核心观点

• Hermes Agent 2.0 是一个开源的、会自我改进的 AI Agent，它能够记住用户、从经验中学习并写技能，甚至在用户睡觉时替用户工作。
• Hermes Agent 2.0 的核心特点是“自改进闭环”，它包含三个引擎：造（Background Review）、修（Curator）、续（Goals / Ralph Loop），共同实现 Agent 的自我进化和优化。
• Hermes Agent 2.0 采用三层记忆系统：会话记忆、持久记忆和 Skill 记忆，以实现跨会话的长期记忆和程序性知识存储。
• Hermes Agent 2.0 支持64个工具的按需暴露，并采用 MCP 协议连接外部世界，实现 Agent 与各种工具和平台的交互。
• Hermes Agent 2.0 支持多 Agent 编排，并采用 Kanban 平台进行任务管理和协作，同时提供八种协作模式和按卡片控成本的功能。
• Hermes Agent 2.0 的部署方式灵活，支持桌面 App、浏览器管理面板和命令行等多种接入方式，并提供了多种终端后端选择，包括本地、Docker、Singularity、Modal、Daytona 和远程主机。
• Hermes Agent 2.0 的安全边界是操作系统，它采用进程内沙箱和可观测性契约来保障安全，并提供了 Promptware 防御机制来防止攻击。

关键数据

• Hermes Agent 2.0 的 GitHub stars 数量超过18万，背后有数百个 commit 和数百个 merge 的 PR，以及一百多位贡献者。
• Hermes Agent 2.0 支持23个消息平台，并通过插件化的方式实现新平台的快速接入。
• Hermes Agent 2.0 的 Skill 系统支持三种加载方式：Level 0、Level 1 和 Level 2，以实现工具的渐进式披露。
• Hermes Agent 2.0 的多 Agent 编排系统支持八种协作模式，包括 Fan-out、Pipeline、Voting、Long-running journal、Human-in-the-loop、@mention、Thread-scoped 和 Fleet farming。

研究结论

• Hermes Agent 2.0 是一个功能强大、灵活且安全的 AI Agent，它能够满足用户的各种需求，并随着用户的使用而不断进化。
• Hermes Agent 2.0 的设计理念和技术实现值得其他 AI Agent 项目借鉴。
• Hermes Agent 2.0 的开源模式有利于推动 AI Agent 生态的发展。

OPC 诞生的时代背景与核心动因

• 技术底层：生成式 AI 技术的快速发展，特别是大模型、智能体等能力的提升和成本下降，为个体和小团队提供了强大的生产杠杆，改变了过去需要多岗位协作完成的产品开发、市场验证和商业交付模式。
• 市场结构：中国互联网用户增长放缓，消费需求分化，数字化和 AI 技术降低了服务小规模市场的成本，为轻量化的个体创业提供了生存空间。
• 组织痛点：传统科层制在 AI 时代暴露出效率困境，AI 降低了跨岗位协作和任务衔接成本，推动了轻量化组织的需求。
• 资本与产业环境：云服务、SaaS 服务、按需算力基础设施等产业基础设施的成熟，降低了 OPC 从启动、交付到持续经营的成本。
• 社会认知：个体价值觉醒和职业选择多元化，部分人开始接受工作不必依附于单一组织，个人也可以独立创造价值、获得收入和建立职业声誉。

OPC 组织特征、产业分类与概念界定

• 团队形态：OPC 团队规模极小，以 1-3 人为主，职业背景多元，技术背景团队占比超过四成，地域分布高度集中于 AI 产业资源密集城市。
• 赛道与产品形态分布：OPC 活跃的垂直赛道涵盖工业制造数字化、跨境电商工具、软件即服务（SaaS）、小众内容和专业服务等领域，产品形态以软件应用/SaaS/Web 服务为主，但也广泛进入健康、教育、金融等传统上以机构化服务为主的领域。
• 赛事成绩与相关要素：赛事成绩与项目完成度、产品成熟度相关，与团队规模、Demo 提交等因素存在关联。
• 定义与判定标准：OPC 是一种以 AI 为核心生产杠杆，由极小核心团队发起，依托弹性协作网络，以较低固定成本探索商业闭环的新型组织实践。

