--- title: '把 MiniMax M3 接入 Hermes 打破 Claude/ChatGPT 二人转' video_id: xxpc_6GAgGo url: https://youtu.be/xxpc_6GAgGo title_en: "Hermes Agent + MiniMax M3 is WILD" channel: Jack Roberts published: 2026-06-23 duration: "14:43" topics: ["模型与能力", "Agent 工程"] noted: 2026-07-08 value: A views: '9.4万' --- [![封面](https://i.ytimg.com/vi/xxpc_6GAgGo/maxresdefault.jpg)](https://youtu.be/xxpc_6GAgGo) > Jack Roberts · 14:43 · 发布 2026-06-23 · 9.4万次观看(截至抓取) · [观看原视频](https://youtu.be/xxpc_6GAgGo) > 🔥 观众最高回放 [10:09](https://youtu.be/xxpc_6GAgGo?t=609) — 演示让 M3 跨本地文件与网页实地读片(从桌面找视频、识别简介,到查 YouTube 频道首页返回正确开篇句),考察模型真能力而非纯跑分 ## 主旨 把 MiniMax M3 作为可热插拔的"次级模型"接入 Hermes Agent,演示它以稀疏注意力换出的低单价、百万上下文、看图看视频、读网页与本地文件,补齐"按任务挑模型"的实际拼图,借此打破只用 Claude 与 ChatGPT 的默认二人转。 ## 核心论点 1. **绝大多数人把模型选成默认 Claude/ChatGPT 就走人,这是 token 上最贵、效果上又最平庸的"二人转"**——任务能拆就能对应到能省能干的模型。([[#1-别再为错误的脑买单-0000|→ 详解1]]) 2. **Hermes 是车,模型是引擎:同一套 harness 可以挂 Claude、MiniMax、GLM、GPT,代价是按任务挑最佳"司机"**——而不是把所有活都丢给一个昂贵但平庸的统一大脑。([[#2-把-hermes-当车随时换引擎-0138|→ 详解2]]) 3. **MiniMax M3 以 GPT 5.5 单价约 1/25 在编码基准上打平、以 Sonnet 4.6 单价 8% 在部分项目上反超,直接制造一种"质量不变、$1 变 $25"的单位经济杠杆**——但杠杆来自稀疏注意力,不是黑魔法。([[#3-minimax-m3-对上-gpt-与-sonnet-0212|→ 详解3]]) 4. **接入门槛极低(套餐贴 Hermes 模型选择器 + 贴 API key),实战表现覆盖读图、读本地文件、查网页与跨 YouTube 频道直播搜**,验证它不是把"贵模型的边角活"也包揽,而是真正能在日常 agent 流程里挑大梁。([[#4-稀疏注意力的工作原理-0344|→ 详解4]]) 5. **多模型是底盘而不是高配:让大模型做策略规划、便宜模型做执行,再叠加动态路由 skill,才能把"知道用哪个"这一动作本身也外包出去**——配合把 M3 当工人不当老板的反复验证纪律。([[#5-模型无关与单-token-成本-0442|→ 详解5]]) ## 知识点详解 ### 1. 别再为"错误的脑"买单 [00:00](https://youtu.be/xxpc_6GAgGo?t=0) 开头给出一句非常直白的人物画像:[00:26](https://youtu.be/xxpc_6GAgGo?t=26) "if you're new I'm Jack, I sold my last tech startup and now I build my own AI startups"——博主定位自己为造 agent 的人,所以他看同行的痛点是"使用方式",而不是模型本身。开篇就把"默认 Claude/ChatGPT"作为被反复叠加的税之一:[00:22](https://youtu.be/xxpc_6GAgGo?t=22) "save more time, get better results, and get light years ahead of everybody else" 的承诺以"换模型"为最便宜的入口。 痛点被压缩成一句口号"stop overpaying for the wrong brain"([00:42](https://youtu.be/xxpc_6GAgGo?t=42))。他对"对的脑"的定义其实不脱离常识清单:[00:58](https://youtu.be/xxpc_6GAgGo?t=58) "things that the agents actually do. They can code and build tool use"—模型能做这几件事,还要看其推理能力、能记多少、能想多长。这与"模型分散"的本质差异在于他把单位经济提到了首位。 把默认二人转拆开来看,博主用的是"出行"类比:[01:08](https://youtu.be/xxpc_6GAgGo?t=68) 把模型选成单一品牌和"只会开一辆车的司机"是同一种偏执,越贵并不等于越合适。这是后续"车与引擎"隐喻的前置铺垫。 ### 2. 