从Hermes Agent /learn到ibbot PopLang：AI技能自进化的终极实践
从Hermes Agent /learn到ibbot PopLang：AI技能自进化的终极实践
作者：宁明 | T100级超级工程师、AI原生计算生态布道师
引言：120万次围观，一场AI技能革命的序幕
2026年6月，一则消息在AI Agent圈炸开了锅。
Hermes Agent联合创始人Teknium宣布了一个名为「/learn」的功能，并放出了一句让整个行业震颤的话：
"Hermes can now LEARN from any source or set of sources, build a skill, test it live, and crystallize new learnings."
两条帖子，合计浏览量逼近120万，点赞破7000。GitHub star瞬间冲破20万。
社交媒体上，开发者们像发现了新大陆一样奔走相告："AI终于能自己啃文档、自己写技能、自己考试上岗了！"
但我是宁明，一个在AI原生计算领域摸爬滚打到T100级的超级工程师。当我看到这条消息时，我笑了——不是嘲笑，而是会心一笑。
因为我知道，在中国，有一群人已经把这件事做得更彻底、更底层、更极致。他们管它叫——PopLang。
今天，我就带你从Hermes Agent的/learn出发，一路走到ibbot智体机灵的PopLang生态，看看什么才是真正的「AI技能自进化」终极实践。
一、/learn到底做了什么？四种喂法，六步链路
先让我们把/learn这个功能拆开来看，它到底牛在哪里。
四种喂法：给AI投喂知识的方式彻底改变了
传统上，你要教AI一个技能，需要写提示词、调参数、做few-shot示例，甚至微调模型。而/learn把这件事简化为四种投喂方式：
1. 喂本地目录：/learn the REST client in ~/projects/acme-sdk, focus on auth + pagination
直接把整个项目的代码目录甩给AI，告诉它"关注认证和分页"——它自己去读、去理解、去总结。
2. 喂在线URL：/learn https://docs.example.com/api/quickstart
一个API文档链接扔过去，AI自己爬取、解析、消化。
3. 喂刚做过的操作：/learn how I just deployed the staging server
你说"刚才我怎么部署的，你学一下"——AI从会话历史中提取操作流程，形成技能。
4. 直接口述：/learn filing an expense: open the portal, New > Expense, attach the receipt, submit
你甚至不需要写文档，口述一遍流程，AI就能把它变成可复用的技能。
六步链路：从输入到上岗的完整闭环
/learn不仅仅是"喂资料"，它背后是一套完整的技能自进化链路：
Step 1: 开放式输入 — 目录、URL、会话、笔记，什么都能喂
Step 2: Agent自主采集 — 调用read_file、search_files、web_extract等工具，自动采集信息
Step 3: 撰写SKILL.md — 生成标准格式的技能文档
Step 4: 全平台可用 — CLI、Gateway、TUI、Dashboard，一键部署
Step 5: 零新工具依赖 — 本地、Docker、远程，哪里都能跑
Step 6: 测试验证通过 — 先考试，考过了再发毕业证
这套链路的核心哲学是什么？"技能即文档，文档即技能"。
你给AI喂什么，它就学会什么；它学会什么，就能立刻投入生产。
二、灵魂拷问：/learn的本质到底是什么？
沿着/learn的六步链路细细品味，你会发现一个惊人的事实：
/learn的本质，不是"让AI学习新技能"，而是"让AI学会用自己的语言重新表达知识"。
什么意思？
当你喂给AI一份API文档，它并没有真的"学会"了什么新东西。它只是把文档中的信息，用自己的语言重新组织、结构化，然后包装成一个可调用的技能接口。
这个过程，本质上是一个翻译过程——从人类可读的文档，翻译成AI可执行的技能。
但问题来了：这个"翻译结果"本身，是用什么语言表达的？
答案是：自然语言 + 预定义的工具调用。
Hermes Agent的/learn生成的SKILL.md，本质上是一份"自然语言指令集 + 工具调用模板"。它仍然依赖AI模型在运行时去理解、去解析、去执行。