OPC 典型创业起点与路径

• 创业起源类型：OPC 的创业起点主要有三大类型：存量业务延伸型、原生需求驱动型和时代机遇跟随型。
• 人力构成与协作模式：OPC 团队结构以全职核心 + 弹性协作网络为主，人才来源以熟人网络为主，外部协作按需调配人力，AI 替换外包，决策机制短链集中，AI 进入决策环。
• 发展路径：OPC 的发展路径主要有四条：短期尝试，适时止损；长期“小而美”，拒绝盲目扩员；阶段性扩张，做大成为标准公司；阶段性载体，收并购或许成为选择。

OPC 的 AI 应用实践

• AI 基础：OPC 的 AI 应用呈现原生趋势，工具格局以编程优先为主，国产模型崛起但核心开发任务仍依赖海外产品。
• AI 对人效的提升：AI 对 OPC 人效的提升分为入门级、进阶级和极致级，随着 AI 深入业务流程，人效提升呈现非线性增长。
• AI 全场景落地应用矩阵：AI 已渗透创业的整个价值链，在生产开发层、运营与供应链层、营销沟通层和组织协同层均有广泛应用。
• AI 的使用边界与底线：AI 先行模式出现，判断比执行更加重要，安全边界和成本约束成为 AI 应用的重要考量因素。

OPC 需求验证、商业闭环与竞争壁垒

• 商业模式矩阵：OPC 的商业模式多元化，包括订阅制、项目制、按次/按量收费、一次性购买等，并呈现混搭与演进的趋势。
• 需求验证路径：OPC 的需求验证路径主要有三类：熟人圈层、Build in Public 和社交媒体自然流量。
• 三阶变现漏斗：OPC 的变现漏斗分为能否变现、当下变现规模和未来预期收入规模三个阶段，每个阶段的驱动因素各不相同。
• 核心竞争壁垒：OPC 的核心竞争壁垒包括产业认知、落地经验、产品品味、用户关系、成本结构和组织活性。

OPC 价值评估体系

• 商业化底层核心指标：OPC 的商业化底层核心指标包括现金流闭环能力、付费客户总量、客户粘性与续费率、业务延展性以及用户时间节约价值。
• AI 效率与增长指标：OPC 的 AI 效率与增长指标包括人均产出、Token 消耗、人机掌控力与协作关系。
• 团队人员维度：OPC 的价值最终仍然回到人，复合人才能力和开源生态影响力是 OPC 的核心竞争力。
• 评估避坑：用户量、流量和曝光等指标不能作为核心估值依据，团队规模和概念热度也不是 OPC 的标签化标签。

OPC 真实诉求与扶持痛点

• 现有支持图谱：OPC 的支持来源多元，包括比赛/黑客松/创业营、媒体曝光、个人支持、算力资源、政府或政策资源、加速器/孵化器/园区等。
• 核心需求清单：OPC 的核心需求清单包括多元资金、市场曝光、算力指导/培训、物理空间、团队/社群、核心法务、行政、商业模式、技能等。
• 扶持体系的适配性痛点：场地配套、政策适配和开放场景成为 OPC 扶持体系的适配性痛点。
• 资本端的匹配性痛点：资本关心的不是标签，仍是增长，OPC 对资本的需求分化。
• 基础设施的供给性痛点：算力与模型、人才生态、合规与监管成为 OPC 基础设施的供给性痛点。

OPC 行业未来演化趋势

• 组织形态长期判断：OPC 将成为一种常态化组织形态，技术预期回归商业现实，从概念热潮走向价值创造。
• 行业分化研判：行业将出清，K 型分化，从通用能力走向垂直价值。
• OPC 终局预测：OPC 的终局预测包括独立经营、规模化成长和融入生态。
• 配套衍生产业趋势：OPC 弹性协作网络、AI 运维与安全服务、OPC 服务生态将成为 OPC 产业发展的重要趋势。
• 行业风险预警：AI 异化风险、技术依赖风险、同质化竞争风险和政策适配风险是 OPC 行业未来演化趋势中需要关注的风险。

