AI 最自然的形态，早就被贾维斯演示了

一个无处不在的 AI 助手，可以用语音和你交流，自主工作，连接各种设备和工具，最后把结果展示给你。人只需要把事情交代出去，剩下的交给它完成。

我最近基于 Hermes 做一个前端手机软件，解决的就是这个问题：人在不方便看屏幕、不方便打字的时候，能不能自然地和 AI 交流。比如户外、轻运动、开车，或者手上拿着东西时，直接口述任务，听 AI 反馈，等它把文件、图片或消息发回手机，也可以发到飞书、QQ 或其他指定的人那里。

这个想法来自我对最新版 Hermes 语音能力的一次测试。Hermes v0.20.0 提供了所谓的 “全双工” 实时语音对话能力：回复过程中麦克风保持开启，用户可以随时打断，比 “说完一段、等它处理、再听它朗读” 自然很多。
但实际测试下来，它的底层仍然能明显感受到语音转写、模型思考、语音输出这几个环节。它可以被打断，也可以流式输入、流式输出，但整个任务本质上仍是一条串联链路。
和豆包的实时语音通话对比也很明显。豆包响应快、可打断、等待不超过一秒，适合陪伴和轻量任务；Hermes 这类 Agent 能调用更大的模型和更多工具，处理复杂任务，但等待更长。

实际上，把转写、思考和朗读拆开看，前后两端耗时并不长，真正耗时的是模型思考和调用工具的过程。
所以这是一个取舍问题：是要快速响应，还是要能干活？
答案很清楚：我不要一个反应很快、却只能陪你聊天的 AI，我更想要一个反应可以慢一点、但能把事情真正做好的聪明人。既然选择更大的模型和 Agent，就是因为它能理解复杂任务、调用工具、持续工作，最终交付结果。为了快一秒钟，把 Agent 变成只会接话的傻子，没有意义。

所以，我做这个软件的思路很明确：完全信任 Hermes Agent 的工作能力，再给它接上耳朵和嘴巴，把原本主要在桌面端运行的 Agent 转移到手机上，进一步扩展使用边界。

文字问答、代码提示、Vibe Coding 之后，AI 正在进入一个新的阶段：离开屏幕，回归自然。在每一个不方便用电脑的时候，在每一个享受阳光的午后，在每一个深度思考的夜晚，人只需要开口，Agent 就可以开始工作。

这大概就是我期待的贾维斯：它不要求人一直围着屏幕生活，只在人的生活之外持续工作，把结果送回来。