文章摘要： Function Call是大模型从"会说"到"会做"的关键技术，它让模型能生成工具调用请求而非直接执行函数。其核心流程包括：工具定义、模型判断、应用执行、结果返回和最终回复生成。工程实现需关注工具定义清晰度、参数结构化、安全边界和多轮调用处理。相比传统API调用和结构化输出，Function Call的特点是让模型自主判断何时调用工具。设计好工

摘要： Workflow与Agent的核心区别在于流程控制权：Workflow由开发者预设固定流程，适合步骤明确、稳定性要求高的任务；Agent则由模型动态决策，适合路径不确定的开放性问题。工程实践中，应优先使用Workflow确保可控性，仅在任务存在明显不确定性时引入Agent。常见落地形态是二者混合——Workflow控制主干流程，Agent处理局部复杂决策。关键判断标准是：能写死流程就用Wo

本文从工程角度阐述了LLM（大语言模型）与Agent的本质区别。核心观点是：LLM是负责理解、生成和推理的"大脑"，而Agent则是包含目标、工具、状态管理和执行闭环的完整任务系统。文章指出，LLM擅长语言处理但不直接执行动作，而Agent通过任务规划、工具调用、状态记忆和多轮执行等6个关键能力，能够持续推进复杂任务。作者强调，并非所有场景都需要Agent，只有当任务路径不确定

真正有壁垒的 Agent，不应该只靠模型能力。模型会被替换。工具会被复制。真正难复制的是用户长期使用过程中沉淀下来的记忆、经验、Skill 和工作方式。这才是 Hermes 路线值得关注的地方。LangGraph、OpenClaw、Hermes 看起来都在 Agent 赛道里。但它们真正代表的是三种不同路线：LangGraph 代表工程编排。OpenClaw 代表产品入口。Hermes 代表长期成

AI软件开发正经历三个阶段演进：Vibe Coding（意图驱动快速原型）、Agentic Engineering（任务驱动工程实现）和Harness Engineering（系统驱动可靠交付）。这三个阶段分别解决了创意实现、复杂任务执行和系统可靠性问题，标志着软件开发从"代码控制"转向"系统控制"的范式迁移。工程师需要适应从编写代码转向定义系统边界、审查结

Agent Skills 最值得关注的地方，不是它多了一个新名词。而是它重新定义了垂直 Agent 的构建方式。过去我们做 AI 应用，往往要写代码、搭流程、接工具、做页面。现在，很多场景可以先从一个 Skill 开始。把经验写清楚。把脚本放进去。把模板放进去。把验证方式写进去。让 Agent 带着这套方法去执行。这不是传统开发的终结。但它一定会改变 AI 应用验证的速度。未来的竞争，不只是模型能

摘要： Hermes Agent 提出了一种创新的技能系统，旨在解决AI Agent经验无法沉淀的痛点。其核心是将任务执行中的成功路径、踩坑经验和验证方式转化为可复用的Skill（技能），实现从"单次做对"到"持续优化"的转变。系统通过原子写入确保Skill完整性，采用渐进式加载避免上下文爆炸，并设置安全护栏防止恶意指令。相比传统Agent的"一次

摘要： DeepSeek V4 的发布标志着大模型从参数竞赛转向工程化落地，聚焦长上下文 Agent 的实际应用。其核心创新在于整合 1M 上下文、任务连续性与成本优化，形成“双模型底座”：V4-Pro 处理复杂推理与代码任务，V4-Flash 负责高频低成本调用。1M 上下文的意义在于避免任务碎片化，让模型直接理解完整项目现场，而稀疏注意力等技术则确保长上下文的高效与低成本执行。这一升级并非单纯

摘要： DeepSeek V4 的发布标志着大模型从参数竞赛转向工程化落地，聚焦长上下文 Agent 的实际应用。其核心创新在于整合 1M 上下文、任务连续性与成本优化，形成“双模型底座”：V4-Pro 处理复杂推理与代码任务，V4-Flash 负责高频低成本调用。1M 上下文的意义在于避免任务碎片化，让模型直接理解完整项目现场，而稀疏注意力等技术则确保长上下文的高效与低成本执行。这一升级并非单纯

整个流程其实只有5步：👉 WSL2👉 Ubuntu👉 Hermes安装👉 模型配置👉 飞书接入Hermes 官方Web 图形界面。