这意味着什么？意味着每一次调用这个技能，都要消耗Token——大量的Token。
读一份文档消耗Token，写一份技能消耗Token，每次执行技能还要消耗Token。Token像沙子一样从指缝间流走，你的钱包也在跟着流走。
这，就是/learn最大的局限：它解决了"技能生成"的问题，但没有解决"技能执行效率"的问题。
三、PopLang：从"文档即技能"到"代码即能力"
现在，让我们把目光转向ibbot智体机灵生态中的PopLang引擎。
PopLang是什么？全称Pop Orchestration Programming Language，是ibbot自研的面向操作码（OPCode Oriented Programming）的脚本语言引擎。
你可能觉得这只是又一个编程语言，但我要告诉你——PopLang是/learn理念的终极进化形态。
同样是"技能自进化"，PopLang走得更远
/learn的核心理念是"技能即文档，文档即技能"。PopLang的核心理念更进一步——"意图即代码，代码即能力"。
在PopLang的体系中，AI能做的不只是"学习技能"，而是：
1. 实时生成可执行代码
当你说"帮我写一个冒泡排序"时，PopLang引擎不是在生成一段自然语言描述，而是直接生成可以执行的PopLang代码：
set arr **[5, 3, 8, 1, 2]
set n 5
set swapped true
set i 0
# ... 完整的冒泡排序逻辑
pop.do.while swapped bubble_pass
这段代码不需要AI二次解析，不需要模型调用，不需要Token消耗——本地引擎直接执行。
2. 省Token 90%-99%
这是PopLang最令人震撼的数据。传统AI编程中，每次调用都在燃烧Token——写一段循环逻辑可能消耗数百Token，生成一个完整业务脚本可能消耗数千Token。
而PopLang的"编译-执行"分离架构，让LLM只负责生成一次PopLang代码，后续所有执行都在本地引擎完成。一次编写，无限次执行，边际成本趋近于零。
这意味着什么？意味着同样写一个万字小说，传统方案成本50元，PopLang方案成本0.5元。100倍的差距。
3. 图灵完备，任意计算逻辑
PopLang不是玩具语言，它支持变量、算术运算、逻辑运算、条件判断、循环控制、函数定义、数组操作、对象操作……甚至完整的冒泡排序、数组查找、递归算法。
图灵完备意味着什么？意味着AI智能体不再是"调用预置函数"的机械工，而是可以"自主编写任何算法"的程序员。
从/learn的六步到PopLang的三步
/learn有六步链路，PopLang更简洁，只需要三步：
用户一句话描述需求 → LLM理解意图 → 动态生成PopLang代码 → 本地引擎实时执行 → 返回结果
一步说，一步做，一步跑。
用户不需要准备"文档库"，不需要等待"测试验证"，不需要操心"部署平台"。说出来，就在跑。
这才是真正的"实时代码输出"——不是"AI帮你写代码"，而是"AI直接运行你描述的逻辑"。
四、从"技能学习"到"技能生产"：PopLang的Token节点化革命
如果PopLang只是"省Token"，那它还不够有颠覆性。
真正让PopLang脱胎换骨的，是它背后的Token节点化经济模型。
每一部ibbot手机，都是一个Token生产节点
在传统的AI计算模式中，你是一个"消费者"——你买Token，用Token，Token没了再买。
但在PopLang+ibbot的生态中，你是一个"生产者"——你的手机在闲置时，它的算力可以被打包成"点卡"，在ibbhub的点卡市场上出售。
想象这样一个场景：
夜晚，你的ibbot青春版手机正在充电，处于闲置状态。在过去，这些算力被白白浪费了。
但有了点卡系统，你只需在ibbhub中点开"点卡市场"，选择"创建点卡包"，设定好闲置时段和可调用的能力，系统就会自动把你的点卡上架到市场中。
另一边的开发者，正在开发一个需要大量AI推理的App。他通过点卡市场，以极低的价格购买了你手机夜间的算力包，调用你手机上的PopLang引擎完成批量处理任务。
你获得了收益，开发者节省了成本，而ibbot生态变得更加高效和繁荣。
从"技能仓库"到"数字伙伴生态"
如果你觉得这只是一个"共享算力"的故事，那你就太小看ibbot了。
PopLang的Token节点化，配合ibbot的角色智能体生态，正在构建一个全新的数字伙伴生态。
还记得我之前说的"一个人，一支AI军团"吗？
