我的 AI Agent 工具箱：Codex、Hermes、WorkBuddy、Pi Agent 与 Meta Muse，为什么我同时使用五款？

从 NAS、VPS 运维，到个人生活助理、投资分析、办公自动化，再到小说翻译和外语学习，我逐渐建立起了一套由五款 AI Agent 组成的个人 AI 工作体系。它们看起来功能相似，但在实际使用中，各自有着不同的优势和定位。

一、写在前面：我的 AI Agent 使用现状

最近一段时间，我使用 AI 的方式发生了很大的变化。

以前使用大模型，更多是打开一个聊天窗口，提出问题，等待回答。

现在则不同。

越来越多的工作，我已经习惯直接交给 AI Agent 完成。从 NAS 和 VPS 的服务维护，到股票分析、日常提醒、办公项目规划，再到小说翻译和外语学习，AI 已经逐渐融入我的日常工作和生活。

目前，我使用的 AI Agent 主要有五款：

• Codex：NAS 和 VPS 的运维及开发助手。
• Hermes Agent：长期运行的个人生活助理。
• WorkBuddy：办公项目规划和文档处理。
• Pi Agent：轻量化、本地模型驱动的通用执行工具。
• Meta Muse：目前处于探索和测试阶段。

这五款工具的功能存在不少重叠。

它们都能够理解自然语言、调用工具、执行命令，部分还支持长期记忆、Skills 和多 Agent 协作。

那么，为什么我还要同时使用这么多款 Agent？

原因其实很简单：虽然它们都叫 AI Agent，但设计理念和擅长的工作并不相同。

1. Codex：我的 NAS 和 VPS 运维工程师

Codex 是目前我使用频率很高的工具之一。

我主要将它部署在 NAS 和 VPS 环境中，负责服务器上的应用维护和功能调整。

例如：

• 安装和部署新的应用。
• 升级已有服务的版本。
• 修改 Docker 配置。
• 排查程序运行故障。
• 调整服务参数。
• 开发一些简单的辅助功能。
• 编写和维护自动化脚本。