产业发展建议

• 给 OPC 创业者的建议：OPC 创业者应重视商业本质和成长节奏，重视行业认知、资源整合和持续经营等非技术能力。
• 给政策制定者的建议：政策制定者应精准扶持 OPC，把支持精准送到最需要的节点上，并重视算力模型生态与合规监管。
• 给行业参与者的建议：行业参与者应抓住 OPC 带来的机遇，为 OPC 提供资金、需求验证、落地场景、营销曝光、团队撮合、外包征信、算力效率、AI 掌控乃至 Agent 间的交互等服务。

核心观点

• 三体流量时代：互联网流量构成发生根本性转变，进入由人类用户、传统自动化Bot和AI Agent三种实体共同构成的“三体时代”。
• AI Agent重塑安全格局：AI Agent作为全新非人类实体，兼具攻击者和防御者角色，推动安全防护范式从“检测阻断”升级为“信任评估与动态治理”。
• 智能体身份危机：企业难以判断Agent身份、意图和行为，面临“不可见的意图”和“不可信的行为”双重挑战。
• Agent生态与AI供应链安全风险：MCP、Skills、Harness等Agent基础设施成为全新攻击面，安全风险集中浮现。
• LLM应用攻击：Prompt注入跃居首位，LLMjacking兴起，LLM爬虫重塑数据流通秩序，企业面临数据主权保护和爬虫精细化治理的挑战。
• 勒索软件平台化、工业化：关键基础设施成为主战场，制造业攻击增速最快，攻击链条全链条自动化。
• API攻击与SaaS供应链风险：API从攻击目标升级为攻击通道，SaaS API生态成为新型供应链攻击载体。
• 自动化攻击全面平民化：BaaS地下产业链成熟，攻击门槛降低，产业化分工推高整体威胁水平。

关键数据

• Bots流量占总流量比例攀升至约68%，恶意Bots占比达55%。
• AI Agent驱动的新型流量从2025年初的不到1%快速增长至2026年Q2的约8-12%。
• 攻击规模年增长约30-35%，高低端双向井喷。
• 金融继续保持恶意Bots攻击“头号目标”，互联网行业AI Agent流量占比最高，制造业攻击增速最快。
• API滥用攻击占拦截总量比例最高，Agent自主攻击从零进入Top 10。
• 住宅代理IP占比从约21%飙升至约35.7%，数据中心IP占比从52%降至38.5%。
• 约45%的企业遭遇过基于已知Agent身份伪造的成功绕过，约38%的企业反馈现有防护已无法区分合法AI业务流量与恶意AI伪装流量。

研究结论

• 安全防护范式转换：从“检测阻断”转向“信任治理”，建立基于信任评估的动态管控机制。
• 信任治理新范式：基于身份、意图、行为的“多维交叉评估”，实现动态分级管控。
• Agent流量识别：21个主流框架清单+信任四象限治理模型，精准识别和治理Agent流量。
• 自动化威胁防护建议：WAAP全链路联防、数据全周期保护、动态环境检测升级、攻击链联防、Agent信任治理体系。
• 三个“转向”：从“单点”转向“联防”，从“被动”转向“主动”，从“拦截”转向“治理”。

可观测性研报总结

前言

2019年OpenTelemetry合并OpenTracing和OpenCensus后，可观测性迅速发展并成为数字化服务的必备工具。然而，如何建设一体化、智能化、高价值的可观测性体系仍是企业探索的目标。

什么是可观测性

可观测性是一种软件开发和系统构建的理念，指通过日志、指标、链路追踪等手段，快速发现、诊断和解决复杂系统的运行问题。其核心是让服务可持续被观测，包括规范、标准、方法、工具和平台。

可观测性的三大维度

OpenTelemetry明确提出了可观测性的三大维度：Metrics（指标）、Logging（日志）、Tracing（链路）。

传统监控和可观测性

可观测性是对传统监控的发展，统一了Metrics、Logging、Tracing三条监控线，提供标准化定义和技术工具，并强调数据打通关联。监控仍是可观测性应用的主要领域，但应用场景已扩展至性能优化、安全、成本分析等领域。