把 Hermes 当车、随时换引擎 [01:38](https://youtu.be/xxpc_6GAgGo?t=98) 车与引擎的类比贯穿全片,是 Hermes Agent 这类"harness"型框架的典型叙事:[01:39](https://youtu.be/xxpc_6GAgGo?t=99) "you own the car and swap the engine. This is a really good analogy. This is our beautiful Hermes."。博主要做的核心分离是:Hermes 自己作为车/轮子/电路板一次造好长期保留,只有"按任务挑哪台引擎进去"才是日常切换点。([01:40](https://youtu.be/xxpc_6GAgGo?t=100)) 落到具体形态:[01:59](https://youtu.be/xxpc_6GAgGo?t=119) "we can drop in anything from Claude, Minia, GLM, GPT, whatever we physically want to"--Hermes 在模型选择上是空架子,而价格、能力的差异由具体模型承担。Hermes 直接吃各家原生 API,不依赖外部聚合层做模型路由,意味着 routing 这一动作可以下沉到 harness 自己。 这一节还提前埋伏一种隐含策略:[01:16](https://youtu.be/xxpc_6GAgGo?t=76) "substituting a different driver that has a different skill set for a specific task"——同一个 agent 框架里调度不同的"司机"。这种调度不一定要通过 routing skill,也完全可以由主 agent 的 plan 阶段现场决定,但前提是 harness 不绑死某一模型。 ### 3. MiniMax M3 对上 GPT 与 Sonnet [02:12](https://youtu.be/xxpc_6GAgGo?t=132) 这一节是实打实的价格—能力曲线展示:[02:12](https://youtu.be/xxpc_6GAgGo?t=132) 博主直说"the model I'm going to be talking about in this video is Mini Max V3"。他把 M3 放在能力图谱的极高位置,但单价定在 GPT 与 Sonnet 的零头:[02:16](https://youtu.be/xxpc_6GAgGo?t=136) "if you compare it to GPT 5.5 on the benchmarks, it is tied on coding for 4% of the price"—4% 即 1/25。([02:22](https://youtu.be/xxpc_6GAgGo?t=142)) 相比 Sonnet,他对 M3 的描写更激进:[02:36](https://youtu.be/xxpc_6GAgGo?t=156) "for Sonnet 4.6, it basically edges it on some things ... that's 8% of the price"。落到能力面:[02:43](https://youtu.be/xxpc_6GAgGo?t=163) "It can see images and videos ... Can browse the live web"—把多模态和联网能力作为 MiniMax 现阶段差异化主打,与"部分前沿模型还不支持视频"做对比。([02:40](https://youtu.be/xxpc_6GAgGo?t=160)) 更关键的承诺是上下文的"密度":[03:21](https://youtu.be/xxpc_6GAgGo?t=201) "matches up to the best models in the world right now for things like reasoning, command line, code, and web"——M3 不是只在某一维度拿第一,而是与"目前最强模型"在多维并驾齐驱。这个判断博主提醒观众自行查证,because 这正是 MiniMax 出钱赞助的本片推荐内容。 ### 4. 稀疏注意力的工作原理 [03:44](https://youtu.be/xxpc_6GAgGo?t=224) 为什么便宜?答案是稀疏注意力 (sparse attention)。博主用"[04:01](https://youtu.be/xxpc_6GAgGo?t=241) a horse designed by committee is actually a goat"的说法切入:[03:52](https://youtu.be/xxpc_6GAgGo?t=232) "models are just evolving in better"—隐喻"全员发言的会议"等于混乱,而且全员真的说不等于听清关键意见。[04:10](https://youtu.be/xxpc_6GAgGo?t=250) "twenty times less work" 才是稀疏注意力换出来的算力比。 落到定义本身:[04:19](https://youtu.be/xxpc_6GAgGo?t=259) "M3's minimax sparse attention only lets the people who matter speak. It's the same answer, a fraction of the noise, and 1/20th of the compute."