过去，遇到这些问题，我通常需要先查阅文档，再寻找对应的命令，必要时还要编写一些 Python 或 Shell 脚本。

现在，我只需要告诉 Codex 想要实现什么功能。

它就可以检查当前环境、分析配置、修改文件、执行命令，并根据运行结果继续调整。

有了 Codex，我已经很少需要亲自编写代码了。

当然，这不意味着完全不需要理解技术。

尤其是涉及生产服务、数据迁移和系统升级时，仍然需要关注权限控制、备份、变更风险和执行结果。

但对于熟悉技术环境、又不希望把大量时间花在重复性编码上的用户来说，Codex 确实带来了很大的效率提升。

2. Hermes：我的个人生活助理

Hermes 的定位与 Codex 不同。

我更愿意把它看作一个长期在线的个人助理。

目前，我主要让它负责：

• 天气变化提醒。
• 股票和投资组合分析。
• 定期信息收集。
• 日常自动化任务。
• 一些需要持续跟踪的事务。

Hermes 最吸引我的地方，不是它能够回答多少问题，而是它能够在后台持续执行任务。

例如，我可以让它定期分析关注的股票，整理新闻和市场变化，而不需要每次都重新发起对话。

这里不得不提最近一个很明显的变化。

随着一些平台开始提供 DeepSeek V4.1 Flash 的免费试用，我使用 Hermes 的体验提升了很多。

以前配置 Agent 自动化任务时，总会考虑 Token 消耗和 API 费用。

特别是股票分析这种任务，往往需要频繁搜索、反复推理，有时还会调用多个 Agent。

单次调用的成本可能并不高，但如果每天执行几十次甚至更多，累计费用就需要考虑。

而现在，利用这些免费试用额度，我可以更加大胆地为 Hermes 配置各种分析任务。

例如：

每天分析多只股票、定期汇总市场信息、重复检查研究结果，甚至尝试一些以前觉得不值得消耗 Token 的自动化流程。

没有了明显的使用成本焦虑，Agent 的使用方式也随之改变。

我开始更关注任务本身是否有价值，而不是每次执行需要消耗多少 Token。

对我来说，低成本甚至零边际调用成本的大模型，正在改变 AI Agent 的实际使用体验。

当然，免费额度并不一定长期存在，仍然需要考虑调用限制、服务稳定性和未来的收费政策。

3. WorkBuddy：从办公助手扩展到小说翻译

最近，我也安装并开始使用腾讯 WorkBuddy。

一个重要原因，同样是它提供的 DeepSeek V4.1 Flash 免费试用机会。

目前，我主要尝试了两类任务。

第一类是工作项目规划。

我将一个实际工作项目交给 WorkBuddy，让它帮助整理项目目标、实施步骤和相关材料。

相比传统聊天工具，WorkBuddy 更强调最终交付结果。

第二类是书籍翻译。

最近，我使用它翻译了几本自己喜欢的书。

这里也涉及我学习外语的一个习惯。

我不太喜欢单纯为了学习语言而学习语言。

例如，机械地背诵单词、阅读没有兴趣的课文，往往很难长期坚持。

相比之下，我更愿意将语言学习融入自己本来就喜欢的内容。

小说就是一个很好的载体。

我可以先阅读熟悉的中文小说，再通过 AI 将其翻译成欧洲葡萄牙语。

由于已经了解故事情节，阅读外语版本时就更容易理解上下文，也更愿意持续阅读。

如果进一步生成朗读版本，还可以同时训练听力。

这样既能阅读自己喜欢的小说，又能学习外语，可谓一举两得。

WorkBuddy 的文件处理和长文档工作流，让我开始探索这种学习方式。

不过，长篇小说翻译仍然需要注意术语一致性、人物名称、上下文衔接以及目标语言的准确性，不能完全依赖一次性自动生成。

4. Pi Agent：我最喜欢的轻量化工具

在这几款 Agent 中，Pi Agent 是我非常喜欢的一款。

原因不是它的功能最多，而是它足够轻巧、简单、灵活。

Pi 的核心设计非常克制。

它没有试图将所有功能都塞进一个庞大的框架，而是提供最基础的 Agent 执行能力，再通过扩展机制满足不同需求。

对我来说，Pi 最重要的优势有两个。

第一，轻量化。

安装简单，运行开销相对较小，非常适合终端环境。

通过 SSH、Termius 和 tmux，我可以在 VPS 上随时启动 Pi，完成任务后再退出，或者让会话在后台继续运行。

第二，模型接入自由。

Pi 支持多种模型提供商，也可以通过兼容接口接入自定义模型服务。

目前，我通过 FRQ 接入本地模型，已经能够在不产生额外云端 API 调用费用的情况下使用 Pi。

这带来的变化非常明显。

以前使用 Agent 时，多少还会考虑 Token 成本。

现在只要本地模型能够完成任务，我就可以反复测试、修改和执行。

没有按次计费的压力，使用起来确实更加自由。

当然，本地模型并不意味着完全没有成本，硬件、电力和维护仍然需要投入，而且复杂任务的完成质量也取决于模型能力。

但对于大量日常任务来说，这种模式已经非常实用。

5. Meta Muse：仍然处于探索阶段

相比前面四款工具，Meta Muse 目前还没有进入我的主要工作流。

现阶段，我更多是在测试和了解它的能力。

我主要关注的是个人事务型 Agent 的发展方向。

例如，AI 能否像人一样操作网页、处理跨应用任务，或者在用户不需要持续干预的情况下完成一系列操作。

不过，目前还没有形成足够稳定的个人使用场景，因此暂时不对它的实际能力作过多评价。

下文涉及 Muse 的部分，也主要从个人事务代理这一产品方向进行讨论，而不是将尚未验证的功能视为已经成熟的产品能力。

二、为什么需要同时使用五款 Agent？

从功能列表上看，这些 Agent 有很多相似之处。

例如，Codex、Pi 和 Hermes 都能够执行 Shell 命令、操作文件、修改代码。