可观测性的演变

可观测性经历了三个阶段：传统基础设施阶段、互联网服务阶段和当前的云原生/微服务阶段。云原生/微服务阶段的特点是基础设施规模大、多样性，服务复杂性增加，需要新的监控工具和三大维度的观测能力。

传统监控的局限

传统监控依赖经验主义，缺乏对故障的全局感知，开发者和维护者职责分割，面向基础设施，难以适应云原生/微服务架构。

可观测性技术理念

可观测性强调应用主动暴露内部状态和行为，通过Metrics、Logging、Tracing、Events等数据维度进行实时监测和分析。开发者承担主体责任，维护者作为数据使用方存在。可观测性强调面向Application，Tracing是关键抓手。

内容纲要

本文将从方法到实践解析可观测性，包括概念、应用场景、建设范式、智能化路径，并详细介绍可观测性产品Flashcat。

路线篇

本文介绍可观测性五级进化论（Level 1到Level 5），从工具、数据、文化、智能、业务等多个方面评估企业可观测性技术阶段。当前多数企业处于Level 2到Level 3转型过程，并快速导入智能化。

场景篇

本文以服务稳定性保障为核心场景，介绍故障生命周期和各阶段的建设思路和方法。

故障生命周期

故障生命周期分为常态预防、发现处理、复盘改进三大部分。常态预防是重点，通过架构优化、数据采集和组织、风险量化体系等手段防患于未然。发现处理强调先止损后排查，以恢复服务和用户体验为首要目标。复盘改进通过分析故障原因，输出改进项，增强预防和发现处理能力。

故障预防

故障预防阶段需要确立稳定性一号位，推进架构优化，建立可观测性数据采集和组织体系，建立风险量化体系，并做好预案建设。

故障发现

故障发现阶段的核心是及时发现故障，通过北极星指标和On-call系统解决告警过多和处理流程不清晰的问题。北极星指标是业务关键指标，On-call系统提供告警聚合、降噪、认领、升级、排班等功能。

故障定位

故障定位阶段通过灭火图、事件墙、日志分析、链路分析、事件分析、指标分析、容量分析等手段，快速圈定故障范围并找到直接原因。

故障止损

故障止损阶段需要建立止损原则和流程机制，通过特征分析能力，自动推荐可能引发故障的异常特征，并引导工程师执行相关止损方案。

故障复盘阶段

故障复盘阶段通过分析故障原因，总结经验教训，形成改进项，增强预防和发现处理能力。

实践篇

本文分析当前阶段企业落地可观测性技术可能遇到的问题和挑战，并介绍可观测性产品Flashcat的解决方案。

当前阶段落地可观测性的问题和挑战

当前企业普遍面临观测系统多和数据孤岛问题，以及服务稳定性保障难的问题。

落地好一个可观测系统的四个要素

落地好一个可观测系统需要标准、数据、平台、场景四个要素。

面向稳定性保障的可观测性产品Flashcat

Flashcat采用搭配采集器并支持数据集成相结合的方案，解决数据输入问题。平台层采用开源夜莺监控，功能完备，数据互通，分析智能，架构可扩展。场景方案针对故障发现和故障定位进行专业产品设计。

AI 篇

本文阐述构建AI驱动的可观测性体系所需要的技术要素和方法，介绍Flashcat在AI智能化分析方面的创新工作。

AI SRE的演进阶段

AI SRE的演进阶段分为L1到L5，当前处于L3到L4之间，最终将进入“人”与“智能体”协同工作的新时代。

构建AI驱动的可观测性体系要素

构建AI驱动的可观测性体系需要三个要素：AI能够理解你的系统、AI能够检索你的数据、AI具备业务和行业的知识基础。

Flashcat的AI实践

Flashcat通过灭火图、插线板、FlashAI知识库等实现AI对IT系统的理解、数据检索和业务/行业知识的获取，具备达成L4级立体分析的能力。

总结

数据建设是智能化的核心，大模型是智能化的催化剂。企业应重视数据建设工作，寻找合适的产品和技术来支持可观测性数据建设，并利用大模型实现智能化的真正飞跃，最终进入“人”与“智能体”协同工作的新时代：AI SRE。