—把高密度注意力机制概括成"只让关键 token 说话"。具体是 1/20 计算:[04:24](https://youtu.be/xxpc_6GAgGo?t=264) "It's the same answer, a fraction of the noise, and 1/20th of the compute"。 落到钱包:[04:31](https://youtu.be/xxpc_6GAgGo?t=271) "this efficiency is the whole reason why 1 million contacts costs cents instead of dollars in other places"。[04:33](https://youtu.be/xxpc_6GAgGo?t=273) 直接给出"[百万级上下文窗口]只需要 cents 不是 dollars"的单位经济结论。听起来是营销话术,但机制讲得通——sparse attention 只激活每层头里的部分子集,而不是把整段输入的全 token 都参与注意力计算。 ### 5. 模型无关与单 token 成本 [04:42](https://youtu.be/xxpc_6GAgGo?t=282) 这一节把整套主张抽象成"模型无关 (model agnostic)"工作法:[04:54](https://youtu.be/xxpc_6GAgGo?t=294) "we are model agnostic"—意为不被任一厂商绑死,根据任务挑最合适的。具体动作:[04:45](https://youtu.be/xxpc_6GAgGo?t=285) "every model is great for one specific thing"——先把任务画像,再找该任务最强的型号。 落到价格对比:[04:40](https://youtu.be/xxpc_6GAgGo?t=280) "you can see the output tokens per $1 for Miniax is really good"——以 $1 输出 token 数衡量,M3 排前段。这正是 token minimizing 中 token minimizing 一侧的主张:把任务路由给"刚好够用"的型号。 横向比较:[05:07](https://youtu.be/xxpc_6GAgGo?t=307) "GLM 5.2 which is going super viral right now ... can see browser web and four times cheaper output per 1 million context"—与同价位竞品 GLM 5.2 对比,M3 是浏览器交互更强,GLM 5.2 是命令行编码更好。([05:14](https://youtu.be/xxpc_6GAgGo?t=314) "minimax with this can natively see browser web") 因此对本来用 GLM 的用户而言,M3 是"网页类任务"侧的替换选择而非"全栈替代"。这与 模型分散 中"主力 70% + 多家分流"的工程做法契合,但本片的"模型无关"更激进,要做到按任务现场决定。 ### 6. 选购套餐、配 API key、接入 Hermes [05:29](https://youtu.be/xxpc_6GAgGo?t=329) 实操从选方案开始:[05:33](https://youtu.be/xxpc_6GAgGo?t=333) "grab a plan. You can do $20, $50, $120"—分三档 token 包,以按使用量计费形式提供,等价于按月订阅 Claude 或 ChatGPT 的形态。([05:55](https://youtu.be/xxpc_6GAgGo?t=355)) 另一面是 API 按时付费,不强绑订阅。 拿到 key 之后走 Hermes 接入:[00:10](https://youtu.be/xxpc_6GAgGo?t=10) —视频开篇就预告"connect MiniMax to Hermes"。具体动作很短:打开终端运行 Hermes 安装命令 → 在模型列表里用空格键选 MiniMax global → 粘贴 API key → 回车。([07:24](https://youtu.be/xxpc_6GAgGo?t=444)) "model selector will pop up with inside Telegram, which is excellent"——模型选择器直接在 Telegram 里弹出来,Agent 不需离开聊天面也能换引擎。 这套动作几乎把"Hermes 框架自身能 plug 任何模型"的主张在现场闭合,而且几乎零代码:[07:43](https://youtu.be/xxpc_6GAgGo?t=463) "Hey there, which model is this" 即可在已部署的 Hermes 进程内询问当前对话用的是哪个大脑。([07:20](https://youtu.be/xxpc_6GAgGo?t=440) "switch over to minimax and take it for a spin") ### 7. 多模态读图 + Firecrawl 抓品牌识别 + 读文件与联网检索 [07:39](https://youtu.be/xxpc_6GAgGo?t=459) 这是全片最长的实操一遍跑,验证 M3 不止纸面便宜:先跑一次"看图"做冒烟测试。