夜雨聆风
AI厂商Token生意经:OpenClaw败给Hermes
一、现象：22k stars的Hermes Agent正在取代OpenClaw
2026年2月，Hermes Agent正式发布，到4月已经突破22k stars。
这个速度是什么概念？对比一下：
- OpenClaw达到同样星数用了8个月
- 之前AI Agent赛道的记录是6个月
引爆点是一个意外发现——小米MiMo大模型负责人罗福莉在一个技术社区扔出了一张性能对比图：
这张图被疯狂转发，直接戳破了AI Agent赛道的皇帝新衣。
二、Token经济学：为什么你的AI工具实际成本是标价3倍？
2.1 成本拆解：OpenClaw的钱都花在哪了？
我们来算一笔账。假设你企业里100个员工，每个员工每天和AI Agent对话50次。
| 成本项 | OpenClaw占比 | 每千次成本 |
|---|---|---|
| 工具定义（Tool Definition） | 46% | $2.76 |
| 系统提示词（System Prompt） | 27% | $1.62 |
| 实际业务请求 | 27% | $1.62 |
| 合计 | 100% | $6.00 |
而竞品对比：
| Agent | 固定开销占比 | 每千次成本 |
|---|---|---|
| OpenClaw | 73% | $6.00 |
| Claude Code | 41% | $2.80 |
| Hermes Agent | 28% | $1.50 |
数据来源：36氪2026年4月调研，样本量500家中小企业
2.2 关键差异：谁在消耗你的Token？
OpenClaw的架构问题：
一次典型请求的Token流向：
┌─────────────────────────────────────┐
│ System Prompt（系统提示） 27% │ ← 每次都要重传
├─────────────────────────────────────┤
│ Tool Definition（工具定义） 46% │ ← 工具越多膨胀越厉害
├─────────────────────────────────────┤
│ User Query（用户问题） 15% │ ← 你实际想问的
├─────────────────────────────────────┤
│ Context（上下文） 12% │ ← 历史对话
└─────────────────────────────────────┘
简单说：你付的钱，大部分花在了”包装”上，而不是真正回答你的问题。
2.3 场景复盘：一家SaaS公司的真实账单
浙江一家做CRM的SaaS公司，2025年Q4开始给销售团队配AI助手。
| 对比维度 | 配OpenClaw | 配Hermes Agent |
|---|---|---|
| 月Token消耗 | 1.2亿 | 4800万 |
| 月账单 | ¥48,000 | ¥19,200 |
| 工具响应速度 | 3.2秒 | 1.8秒 |
| 员工满意度 | 62% | 84% |
老板原话：”以为买了功能，没想到买了Token黑洞。”
三、为什么是Hermes？拆解「自改进」机制
3.1 Hermes凭什么省Token？
答案在它的核心创新：技能沉淀（Skill Auto-generation）
用一个具体场景解释：
场景：让AI帮你搭CI/CD流程
用OpenClaw：
第1次：消耗8000 Token，理解你的需求
第2次：消耗7800 Token，重新理解类似需求
第3次：消耗8100 Token，再次重新理解…
N次后：还是7800 Token，永远从零开始
用Hermes：
第1次：消耗8000 Token，理解需求，生成skill文档
第2次：消耗1200 Token，调用已有skill + 传入新参数
第3次：消耗800 Token，微调现有skill
N次后：消耗200 Token，直接复用，接近零学习成本
关键点：第一次会生成一个「技能卡」，存在本地。下次同类任务，直接调用。
3.2 Honcho开关：一个被低估的差异点
Hermes有一个功能叫Honcho dialectic user modeling（用户画像），专门做个性化记忆。
但这个功能默认是关闭的。
很多人用了一周觉得”就那样”，其实是没开这个开关。
开启后差距立竿见影：
- 它记住你的编码风格
