周末又为重复性工作折腾了半天，突然意识到自己这套 AI 自动化栈已经跑了小半年，效率提升还挺明显。索性总结一下这套架构怎么协作的。
核心就两个角色分工：**Hermes 做编制**，Claude Code 做手艺。Hermes 本质上是一个任务管家，处理日程、记忆管理、后台 cron 任务，再加消息分发到 Telegram 和飞书。想象成一个永远在线的秘书，记得昨天的 idea，今晚准时提醒，明天自动跑某个数据收集脚本。
真正的复杂编码活儿，我交给 Claude Code 一次性搞定。大型重构、代码审计、或某个功能从 0 到 1 的设计——这些直接用 Claude Code 的 CLI 模式让它干透彻。两边都能访问我的 skill 库（方法论沉淀），如果 Hermes 想复用某个已有逻辑，直接调 skill；Claude Code 也能用，切换成本几乎没有。
模型选择上是 cost-benefit 平衡。日常对话、每日早报、市场监控这种高频吞吐用 Haiku 撑着（便宜），遇到真正需要深度推理的大任务再升级到 Sonnet 或 Opus。这样一个月的 token 成本可以控制住。
换个角度看，**agent 就是自动化流水线的大脑**，决策和调度；**skill 就是流水线的手**，具体干活。Hermes 在 agent 侧，给整条线的每个环节赋予了记忆力和上下文。中间某个任务超出范围了，直接 escalate 给 Claude Code 这个专家。
试过没这套之前，每周要花 8 小时在重复性工作上。现在某些活儿基本跑在后台，只需定期查报表或异常告警。最大的坑是 skill 文档写得不清楚导致调用出错。现在对每个新 skill 都强制补充"常见陷阱"和"使用场景"。
说到这儿，我觉得 AI 自动化的核心不是用最强的模型，而是**把工作拆的足够细、每个单元足够独立、出错了也容易 debug**。小团队在这个方向投入应该能省不少手工。