[07:49](https://youtu.be/xxpc_6GAgGo?t=469) "the first thing I want to demonstrate here is the fact it's got multimodal capabilities"——丢一张截图进去,让 M3 描述看到了什么。[08:00](https://youtu.be/xxpc_6GAgGo?t=480) "describe to me what you see in this image" 的具体 prompt 被搬运进 Hermes 的会话,M3 在 Telegram 内直接给出准确描述,验证其多模态落地是真的,不是停留在浏览器 Demo。 第二招是 Firecrawl 抓品牌识别:[08:22](https://youtu.be/xxpc_6GAgGo?t=502) "use the Firecrawl skill"——用 Firecrawl Interact 这类 Firecrawl 抓取技能,直接抓网页并输出品牌色板与 logo,生成本地 HTML 预览。[08:54](https://youtu.be/xxpc_6GAgGo?t=534) 博主明示速度极快,且 M3 在执行中会主动反问:"[08:46](https://youtu.be/xxpc_6GAgGo?t=526) is it glad.com",澄清到底是不是 .com。[09:42](https://youtu.be/xxpc_6GAgGo?t=582) "this is what it's created for the GL brand guidelines"——M3 不仅抓得齐,而且还能写入一个可点开的 HTML。 这与 Firecrawl Interact 被定义为"agent 子功能,让浏览器自动化与网页抓取合成同一条流程"一致,本片案例展示了其 prompt→抓→结构化→落地 HTML 的完整闭环。第三招更刺激——让 Hermes+M3 读本地文件:[10:06](https://youtu.be/xxpc_6GAgGo?t=606) "ask it to actually check out a video on my desktop"—不预先告知工具,M3 自己想办法读到桌面视频并报出第一句台词。这一段是 heatmap peak:[10:12](https://youtu.be/xxpc_6GAgGo?t=612) "Find me the latest video that I recorded and tell me what is the first sentence"。 最后联网检索:[10:33](https://youtu.be/xxpc_6GAgGo?t=633) "head over to the Jack Roberts YouTube channel, check out my latest YouTube video and tell me what is the intro for that video"。[10:39](https://youtu.be/xxpc_6GAgGo?t=639) "I'm asking it to go online and grab my information"。M3 真的抓到频道、找到最新视频,并给出开篇句:[10:57](https://youtu.be/xxpc_6GAgGo?t=657) "this is completely correct as well"——博主确认答案无误,与频道上最新一条的简介字字相符。 ### 8. 语音模式 + 动态路由 [11:10](https://youtu.be/xxpc_6GAgGo?t=670) 把交互面拓展到语音。Glaido 这类工具可以让人用嘴打字:[11:27](https://youtu.be/xxpc_6GAgGo?t=687) "Hey Jack, you're talking with me, Hermes' voice"—Hermes 直接接 voice 终端。[11:32](https://youtu.be/xxpc_6GAgGo?t=692) "essentially anything we can do in the chat, we can also do in this voice terminal"——语音模式与文字聊天等同,不会因为换设备而失去工具调用。 真正重头戏是动态路由 skill:[11:40](https://youtu.be/xxpc_6GAgGo?t=700) "build me out a routing strategy"—让 Hermes 自己根据任务挑最合适的模型。([11:42](https://youtu.be/xxpc_6GAgGo?t=702) "dynamically route") 这把"模型无关"从人工按任务决定升级到 agent 自行决定,是 routing/orchestration(Agent 工程层)的一个干净范本。 落到动态路由的可配置层:[12:19](https://youtu.be/xxpc_6GAgGo?t=739) "Hermes can dynamically route your query"——不是简单多模型切换,而是基于任务复杂度的实时决策。