OpenClaw、Claude Code、Hermes Agent 记忆系统比较

● ● ●

1. 背景与理论框架

1.1. 核心问题

大语言模型本身是无状态的——每次调用都从零开始，它不记得任何事情。这个根本约束决定了所有 Agent 框架都必须在模型外面搭一套记忆系统，并回答四个架构问题： 存什么、存在哪、怎么取、怎么管 。

1.2. 记忆的四个层次

Agent 记忆通常被划分为四种类型，其中 外部记忆 和 情景记忆 是三个框架差异最大的地方：

● ● ●

2. OpenClaw：文件系统即记忆

2.1. 核心设计

OpenClaw 的记忆架构建立在一个极简原则上： 没有写进文件的，不存在 。所有长期状态必须持久化到磁盘上的 Markdown 文件里，文件本身就是记忆的存储介质，也是人机协作的接口。

为什么选择文件而不是数据库？ 文件的人类可读性、手动可编辑性和 Git 版本可回溯性是数据库不具备的。代价是查询能力远不如数据库。

2.2. 三层记忆结构

这套分层设计的核心思想是： 模型不需要知道所有事，只需要知道此刻最相关的事 。

2.3. 检索机制：BM25 + 向量混合搜索

底层以 SQLite 为基础，建立 FTS5 全文索引和 sqlite-vec 向量索引，支持语义搜索与精确匹配的混合检索。向量维度为 1536，且具备优雅降级能力——如果没有安装向量扩展，系统回退到 JS 暴力计算。

2.4. 长期记忆演进：Dreaming 系统

OpenClaw 设计了一套名为 “Dreaming” 的后台记忆巩固系统，通过 Cron 定时任务自动运行，将短期信号逐步转化为长期记忆。Dreaming 由三个阶段组成，按顺序依次执行： Light → REM → Deep 。

• 
  
  Light ：识别当日日志中的关键信息

• 
  
  REM ：跨日志关联，发现模式和趋势

• 
  
  Deep ：将经过验证的模式写入长期 MEMORY.md

2.5. 核心痛点

• 
  
  记忆只进不出 ：OpenClaw 的 MEMORY.md 是纯追加模式，用几个月就膨胀成几万行的“怪兽文件”，患上了“数字囤积症”。

• 
  
  提炼依赖人工 ：从日志升级到长期记忆主要靠人手动维护，自动化程度有限。

• 
  
  记忆质量不稳定 ：写入决策完全由 LLM 自主判断，无结构化约束。

● ● ●

3. Claude Code：分层索引的 Hint 型记忆

3.1. 核心设计

Claude Code 的记忆系统定位为 Hint 型记忆 ，以项目为单位的文件系统方案，提供结构化分层组织。它没有一个庞大的知识库，而是将记忆划分为多个主题文件，通过一个索引文件串联。

3.2. 四层架构

用户写入的 CLAUDE.md 是静态的、预先设定的规则；而 Auto Memory 是动态的——Agent 在会话中发现有价值的信息时，会自动保存为 Markdown 文件。

3.3. 四种记忆类型

系统通过 memoryTypes.ts 严格定义了四种记忆类型，各有明确的作用域和存储规则：

每个笔记是独立的 Markdown 文件，MEMORY.md 充当索引——每行不超过 150 字符的简短标签指向详细文件，Claude 先读索引再按需拉取具体文件。

3.4. 存储路径

~/.claude/projects/<project-path>/memory/ ├── MEMORY.md          # 索引文件，每行一个条目指针 ├── user_role.md       # 用户的角色和技能 ├── feedback_testing.md # 测试规范的反馈 ├── project_auth.md    # 认证模块的决策 └── reference_linear.md # 外部工具引用

3.5. 核心痛点

• 
  
  200 行索引硬上限 ：最多约 200 条记忆，超出无法写入。

• 
  
  仅精确关键词匹配 ：搜索依赖关键词匹配，“port conflicts”搜不到“docker-compose mapping”。

• 
  
  记忆不出 Claude Code ：切换到其他 Agent 从零开始。

• 
  
  无中长期记忆桥接 ：Auto Dream 能处理几天内的杂讯，但无法跨越月级时间。

● ● ●

4. Hermes Agent：主动学习型的自进化记忆

4.1. 核心设计

Hermes Agent 的记忆系统是其“自我成长”能力的核心支撑。它设计得极为克制——核心记忆仅由 两个纯文本文件 承载，用 § 分隔条目：

~/.hermes/memories/ ├── MEMORY.md   # Agent 的个人笔记（环境事实、项目约定、工具怪癖） └── USER.md     # Agent 对用户的认知（偏好、沟通风格、工作习惯）

• 
  
  MEMORY.md ：限 2,200 字符

• 
  
  USER.md ：限 1,375 字符

这两个严格的上限产生了巧妙的设计效果：容量有限迫使 Agent 挑重要的事情记，不重要的自然被挤掉。与 OpenClaw 的“只进不出”形成鲜明对比——Hermes 通过硬约束迫使 Agent 做信息压缩，过时的自然被淘汰，留下的都是高密度事实。

