《The Batch：Hermes 对 OpenClaw、网络安全警报，以及 Agent 能否胜任人类工作》

导语

这期 The Batch 把教育评价、开源 agent、实时多模态交互、AI 网络安全和 agent benchmark 放在同一期里。主线很清楚：AI 系统正在从会回答问题，走向能持续工作、实时互动、发现漏洞、衡量劳动价值；但评价体系、教育理念和安全防线都还没跟上。

1. Andrew Ng 对 Harvard 限制 A 等级的反对

开篇评论 Harvard 将本科课程 A 等级限制在约 20% 的做法。Andrew Ng 不赞成，因为这把教育重心放在筛选而不是帮助所有学习者成功。他承认 grade inflation 真实存在，GPA 的信号质量下降，但认为教育机构首先应帮助学生掌握能力，而不是用稀缺高分制造区分。

他的教育哲学是：设置高标准，同时尽力让 100% 学习者成功，而不是让一部分人通过、一部分人失败。 这解释了他在在线课程中允许作业无限重试，也解释了他偏好 practice problems 而不是 assessment problems。练习题的目的，是让人通过反复尝试获得技能；评估题的目的，才是判断能力。

2. Hermes Agent 挑战 OpenClaw：agent 正在积累记忆和技能

第一条新闻写 Hermes Agent。它是 Nous Research 在 2026 年 2 月发布的开源 agent，近期在 OpenRouter 统计的每日 token 消耗榜上超过 OpenClaw。它与 OpenClaw 的能力重叠，但差异在记忆架构和自动生成技能。

Hermes Agent 的 agentic loop 包括：组装包含人格、指令、工具、技能、记忆、用户知识和对话历史的 prompt；如果超出上下文，要求 LLM 总结旧消息；发送给 LLM 后调用工具、调用技能或回应用户；若调用工具或技能，再执行并继续循环，直到生成最终响应。

Hermes 的关键点，是把成功经验写成 SKILL.md，并用 Curator 防止技能膨胀。 当它长期解决问题或修复错误后，会创建新技能；后台 Curator 会把 90 天未使用技能归档，并判断技能应保留、合并还是归档。它还维护两个记忆文件：用户偏好，以及工作流和经验教训，并检查新记忆是否重复、是否过于模糊、是否需要合并。

这说明通用 agent 正从无状态助手转向会积累经验、适应用户、持续执行任务的系统。

3. TML-Interaction-Small：实时多模态交互突破 turn-taking

Thinking Machines Lab 的 TML-Interaction-Small 是一个可同时处理音频、视频、文本输入并并发生成音频和文本输出的系统。它不是等用户说完再回答，而是以 200 毫秒 micro-turns 交错处理输入和输出，并配有异步后台 reasoning model。

模型总参数 276B，每 token 激活 12B；可处理实时打断、插话、视觉线索下的主动介入、直播翻译，以及不打断前台对话的后台工具调用。测试中，它在音频延迟 FD-bench V1 上达到 0.40 秒，优于 Gemini 3.1 Flash Live minimal reasoning 的 0.57 秒和 GPT-Realtime-2 minimal reasoning 的 1.18 秒；在 FD-bench V1.5 上平均质量 77.8，高于 GPT-Realtime-2 xhigh reasoning 的 47.8 和 Gemini high reasoning 的 45.5。

这条新闻的意义，是 AI 交互从“回合制聊天”走向“共同在场”。 体育指导、手术监测、实时翻译等场景需要模型边听边看边回应，而不是把世界切成一轮一轮文字输入。

4. 网络安全警报：LLM 正在扩大攻防差距

Google 报告指出，大语言模型正让网络攻击更快、更自动化。威胁包括 morphing malware：恶意软件每次复制或感染新系统时改写解密例程、替换命令、加入无功能子程序，从而绕过杀毒检测；逻辑漏洞识别：LLM 能理解代码意图，发现传统 fuzzing 或模式匹配难以发现的问题；obfuscation networks：AI 指挥流量穿过多个被攻陷中转服务器，规避监控；以及 AI 基础设施本身成为攻击入口。

背景更严峻：研究人员用 Claude Mythos Preview 攻破 Apple 安全并报告漏洞；英国 AI Security Institute 称 Claude Mythos Preview 和 GPT-5.5 可稳定执行预计人类需 3 小时的攻击任务，高于此前 1 小时预测；当输出 token 限制放宽，模型能执行更长人类时间尺度的攻击。

核心风险是漏洞发现速度可能超过补丁实施速度。 AI 既是防御工具，也是进攻工具，还是被攻击目标；这会推动更多监管审查，也迫使开发者把主动防御研究前置。

5. Agent benchmark 与真实劳动不匹配

最后一条研究来自 Carnegie Mellon 和 Stanford。研究者把 43 个 agent benchmark 中超过 1 万个例子，映射到美国 O*NET 的职业活动和技能 taxonomy，再与就业人数和工资总额对比。结果显示，现有 benchmark 过度集中在软件工程，不能代表更广泛的人类工作。

数据很关键：基准测试中的“计算机与数学”职业样本有 8,622 个，“办公室与行政支持”样本有 3,186 个，“管理”样本有 676 个。但在美国真实就业结构里，计算机与数学岗位约 520 万人，办公室与行政支持岗位约 1,820 万人，管理岗位约 1,100 万人；对应工资规模分别约为 5636 亿美元、8698 亿美元和 1.3263 万亿美元。

单个 benchmark 覆盖不到 50% 工作活动和不到 60% 技能；覆盖最好的是 GDPval，覆盖 47.8% 工作活动和 58.5% 技能；所有 benchmark 合计覆盖 56.5% 工作活动和 85.4% 技能。这说明我们现在最会测的是 coding agent，但最有经济价值的 agent 机会可能在行政、财务、管理等更广泛工作中。

结论

这期的统一主题，是 AI 正在进入“持续行动系统”阶段。Hermes 代表记忆和技能积累，TML-Interaction-Small 代表实时交互，安全报告代表攻防自动化，benchmark 研究代表评价体系需要从软件工程扩展到真实劳动。Andrew Ng 的教育评论则提供了一个价值底座：如果 AI 和教育都只用于筛选少数赢家，就会错过帮助更多人变强的机会。

思想框架

The Batch 先以教育评价建立“帮助成功 vs 判断优劣”的框架，再依次展示 agent 能力、交互形态、安全风险和衡量体系的变化。各部分看似分散，实际都围绕一个问题：当 AI 系统越来越能行动，我们应该怎样训练人、设计工具、保护系统，并用更贴近现实劳动的指标衡量进步。