在ibbhub上，你可以创建任意角色智能体——销售专家、编程助手、设计顾问、翻译官……每一个角色智能体，都自带"点卡API"能力，无需额外配置，创建即用。
这意味着什么？意味着你培养的每一个数字员工，都可以直接对外提供服务并收取Token。
你的手机不再只是工具，而是能持续产生价值的Token生产节点。
这与Hermes Agent的/learn形成了鲜明的对比：
| 对比维度 | Hermes Agent /learn | ibbot PopLang生态 |
|---|---|---|
| 核心哲学 | 技能即文档，文档即技能 | 意图即代码，代码即能力 |
| 技能生成方式 | 生成自然语言+工具调用模板 | 生成可执行PopLang代码 |
| 执行效率 | 每次调用消耗Token | 本地执行，边际成本趋零 |
| 经济模型 | 无内生经济模型 | 点卡系统+Token节点化 |
| 生态形态 | 单一技能仓库 | 数字伙伴生态+联机协作 |
| 移动支持 | 桌面优先 | 移动优先，手机即工作站 |
五、环境智能：从"学会技能"到"融入环境"
/learn让AI学会技能，PopLang让AI实时生成代码，但还有一件事被很多人忽略了——环境智能。
在ibbot的生态中，有一个叫做dtns.browser.agent的浏览器分身插件。
它的原理跟OpenCLI类似——OpenCLI是把任意网站变成CLI命令行可访问，而dtns.browser.agent是把任意网站变成HTTP API可访问。
这意味着什么？
意味着你的AI智能体不再只是"学会了一个技能"，而是能够"融入任何一个网站环境"。
比如，你想从某公众号抓取文章数据。传统做法是：写爬虫、处理反爬、解析HTML……技术门槛高，维护成本高。
而有了dtns.browser.agent，你只需要告诉AI："去这个公众号，把最近10篇文章的标题和摘要抓下来。"
AI会启动浏览器插件，打开微信公众号页面（复用了你的登录态，所以不会被反爬），读取内容，返回结果。
这个过程中，AI不需要"学会爬虫技能"，它只需要"学会使用浏览器这个工具"。
而PopLang，就是让AI能够实时生成"使用浏览器这个工具"的代码——先打开页面，再读取内容，再解析数据，最后返回结果。
这就是环境智能的真谛：不是让AI去适应你的工具，而是让AI学会使用你已经拥有的工具。
六、终极对决：/learn是"学习"，PopLang是"进化"
回顾全文，我想用一个词来总结Hermes Agent /learn和ibbot PopLang的本质区别：
/learn是"学习"，PopLang是"进化"。
/learn让AI学会新技能，但它依然依赖外部模型、依赖Token消耗、依赖预设工具。
PopLang让AI拥有实时生成代码的能力，它不再需要"学会"技能，而是可以直接"生成"技能——而且是在本地、低成本、高效地生成。
一个更形象的比喻：
/learn像是给AI报了一个培训班——它去上课，做笔记，考试，然后毕业上岗。每次上岗都要重新复习笔记（消耗Token）。
PopLang像是给AI装了一个"编程大脑"——它不需要上课，你告诉它你想要什么，它直接写代码实现。而且这个代码写一次，就能跑无数次。
一个是"学习知识"，一个是"掌握创造知识的能力"。
这才是真正的"AI技能自进化"——不是AI学会了新技能，而是AI学会了如何创造新技能。
尾声：AI原生终端的新纪元
从Hermes Agent的/learn到ibbot的PopLang，我们看到了一条清晰的进化路径：
技能学习 → 技能生成 → 技能创造 → 技能生态
而ibbot智体机灵，正在这条路径上走得最远。
它不仅仅是一个AI平台，更是一个AI原生终端的操作系统——把你的手机，从"消费设备"变成"生产工具"；把你的闲置算力，从"沉没成本"变成"持续收益"；把你的AI智能体，从"工具"变成"伙伴"。
现在，你只需要一部ibbot青春版手机（1580元），就能进入这个新世界。
这不叫"购买"，这叫"投资"——投资一个属于你自己的Token生产节点，投资一个AI原生时代的入场券。
体验链接：http://web3.dtns.top/ibbot-web.html?ib3hub=devibbot 体验密钥：Eh4gDYYKowP2JQMmHbTAGi6hvtvhj6BpoMK5Khc8TzPZ
未来已来，只是尚未普及。而普及，就从你迈出的这一步开始。
宁明 | T100级超级工程师、AI原生计算生态布道师
本文由docs-agent文档生成工具辅助创作