仍然停留在聊天、总结、助手这类低风险场景。
这说明 Agent 的瓶颈不是“能不能演示”，而是“能不能稳定进入生产流程”。
实验室里的 Agent 可以很惊艳。它能打开网页，读取资料，调用工具，生成结果。可一旦进入真实工作，就会遇到一连串更现实的问题：权限怎么管，错误怎么发现，结果怎么审核，成本怎么控制，日志怎么追踪，出错怎么回滚。
这些问题不解决，Agent 就很难从 demo 变成基础设施。
OpenClaw 和 Hermes 的热度变化，其实是整个赛道的缩影：第一阶段大家惊叹“它居然能自己做事”；第二阶段大家开始追问“它能不能一直可靠地做正确的事”。
OpenClaw 和 Hermes 的差异
OpenClaw 的优势是生态和心智。它更早出圈，集成更多，社区更大，给人的感觉是“什么都能接”。这也是它能快速获得巨大 star 的原因。
但它的问题也来自这里。能力越广，权限越复杂；生态越开放，skills 的安全和质量就越难治理；更新越频繁，稳定性口碑越容易波动。对于普通用户来说，一个能接很多系统的 Agent 固然诱人，但也更容易让人担心。
Hermes 的优势是另一种叙事。它强调记忆、自我学习、长期任务和从 OpenClaw 迁移。它看起来更像是对 OpenClaw 问题的一次回应：不要只是堆工具，而是让 Agent 真的积累上下文和技能。
但 Hermes 也没有绕开核心问题。记忆越强，越需要边界；自我改进越强，越需要审计；长期任务越强，越需要用户知道自己到底要长期自动化什么。
换句话说，Hermes 解决了一部分体验问题，但没有自动解决“用户没有工作流”的问题。
真正的分水岭：从装 Agent 到选场景
我越来越觉得，Agent 产品下一阶段的关键，不是再告诉用户“我能做很多事”，而是直接给用户可运行的场景。
比如：
独立开发者日报。每天汇总 GitHub、错误日志、用户反馈和竞品动态。
内容运营流水线。自动收集选题、归类资料、生成大纲、提醒人工审核。
B2B 销售助手。监控潜在线索、整理公司背景、生成跟进提醒。
家庭事务管家。跟踪账单、快递、学校通知、日程变化。
研究员信息雷达。持续跟踪论文、项目、公司动态和政策文件。
这些场景的共同点是：用户不需要先理解 Agent 架构，只需要选择一个模板，授权必要系统，然后在关键节点审批。
如果 OpenClaw、Hermes 或其他 Agent 产品能把“搭 Agent”变成“选择场景并运行”，它们就可能重新获得大众增长。否则，它们会继续停留在开发者、自动化爱好者、研究者和小团队负责人这些高意愿人群里。
所以，它们不是不火了
更准确地说，OpenClaw 和 Hermes 正在从热点变成工具。
热点阶段看的是 GitHub star、榜单排名、社交媒体讨论、谁增长更快。工具阶段看的则是完全不同的东西：每天有多少真实任务在跑，失败率是多少，用户是否愿意长期授权，是否能省下真实时间，是否能进入一个稳定 workflow。
安全问题让人停下来，成本问题让人算账，稳定性问题让人犹豫。但最根本的问题还是：大多数人并没有一个清楚的 Agent 使用场景。
对普通用户来说，AI Agent 不是一个更聪明的聊天框，而是一个需要被编排的行动系统。它的价值不在于“什么都能做”，而在于“持续把一类具体事情做好”。
这也是 OpenClaw 和 Hermes 给我们的启发：下一代 Agent 产品要想真正破圈，不能只展示能力，而要替用户定义场景、约束权限、提供模板、保留人工审批，并让结果可验证。
只有当用户不再问“我该拿它干什么”，而是直接说“我要运行这个流程”，Agent 才会从技术圈的热闹，变成真正的日常工具。
参考资料
- Star History: OpenClaw / Hermes Agent GitHub stars 趋势
- Gartner: Hype Cycle for Agentic AI, 2026
- Camunda: 2026 State of Agentic Orchestration and Automation
- LangChain: State of Agent Engineering
- arXiv: The State of AI Agents in Industry
- arXiv: SkillSieve: Toward Safe and Policy-Aligned AI Agent Skills
- Remote OpenClaw: OpenClaw Use Cases
- Glukhov: OpenClaw vs Hermes Popularity Analysis
#AI #智能体 #OpenClaw #Hermes