[12:35](https://youtu.be/xxpc_6GAgGo?t=755) 博主强调 "build out specific skills with specific models"——除了默认大脑,可以为某些特殊 skill 预分配某具体型号,让 preallocate 的方式承担一部分动态路由的活。([12:39](https://youtu.be/xxpc_6GAgGo?t=759)) 任何模型都允许配置提醒:[12:04](https://youtu.be/xxpc_6GAgGo?t=724) "set me a reminder that in 2 hours time I need to order some Laqua"—动嘴就能建 cron,这与原文无关但说明 Hermes 在多模型前提下仍保留日常工具链。 ### 9. 当工人不当老板 + 用大脑做战略 [12:56](https://youtu.be/xxpc_6GAgGo?t=776) 最后一段给操作纪律与心智模型,与上面所有能力清单合并收束。先是"工人不是老板":[13:02](https://youtu.be/xxpc_6GAgGo?t=782) "think about this as a worker, not a boss"——任何模型都会在 90% 常规任务上很棒,但剩下 10% 必须由人验证。([13:08](https://youtu.be/xxpc_6GAgGo?t=788) "always, always, always verify with any model that you're building")。这一句把"模型无关"从捷径收回到"用最便宜但仍需受监督的工人"立场。 落到操作纪律:[13:20](https://youtu.be/xxpc_6GAgGo?t=800) "we bring in the best guy for that particular job"—不锁单一模型;靠 token 效率赢。[13:22](https://youtu.be/xxpc_6GAgGo?t=802) "token efficient"——才是个人 agent 长期跑的可持续属性—— 商务侧边附:[13:34](https://youtu.be/xxpc_6GAgGo?t=814) 赞助链接给"12% off any tier",[13:54] 博主直接给出 "they haven't asked that you put a built with MiniMax M3 as a credit"——商业使用方不强制挂出处;年收入过千万美元的另案处理:[13:58] (https://youtu.be/xxpc_6GAgGo?t=838)) 这一段对个人开发者基本无害,但对企业集成需要按收入层单独谈合规。 最后压轴一句话:[14:22](https://youtu.be/xxpc_6GAgGo?t=862) "you want the most powerful brain possible to do the initial planning and conversation"——最强的脑做战略规划与对话入口,具体执行交给 M3 这一类便宜模型在已经搭好的结构里跑。 ## 可执行步骤 - [ ] 在 platform.miniMax.io 选一个 token 包(月付/按时),拿到 API key。 - [ ] 打开 Hermes Agent 的模型选择器,选 "MiniMax global" 并粘贴 key,跑一个"describe what you see"对话验证多模态连通。 - [ ] 把"日常问答用 MiniMax,深度推理/长篇策略用 Opus/Claude"作为默认路由约定,再用 Hermes 自带的 routing skill 让 agent 自动分流。 - [ ] 接一个 Firecrawl skill,跑一次品牌识别到 HTML 的端到端,验证"读网页→结构化→落地 HTML"链路。 - [ ] 用 Hermes 在桌面/工作区文件上问一个"找出 X,告诉我 Y"的问题,跑通"读本地文件→摘要"环节,确认 agent 已拿到访问权。 - [ ] 把任何模型当工人看:每一次输出都人审一次再外发,坚持 90% 信任、剩 10% 必查。 ## 关联 - 进阶:Hermes Agent 在 [[2026-04-25-在VPS上自托管Hermes Agent与Dashboard面板|在 VPS 上自托管 Hermes Agent 与 Dashboard 面板]] 已定义为"可自托管、通过 Telegram 对话的个人 AI 助手";本片给出"在 Hermes 里热插拔 MiniMax M3 + 把 routing skill 装上"的实操过程,读前先了解该篇自托管教程能避免卡在安装环节。 - 互补:模型切换 在 [[2026-06-10-Fable5实测agentic交易的策略与踩坑|Fable5 实测 agentic 交易的策略与踩坑]] 已定义为"把查数据等杂活交给便宜模型、只有核心分析才切回贵模型以控制 token 成本";本片把这套 agentic 交易场景的省钱做法搬到通用 agent 场景,并把决策从人升级到动态 routing skill——同一条主张的两端(主动分流 vs 自动分流)。 - 互补:模型分散 在 [[UPtmKh1vMN8-Claude Code 高阶课/26-分散你的模型选择|CC 高阶课·分散你的模型选择]] 主张"主力模型约 70% + 多家分流,用组合对冲单点故障与性能波动";本片的"model agnostic"更激进,目标是按任务逐项切换,但保留了"少而精的多家"前提——把"轮作"机制推到接近"逐项轮作"的极限。 - 印证:稀疏注意力 (sparse attention) 在本片第一次具名出现,机制被描述为"只让关键 token 参与计算,实际算力只剩完整注意力的一小部分";与 活跃参数 (active parameters) "每次推理实际参与计算的参数量决定单 token 的智能密度"是同源思路但不同维度--前者按序列维度跳 token,后者按模型维度跳参数量。 ## 一手来源与延伸 - MiniMax(M3 厂商,可注册并取 API key):https://platform.miniMax.io(meta description 给出 affiliate 链接 `bit.ly/4vuy220`,这是与直接 URL 等价的入口) - Hermes Agent(自托管个人 AI 助手框架):视频未给直链,项目主页参见 [[2026-04-25-在VPS上自托管Hermes Agent与Dashboard面板|2026-04-25-在VPS上自托管Hermes Agent与Dashboard面板]] 笔记中收录的来源(meta description 未列) - Firecrawl(网页抓取与结构化提取):https://firecrawl.dev(meta description 中 affiliate 链接 `bit.ly/4aHCD8A`,官网主域等价) - Claude 主对话产品页:https://claude.ai/(meta description 给出,与 M3 对比所用基线) - ChatGPT 主对话产品页:https://chatgpt.com/(meta description 给出,与 M3 对比所用基线) - Glaido(语音输入工具):https://glaido.com(meta description 中 affiliate 链接 `bit.ly/4eGoI3R`,官网主域等价;视频用作 voice terminal demo) ## 术语 - 二人转(duopoly):本片把"绝大多数人只锁 Claude 或 ChatGPT"的现状,作为被打破的默认配置反复点名([01:30](https://youtu.be/xxpc_6GAgGo?t=90)) - 车与引擎(car / engine):把 Hermes Agent 当车、把模型当引擎的隐喻([01:39](https://youtu.be/xxpc_6GAgGo?t=99)),强调 harness 与模型分离 - 稀疏注意力 / sparse attention:MiniMax M3 用来降低算力消耗的注意力机制,只让关键 token 参与 attention 计算,把每一 token 的实际算力压到完整注意力的一个零头([04:24](https://youtu.be/xxpc_6GAgGo?t=264)) - 模型无关 / model agnostic:不被任何单一模型厂商绑死,逐项任务现场挑最合适的大脑([04:54](https://youtu.be/xxpc_6GAgGo?t=294)) - 动态路由 / dynamic routing:Hermes 内置 routing skill 按任务难度自动调度到不同模型,免人为挑选([11:42](https://youtu.be/xxpc_6GAgGo?t=702)) - 模型选择器 / model selector:Hermes 启动时给出的模型列表 UI,在 Telegram 与语音终端里常驻([07:26](https://youtu.be/xxpc_6GAgGo?t=446)) - 单位经济 / unit economics:本片反复强调"performance per dollar"([02:02](https://youtu.be/xxpc_6GAgGo?t=122)),把"质量对比"换成"$1 换多少输出 token"作为决策锚 ## 金句 > "you own the car and swap the engine."([01:39](https://youtu.be/xxpc_6GAgGo?t=99)) — 用一个比喻把 harness 与模型彻底分离,是本片最精炼的架构主张。 > "stop overpaying for the wrong brain."([00:42](https://youtu.be/xxpc_6GAgGo?t=42)) — 把"不挑模型"立刻量化成钱包可感知的代价,胜过任何 benchmark 表。 > "M3's minimax sparse attention only lets the people who matter speak. It's the same answer, a fraction of the noise, and 1/20th of the compute."([04:19](https://youtu.be/xxpc_6GAgGo?t=259)) — 一句话把稀疏注意力讲清,避免再回到"大模型卷参数"的旧叙事。 > "think about this as a worker, not a boss ... always, always, always verify with any model that you're building."([13:02](https://youtu.be/xxpc_6GAgGo?t=782)) — 把"模型无关"从盲目扩量拉回到工程纪律,是接 routing skill 后必备的下半句。 ## 立场与利益 - 与利益同向:全片就"MiniMax M3 价格低、质量持平 Sonnet、稀疏注意力贡献巨大"三个主张高度正面,且 meta description 明确写出 MiniMax 是本片赞助商、口播也确认"they even agreed to sponsor this video",因此关于 M3 价格 / 单位经济 / 能力的具体数字属"采信前需外部印证、标待印证"的同向主张——能用 GLM、Sonnet、Opus 自带的 benchmark 与价格表交叉对照后再采信。 - 与利益同向:博主推送 Hermes 自家 Masterclass 与 ALL Systems 销售链接(meta description `bit.ly/4kol0y5`、`bit.ly/3RNNDLa`),其"在 Hermes 上随便换模型"一句很容易把受众导回其付费课程——"工作流合一"主张属"待印证",实际可参考 [[2026-04-25-在VPS上自托管Hermes Agent与Dashboard面板|2026-04-25-在VPS上自托管Hermes Agent 与 Dashboard 面板]] 的实操门槛再判断。 - 利益中性:"Firecrawl 不拉 HTML 全文、只抽正确文本,大降 token" 与 "模型选择可由 routing skill 自动决策" — 都属独立可验证的工程机制,与博主变现无直接耦合,按内容本身采信。 - 与利益反向:博主给到"任何模型都不能当老板,90% 可靠剩 10% 必人审"([13:02](https://youtu.be/xxpc_6GAgGo?t=782)) 这一句,反而削弱了"全自动无人监督"的 agent 营销叙事,有利他在多课程里卖"agentic OS",可信度单独标出。 ## 价值定位 - 适合谁:已经在用 Hermes Agent / Agentic OS 这类 harness 框架的人,或是愿意按任务切模型、降低 Claude/ChatGPT 单价支出的工程用户。 - 解决什么:把"模型无关"从口号落到具体形态——给 MiniMax M3 一节安装 + 一次多模态冒烟 + 一次 Firecrawl 抓品牌识别 + 一次桌面文件读取 + 一次 YouTube 频道 live 抓取,完整展示日常 agent 任务的四种 agent 真实负载。 - 认知 vs 实操:认知层面给出"harness 与模型分离 + 动态路由"的架构叙事;实操层面是"贴 API key → 模型选择器勾选 → 跑四类 demo"的低门槛动作。流量到视频结构的尾部才点出"任何模型都要 verify"的纪律,可作为单点提醒。 - 与 [[2026-04-25-在VPS上自托管Hermes Agent与Dashboard面板|在 VPS 上自托管 Hermes Agent 与 Dashboard 面板]] 重叠:两片都用同一框架,本片独有的是"接入 MiniMax M3 这一非主流厂商模型"的具体路径,routing skill 的按任务自动分配,以及桌面文件实测与频道抓取这两个更新颖的 demo。 ## 自检问题 1. 本片用什么比喻把 Hermes 与模型的关系说清?这个比喻为什么比"主模型 + 备模型"的说法更彻底? **答案**:"车与引擎"——Hermes 是车、模型是引擎,同一辆车可换不同引擎;它比"主+备"更彻底,因为它从架构上把 harness 与模型解耦,而不是默认有一个再配一个替换。([01:39](https://youtu.be/xxpc_6GAgGo?t=99)) 2. 稀疏注意力给 MiniMax M3 带来的具体算力比例是多少?博主用哪一句口号来类比"全员发言 vs 只让关键人发言"? **答案**:1/20 的算力,1/20 的噪声;用"a horse designed by committee is actually a goat"做类比——全员开会等于混乱。([04:01](https://youtu.be/xxpc_6GAgGo?t=241);[04:24](https://youtu.be/xxpc_6GAgGo?t=264)) 3. 视频演示里 M3 的四种负载(多模态读图 / Firecrawl 抓品牌 / 桌面文件 / YouTube 频道抓)是按什么顺序展开的?其中哪一段被观众最高回放标记? **答案**:多模态 → Firecrawl 抓品牌识别 → 桌面文件 → YouTube 频道从网页抓简介;桌面文件那段(10:09 附近)被标为最高回放,即"用 Hermes 让 M3 读桌面上的本地视频、识别简介"。([10:09](https://youtu.be/xxpc_6GAgGo?t=609)) 4. "模型无关"在工程上怎样落地?本片用哪两个机制把这一主张从"人工按任务挑"升级到"自动分配"? **答案**:routing skill(动态路由) + 给特定 skill 预分配特定模型(任务画像化);前者由 agent 现场判断任务,后者在配置里事先指定某些 skill 走 MiniMax、某些走 ora。([11:42](https://youtu.be/xxpc_6GAgGo?t=702);[12:35](https://youtu.be/xxpc_6GAgGo?t=755)) 5. 博主最后对"使用模型"给出的纪律要求是什么?它抵消了哪些常见的 agent 营销? **答案**:任何模型都不能当老板,90% 可靠剩 10% 必人审;抵消了"全自动无人监督"的零边际成本 agent 营销。([13:02](https://youtu.be/xxpc_6GAgGo?t=782))