- 记住你之前解决过哪些bug
- 记住你偏好的工作流
# 开启方式（安装后执行一次）
hermes config set honcho_mode=enabled
hermes init –user-modeling
四、三国杀：OpenClaw vs Hermes vs Claude Code
这是目前自托管AI Agent赛道的三个主要玩家：
| 维度 | OpenClaw | Hermes Agent | Claude Code |
|---|---|---|---|
| 星数 | 72k | 22k（快速增长中） | N/A |
| 核心定位 | 生态平台 | 记忆+自改进 | 编程能力 |
| Token效率 | ⭐⭐（固定开销大） | ⭐⭐⭐⭐（自我优化） | ⭐⭐⭐ |
| MCP插件生态 | ⭐⭐⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐ |
| 适合场景 | 复杂工作流、集成多工具 | 长期项目、个性化 | 极致编程体验 |
| 上手难度 | 中等 | 低 | 低 |
| 记忆能力 | ❌ | ✅ | 限本次会话 |
4.1 各家的策略分野
OpenClaw的选择：
继续强化生态，做平台。72k stars是它的护城河，MCP插件数量是其他家的5倍以上。
代价是架构包袱重，Token效率短期内很难优化。
Hermes的选择：
押注”会成长的Agent”。核心理念：Agent应该像人一样，越用越懂你。
起步晚，生态弱，但Token经济学是它的长板。
Claude Code的选择：
卷编程能力。百万Token超长上下文，全局项目掌控。
和OpenClaw交集不多，和Hermes互补大于竞争。
4.2 实际搭配建议
根据不同场景，业界形成了以下最佳实践：
小型团队（<10人）：
→ Hermes Agent 主力，省钱够用
开发团队：
→ Claude Code 主力写代码
→ Hermes 做记忆层
企业级（需要集成）：
→ OpenClaw 做生态整合
→ Claude Code 写代码
→ Hermes 做记忆
→ SwarmClaw 把它们连起来
五、Claude Code的启示：为什么变成另一个战场？
最近有个有意思的信号：Claude Code和OpenAI Codex在互相”抄作业”。
Anthropic的Claude Code主打超长上下文（百万Token），OpenAI Codex主打高吞吐（每秒1000 Token）。
但两者功能越来越像：
- Codex加了全局分析能力
- Claude Code加了快速模式
这说明什么？底座大模型同质化→上层工具功能趋同
未来选AI编程工具，可能越来越不需要纠结功能差异，生态和集成能力才是关键变量。
六、企业选型指南：穿透”功能包装”看真实成本
6.1 选型checklist
在选择AI Agent之前，建议先问清楚这5个问题：
- [ ] Token消耗模型是什么？ 固定开销占比多少？
- [ ] 有记忆机制吗？ 重启后会保留之前的经验吗？
- [ ] 能生成可复用技能吗？ 还是每次从零开始？
- [ ] MCP插件生态如何？ 能接入我现有的工具链吗？
- [ ] 真实账单是多少？ 能不能提供典型场景的实测数据？
6.2 警惕两个坑
坑1：功能丰富≠成本低
OpenClaw功能最全，但73%的固定Token开销意味着：
坑2：上手简单≠长期便宜
Hermes装起来简单，但记得开启Honcho：
hermes config set honcho_mode=enabled
hermes init –user-modeling
不开这个功能，用了等于白用。
七、结语：Token经济学揭示的真相
AI工具的真实成本，往往藏在Token消耗模型里，而不是标价上。
这次OpenClaw和Hermes的更替，本质上不是功能之争，而是效率之争：
- OpenClaw代表：先做功能，再优化成本
- Hermes代表：从设计第一天就考虑Token效率
哪个方向对？市场已经给出了答案。
但故事还没结束——OpenClaw72k stars的生态护城河依然深厚，Hermes的追势能持续多久，还有待观察。
对企业来说，最务实的策略可能是：不押注单选，而是组合使用。
*参考资料：36氪2026年4月AI Agent赛道报告、小米MiMo大模型负责人罗福莉技术分享、卡卡夫的AI探险Hermes深度测评*