WorkBuddy 也能够处理复杂文件，并通过工具完成任务。

但实际使用时，我逐渐发现：

Agent 的价值不仅取决于模型有多聪明，还取决于它的执行框架是否适合当前任务。

如果只是修改一个程序，Codex 可能更直接。

如果需要一个长期在线的助手，定期分析股票、提醒天气，Hermes 更合适。

如果需要批量翻译小说，Pi Agent 的灵活性非常有吸引力。

如果需要整理工作项目、处理 Word、Excel 或 PPT，WorkBuddy 的办公工作流更加方便。

这就像电脑上同时安装浏览器、代码编辑器、数据库工具和办公软件。

它们都运行在同一台电脑上，但解决的是不同问题。

AI Agent 也正在出现类似的专业化分工。

三、五款 AI Agent 的核心定位

从设计理念上看，它们分别代表了 AI Agent 的不同发展方向。

Codex：把软件开发交给 AI

Codex 的重点是软件工程。

它不仅要理解用户的需求，还要理解代码库、运行环境和程序执行结果。

其价值主要体现在能够交付可运行、可测试、可维护的代码。

Hermes：让 AI 长期为用户工作

Hermes 的重点是持续性。

通过记忆、Skills、定时任务和工具调用，它可以在较长时间内持续处理用户交代的事务。

它更接近一个能够长期工作的数字员工。

WorkBuddy：让 AI 完成办公任务

WorkBuddy 的重点是任务成果。

用户不只是希望得到一段回答，而是希望获得一份文档、一张表格、一套 PPT，或者一个已经整理完成的项目方案。

Pi Agent：让用户自由构建 Agent

Pi 的重点是可扩展性。

它尽量保持核心简单，将更多能力交给用户通过扩展和工具自行组合。

对于喜欢折腾模型、API 和自动化流程的用户来说，这种设计很有吸引力。

Meta Muse：探索个人事务代理

个人事务代理更关注如何让 AI 在不同网站、应用和服务之间完成操作。

其关键挑战不仅是语言模型能力，还包括工具兼容性、任务可靠性、权限控制和用户隐私。

四、五款 Agent 的能力横向对比

下面从实际使用角度进行比较。

评分采用五星制，主要反映产品设计重点和典型场景适配性，并非统一环境下的性能测试结果。

Muse 评分仅用于描述个人事务代理方向的预期侧重，不代表对具体产品功能的验证。

这张表最值得关注的，不是哪个产品获得了最多五星，而是不同 Agent 的能力分布。

例如，Codex 在编程方面具有明显的专业定位。

Hermes 在长期运行和自动化方面更有优势。

WorkBuddy 更适合办公文档处理。

Pi Agent 则在轻量化和模型自由度方面表现突出。

因此，选择 Agent 时，应该首先明确任务类型，而不是简单比较功能数量。

五、三个最值得关注的技术差异

1. Codex 与 Pi Agent：专业工程能力和灵活性

Codex 和 Pi Agent 都能操作文件、执行命令、修改代码。

但 Codex 更强调完整的软件工程流程。

例如，让 Codex 升级一个 Docker 应用，它可以检查当前版本、分析配置、修改部署文件、执行升级，并验证运行状态。

Pi Agent 同样能够完成这些工作，但其优势在于可以更自由地配置模型、扩展和执行流程。

对于复杂软件工程，我通常更倾向于 Codex。

对于批量处理、翻译和自定义工作流，我更喜欢 Pi。

2. Hermes 与 Pi Agent：长期运行和轻量执行

Hermes 与 Pi 的区别，主要不是能不能执行任务，而是如何组织任务。

Hermes 更强调：

长期记忆 + 定时任务 + Skills + 持续执行。

Pi 则更强调：

简单核心 + 模型自由 + 工具扩展 + 灵活执行。

例如，同样是股票分析：

Pi 可以完成一次完整的股票研究任务。

Hermes 则更适合将研究过程变成每天自动执行的长期工作流。

当然，Pi 也可以通过 cron、tmux、数据库和扩展实现类似功能，只是需要用户自行组合。

3. Hermes 与 WorkBuddy：持续工作和成果交付

Hermes 与 WorkBuddy 的功能存在较多重叠。

但我目前对它们的使用定位很明确。

Hermes 更适合后台长期运行。

WorkBuddy 更适合处理当前需要交付的工作成果。

例如：

如果需要每天分析股票变化，我会优先使用 Hermes。

如果需要整理一个工作项目，并生成相关文档，我会优先使用 WorkBuddy。

这种区别并不是绝对的，而是根据目前的实际使用体验形成的分工。

六、免费模型正在改变 Agent 的使用方式

在最近的使用过程中，我越来越强烈地感受到一个变化：

AI Agent 的使用成本，可能比单纯的模型能力更能影响实际使用频率。

过去，使用付费 API 时，我经常需要考虑：

这个任务是否值得执行？

是否有必要每天重复？

是否需要调用更强的模型？

是否应该减少分析次数？

这些问题本质上都与成本有关。

但当 DeepSeek V4.1 Flash 等模型出现免费试用机会，以及本地模型可以通过自定义接口接入 Agent 后，情况开始发生变化。

我现在可以让 Hermes 执行更多股票分析任务，也可以使用 Pi 反复测试翻译、脚本和自动化流程。

这使得 Agent 从偶尔使用的高级工具，逐渐变成可以频繁调用的日常基础设施。

当然，免费模型仍然存在一些限制：

• 免费额度可能随时调整。
• 不同平台可能存在调用频率限制。
• 模型服务稳定性可能不同。
• 本地模型受到硬件和推理能力限制。
• 高频调用也可能带来任务管理和结果质量问题。

