今天扫了一眼 GitHub Trending，差点以为自己看错了日期。

NousResearch 的 hermes-agent，58K star，一天涨了 6438 个 star。要知道很多热门开源项目攒到 10K star 都要半年。同一天榜单上，Archon（AI coding harness builder）、multica（managed agents platform）、andrej-karpathy-skills（Claude Code 最佳实践）——五个项目里有四个跟 AI Agent/Coding 直接相关。

这个信号太强了，强到值得认真聊聊。

先说个判断：2026 年上半年，AI Agent 工具链的爆发速度超过了 2023 年大模型本身。

这不是拍脑袋。看看数据：

• ●hermes-agent：定位 "The agent that grows with you"，一个可以持续学习、积累经验的通用 AI Agent 框架，58K+ star
• ●Archon：号称"第一个开源 AI coding harness builder"，解决的是 AI 编码的确定性和可重复性问题，16K+ star
• ●multica：把 coding agent 变成"真正的队友"——分配任务、追踪进度、技能复用，8K star
• ●andrej-karpathy-skills：一个单独的 CLAUDE.md 文件就能显著改善 Claude Code 的行为表现，14K star

如果你把这些项目连起来看，会发现它们拼出的不是某个工具，而是一整套开发环境替代方案。

传统开发环境是什么？IDE + 终端 + Git + CI/CD + 文档。AI Agent 工具链在做什么？把每一步都重新实现了一遍——而且是以"Agent 作为执行者"的方式。

hermes-agent 是 NousResearch 出品的。这家公司之前以开源 LLM 微调闻名（Hermes 系列），现在直接跳到了 Agent 层。

它的核心卖点很有意思："grows with you"——agent 不是一次性的，它会记住你过去怎么工作，怎么决策，甚至怎么犯错，然后把这些变成自己的经验。

这意味着什么？

传统意义上的"prompt engineering"在这里变成了"agent training"——只不过不是用 GPU 跑梯度下降，而是用日常交互做上下文积累。你的 agent 用得越久，越懂你。

这跟 Karpathy 最近频繁提到的观点高度一致：AI 编码的瓶颈不在于模型能力，而在于上下文管理。andrej-karpathy-skills 这个仓库本质上就是在解决这件事——用一份精心设计的 CLAUDE.md 文件，把开发者的意图、偏好、约束提前注入给 AI，让它少犯错、多做对的事。

14K star 证明了开发者对这件事的饥渴程度。

Archon 提出了一个被忽视但极其关键的概念：harness。

什么意思？目前的 AI 编码工具（Cursor、Copilot、Claude Code）本质上是"建议引擎"——它们给你代码建议，你决定用不用。问题是，同一段需求，你问三次可能得到三个不同的实现。

Archon 做的是把 AI 编码变成可重复的流程：定义好 harness（测试用例、约束条件、验收标准），让 agent 在这个框架内反复迭代直到通过。类似 TDD（测试驱动开发），但执行者从人变成了 agent。

这是一个质变。因为一旦 AI 编码变得可重复、可验证，它就从"辅助工具"升级成了"生产工具"。你敢不敢让 agent 直接 push 到 main branch？答案取决于你信不信它的输出是确定性的。Archon 试图让你能信。

multica 的定位更激进——它不满足于帮你写代码，它要变成你的"队友"。

分配任务、追踪进度、技能复用——这不就是 Tech Lead 干的事吗？

multica 的思路是：每个 coding agent 可以积累特定领域的技能（比如"擅长 React 状态管理"或"熟悉支付系统集成"），这些技能可以跨项目复用。多个 agent 组队协作，各自发挥所长。

听起来很像微服务架构的思想：单一职责、可组合、可扩展。只不过这次"服务"的粒度是一个个 AI agent。

今天 36 氪热榜还有一条："Claude 新模型危险，鲍威尔召集华尔街紧急开会"。不管标题有没有夸张成分，它指向一个真实趋势：AI 能力的增长速度已经快到让监管层和金融市场产生实质性反应了。

但对我们这些写代码的人来说，真正要关心的不是"Claude 危不危险"，而是——当你手里有 hermes-agent 这样持续进化的 agent、Archon 这样保证确定性的 harness、multica 这样协调多 agent 的平台时，你的工作流会发生什么变化？

我的判断是：2026 年底之前，会有相当一部分开发者日常工作的 80% 是在和 agent 对话，而不是和 IDE 对话。写代码本身变成了一种"审核"和"指导"行为，而非"创作"行为。

这不是危言耸听。想想你现在用 Cursor 或 Claude Code 的频率，再想想一年前。

36 氪另一条"大模型厂商告别 Token 狂欢"也值得联动看。

当 Agent 成为工作流的核心，API 调用量会指数级增长——一个 agent 执行一个任务可能涉及几十次 LLM 调用。Token 价格如果降不下来，Agent 的经济模型就跑不通。

但反过来想：正因为 Agent 需要海量 Token，模型厂商有足够的动力去优化推理成本。价格战已经在打了。Token 价格的下降会进一步释放 Agent 的应用空间，这是一个正反馈循环。

说几点实在的：

2. 1现在就开始用 Agent 工具。不是试用，是真正融入日常工作。hermes-agent、Claude Code、Cursor，选一个深入用。Agent 的价值随使用时间增长，晚一天开始就少一天的积累。
4. 2学会写 Agent 的"规则文件"。就像 andrej-karpathy-skills 展示的那样，一份好的 CLAUDE.md 或 AGENTS.md 能让 agent 的表现天差地别。这不是 prompt engineering 的升级版，而是一种全新的"人机协作编程"技能。
6. 3关注 harness 和验证流程。Archon 的思路是对的——未来的 CI/CD 可能不是跑测试，而是让 agent 在 harness 里反复迭代直到通过。谁能设计好的 harness，谁就能真正让 agent 替自己干活。
8. 4别被"AI 取代程序员"的叙事吓到，也别无视它。Agent 不是来取代你的，它是来改变"程序员"这个角色定义的。你的核心竞争力会从"写代码"变成"设计系统、定义约束、审核 agent 输出"。

今天 GitHub Trending 的那份榜单，本质上是一份路线图。它告诉我们：AI Agent 的工具链已经从"能不能用"的阶段，进入了"怎么用得更好"的阶段。

这个转变，比任何单个模型的能力提升都重要。