Hands 在当下 AI 语境中主要指“让大模型真正动手操作”的能力与生态——既包括 Claude 等模型通过 "local hands" 模式直接操作用户本地文件与环境的云端加本地混合架构，也涵盖各类 Hands-On（动手实践）教程、培训与工具。它的核心是把模型的“大脑”与实际执行动作的“手”连接起来，是 Agentic AI 落地的关键一环。
Local Hands：云端模型接管本地操作
Claude 的 "local hands" 模式是近期最受关注的方向：云端运行的模型可以直接读写和操作用户本地文件，而不需要用户手动复制粘贴。Thariq 在讨论中将其概括为“Claude 云端大脑 + 本地操作能力”的架构趋势，并确认这一模式后续也将登陆 Cowork 产品线。Latent.Space 的报道则把 Claude Code 的 local hands 模式视为云端智能与本地执行分离又协作的典型样本。
这条路线反映出 Agent 产品正在收敛到一种共识：推理可以放在云端大模型，执行则必须贴近用户真实的文件系统和工具链。安全性、权限边界与误操作风险，是这一架构必须回答的问题。
Hands-On 生态：教程、认证与实践社区
与“动手能力”并行的是面向学习者的 Hands-On 资源持续增长。DAIR.AI 发布了 JEV 交互式教程与配套动手实验，让学习者可以边看边跑代码。中文社区推荐广泛的《Hands-On Large Language Models》一书用近 300 张图系统讲解 LLM 原理与应用，成为入门热门读物。PyTorch 大会也设置了入门专场，包含 Associate 认证培训；Together AI 则面向开发者举办 Agentic Coding 推理引擎 Workshop。OpenAI 通过招募校园负责人为学生提供培训与资金支持，把动手实践下沉到校园场景。
当前焦点与观察点
围绕 Hands 的讨论目前集中在三点：其一，local hands 类模式如何平衡效率与本地权限安全；其二，云端大脑加本地执行是否成为 Agent 产品的标准架构，Cowork 等产品的落地将是重要验证；其三，Hands-On 教育资源（教程、书籍、认证、Workshop）能否跟上技术迭代速度。值得注意的争议在于，让模型直接操作本地环境意味着更高的信任门槛，厂商需要在自动化程度和用户可控性之间找到平衡。总体看，从“会思考”到“会动手”，Hands 正在成为衡量 AI Agent 实用性的核心维度。