探索AI Agent的真正瓶颈：Skill与CLI的博弈

2026年初，Hermes Agent在AI社区引发广泛关注。这个由Nous Research发布的Agent产品被戏称为"爱马仕Agent"，其核心卖点是一个闭环学习系统：完成复杂任务后自动将经验固化为Skill，下次遇到类似任务可直接复用，并能在使用过程中持续改进。这种Skill自动生成、越用越强的能力，确实是当前Agent领域最具吸引力的叙事之一。

被忽视的基础设施

然而，这个引人入胜的叙事遮蔽了一个更基本的问题：Skill真的是当前Agent落地的主要瓶颈吗？一个容易被忽略的事实是，目前公认体验最好的编程Agent产品——Claude Code，其好用的基石并非Skill的自动进化，而是背后大量扎实的CLI工具支撑。用GlobTool找候选文件，用GrepTool定位相关代码片段，用FileReadTool查看实现细节，用LSPTool做代码符号跳转和引用分析——每一个都是确定性的、零token消耗的原子操作。但人们很少为这些工具写故事，只要一提到Agent能自动生成Skill，整个行业立刻就兴奋起来。这个反差说明了一个事实：CLI不性感，不好讲故事，但它才是Agent能力的真正地基。

小龙虾困境：工具层的根本问题

这个问题在OpenClaw（俗称"小龙虾"）身上体现得更为明显。OpenClaw最被人诟病的两点：一是token消耗大、账单吃不消，二是长时间工作稳定性差、经常失联。表面上看是两个问题；往深里看，它们经常来自同一个源头：Agent在使用劣质工具——比如脆弱的浏览器自动化——去完成本该由确定性工具完成的任务。这类问题在社区里并非抽象的抱怨，有大量具体案例。有用户提到只是想自动化X账号发帖，三次尝试就花掉了10美元，任务还没真正跑通。还有人直言，现在很多所谓的AI Agent浏览器控制，本质上只是"披着智能外衣的脆弱自动化"——问题不在模型有多笨，而在底层工具本身就不可靠。页面DOM一改、按钮状态一抖，Agent就只能一遍遍观察、重试、重规划，而这些试错过程每一次都在继续消耗token。

Skill的局限性

Skill的本质是把Skill的生成和优化自动化——让Agent从经验中蒸馏知识，不再需要人手写。这确实解决了一个真实痛点。但Skill本身有一个更深层的问题：它是自然语言驱动的，本质上是模型能力的延伸，或者说是一种对模型能力的借贷。现状是，大量Agent用Skill加上自主解题能力，完成本该由CLI完成的事情——比如以效率低下的浏览器自动化方案查股票价格、下载图片、提交表单。代价很清楚：贵、慢、不稳定、调试难。这里还有一个常见的认知误区——很多人以为用强模型写出来的Skill可以无缝迁移给弱模型用，实际上不能。Skill是自然语言指令，对模型能力有隐性依赖；模型一换，行为就可能变。

CLI：被忽视的下一代基础设施

过去CLI是为人设计的，给人用的CLI可以有交互提示，可以容忍模糊输出，可以在文档不全的时候靠用户自己猜——因为人会停下来理解歧义、会重试、会去查文档。但Agent不一样：Agent不睡觉，不容忍歧义，会并发，会在没有预料到的时机无限重试。一个对人类来说"勉强能用"的CLI，对Agent来说可能就是高频事故源。给Agent用的CLI必须满足完全不同的要求：一条命令只产出一个明确结果；输出是结构化的JSON；错误信息不仅告诉Agent哪里错了，还要告诉下一步该怎么办；长任务必须支持异步。一旦使用者从人变成Agent，CLI的设计哲学就需要从头重写。浏览器里能看到的，原则上都可以被CLI化。一旦一个Web流程被CLI化，它就会从"需要Agent一步步盯着网页试错"变成"可并发、可异步、可幂等的原子操作"。

如有侵权，请联系删除。