但总体而言，低成本模型确实降低了 Agent 自动化的使用门槛。

对于长期运行的 Agent 来说，这一点尤其重要。

因为 Agent 与普通聊天工具最大的不同，就是它可能需要持续调用模型。

单次调用成本越低，越容易把原本不值得自动化的小任务纳入日常工作流。

七、我目前的 AI Agent 工作体系

经过一段时间的使用，我逐渐形成了下面的分工：

                     我
                      │
          ┌───────────┼───────────┐
          │           │           │
        Codex       Hermes     WorkBuddy
          │           │           │
      NAS / VPS    个人生活     办公与文档
      运维开发      助理         处理
          │           │           │
          │       ┌───┴────┐      │
          │       │        │      │
          │     记忆     定时任务  │
          │       │        │      │
          │       └───┬────┘      │
          │           │           │
          │        Pi Agent       │
          │       灵活执行工具     │
          │           │           │
          └───────────┼───────────┘
                      │
               自定义模型接口
                      │
          ┌───────────┼───────────┐
          │           │           │
       DeepSeek      Gemini     本地模型

这张图表示的是功能分工，而不是已经实现的完整互联架构。

实际上，这些 Agent 仍然可以独立运行，并不一定需要互相调用。

我也不打算为了多 Agent 而多 Agent。

如果一个任务用 Pi 就能简单完成，没有必要再通过 Hermes 调用多个子 Agent。

如果 Codex 能直接完成服务器升级，也没有必要引入复杂的任务编排。

Agent 架构应该服从实际需求，而不是为了技术复杂度而增加复杂度。

我的任务分工

八、如果重新选择，我会如何取舍？

如果只能保留一款 AI 编程工具，我会优先考虑 Codex。

它能够显著减少日常软件开发和服务器维护中的手工编码工作。

如果只能保留一款长期运行的个人助理，我会选择 Hermes。

因为我希望 AI 不只是回答问题，还能持续关注我关心的事情，并按照计划执行任务。

如果只能保留一款轻量化、可自由配置模型的 Agent，我会选择 Pi。

它足够简单，而且可以结合本地模型实现低成本、高频率使用。

如果主要需求是办公文档和项目规划，WorkBuddy 更值得优先考虑。

至于 Meta Muse，我还需要更多实际使用经验，才能判断它是否能够成为现有体系中的重要组成部分。

因此，现阶段我并不打算用其中一款替代其他所有工具。

相反，我更倾向于让它们各司其职。

九、总结：AI Agent 的价值正在从模型转向执行能力

经过这段时间的实际使用，我对 AI Agent 有了一个越来越明确的认识：

决定使用体验的，不仅是底层大模型有多强，还包括 Agent 的执行框架、工具能力、运行方式和使用成本。

同样一个模型，通过不同的 Agent 框架，可能带来完全不同的使用体验。

Codex 让我减少了大量手工编码和服务器维护工作。

Hermes 让我开始拥有一个能够长期运行的个人助理。

WorkBuddy 让我尝试将办公任务和小说翻译交给 AI 完成。

Pi Agent 则让我能够以非常轻量的方式，自由接入不同模型，尤其是本地模型。

至于 Meta Muse，我还在观察它未来能否带来新的使用方式。

如果要用一句话概括目前的选择：

Codex 负责技术开发，Hermes 负责长期自动化，WorkBuddy 负责办公交付，Pi Agent 负责灵活执行，Muse 负责探索未来的个人事务代理。

这并不是唯一合理的组合，也不一定适合所有人。

对于普通用户，可能只需要一款能够满足主要需求的 Agent。

但对于喜欢研究技术、拥有 NAS 和 VPS、希望充分利用本地模型及不同 API 服务的用户，多款 Agent 之间的合理分工，可能比寻找一个所谓的全能 Agent 更有价值。

我也越来越相信，未来 AI Agent 的竞争，不只是模型推理能力的竞争，而是谁能更可靠、更低成本、更少人工干预地完成实际任务。

当 AI 不再只是回答问题，而是能够真正承担工作时，它才开始成为生产力工具。

相关项目

Codex

OpenAI Codex

Hermes Agent

Hermes 官方网站

Pi Agent

Pi Agent GitHub

WorkBuddy

腾讯 WorkBuddy

Meta AI

Meta AI 官方网站

写于 2026 年 10 月。本文主要记录个人使用经验和对不同 AI Agent 的理解。产品功能、免费模型额度及服务政策可能随版本变化，具体以官方说明为准。