4.2. 超限处理机制

当新记忆会导致超限时，Hermes 选择让 add 操作直接失败，并把当前所有条目返回给 LLM，让模型自己决策保留什么、删除什么——而非静默丢弃或自动压缩。这种设计赋予模型对记忆的完全掌控权。

4.3. 三层记忆架构

工作记忆层的 FTS5 检索引擎支持 TB 级上下文数据的毫秒级检索，辅以 LLM 生成的摘要，确保 Agent 能想起数周前的对话细节。

4.4. 主动触发与自我进化

Hermes 的最大区别在于 触发时机的主动性 。OpenClaw 是被动触发式记忆——用户说“记住”才会记；Claude Code 做到了主动记录，但底线是“对事不对人”。

而 Hermes 的记忆系统是 有机的 ：

• 
  
  自动记忆写入 ：Agent 自主判断哪些信息值得存入 MEMORY.md/USER.md

• 
  
  Skill 自主创建 ：当 Agent 调用 5 次以上工具、自我纠错或被用户纠正后，自动将成功经验蒸馏为结构化的 Skill 文件。如果后续发现更优路径，还会通过“补丁”方式优化已有技能

• 
  
  Nudge Engine ：定时提醒 Agent 回顾历史，检查是否有值得提炼的经验

• 
  
  用户建模（Honcho 引擎） ：感知用户的回复风格偏好（简洁 vs 详细）、领域背景（资深工程师 vs 初学者），实现“辩证式”用户理解

4.5. 记忆冻结快照

MemoryStore 维护两组平行状态——实时可写的条目列表和会话开始时冻结的快照。这种设计保证了前缀缓存效率——同一会话中 system prompt 不必反复变化。

● ● ●

5. 记忆压缩算法深度对比

记忆的“存储”只是手段，“记住该记的、忘掉该忘的”才是目的。三个框架在 压缩算法上的分歧 ，比存储结构上的分歧更本质——它直接决定 Agent 长期运行后的信息密度有多高。

5.1. OpenClaw：渐进式巩固（Dreaming 管线）

OpenClaw 不删除数据，而是通过 “巩固” 模拟人类睡眠的记忆加工过程，将原始日志逐级抽象。其压缩管线可抽象为三层提炼：

原始日志 (Daily Log)     │     ▼ Light : 提取当日实体、决策、关键事件，消除时间线冗余，生成结构化摘要     │     ▼ REM : 跨日志关联，合并重复事实，识别模式（如“用户总是拒绝 Docker 方案”）     │     ▼ Deep: 将高置信度模式蒸馏为持久记忆规则，写入 MEMORY.md

压缩策略特征 ：

• 
  
  算法类型 ：提取式摘要 + 多步关联推理，基于 LLM 提示链

• 
  
  核心机制 ：不丢弃任何原始数据，原始日志始终保留；上层提取物仅作为快捷索引

• 
  
  压缩比 ：无硬约束，压缩比取决于 LLM 输出长度，典型 20:1~50:1

• 
  
  信息丢失风险 ：极低（原始完整日志可回溯），但检索效率随日志膨胀而线性下降

• 
  
  遗忘控制 ：无主动遗忘机制，冗余信息通过人工清理实现

优劣 ：信息保真度最高，但“数字囤积症”是最大代价——三个月后 Agent 调取记忆需要扫描数万行日志。

5.2. Claude Code：索引合并 + 摘要头

Claude Code 的压力来自 200 行索引硬上限 。当记忆条目逼近阈值时，需执行压缩。其 Auto Dream 机制运作方式如下：

• 
  
  碎片合并 ：将多个内容高度重叠的笔记文件合并为一个概括性文件，原文件被新文件替代

• 
  
  生成摘要头 ：每个记忆文件开头生成一句不超过 150 字符的摘要行，作为索引条目

• 
  
  索引瘦身 ：合并后旧索引行删除，总索引行数不突破 200 行阈值

压缩策略特征 ：

• 
  
  算法类型 ：合并式压缩 + 提取式摘要，单向不可逆

• 
  
  核心机制 ：基于 LLM 的文本整合，产生一个“覆盖旧事实的新版本”，旧细节永久丢失

• 
  
  压缩比 ：强制遵守索引上限，驱动压缩频率；压缩比受条目数量驱动，无固定值

• 
  
  信息丢失风险 ：高，细节在合并中可能被平滑掉，特别是低频但重要的边缘案例

• 
  
  遗忘控制 ：类似“覆盖式遗忘”——新综合描述替代细粒度历史记录，无法回退

优劣 ：查询极快（索引文件仅 200 行），但语义保真度在迭代压缩中持续衰减，对长期跨项目知识积累不友好。

5.3. Hermes Agent：有界淘汰 + 模型自主裁剪

Hermes 的压缩由其 硬字符上限 驱动，不依赖后台定时任务，而是在记忆写入时实时判断。实现机制分两层：

• 
  
  原子写入失败触发 ：当 add 操作超过字符上限时，API 返回失败，同时将现有全部条目序列化后送入 LLM

• 
  
  模型自主决策 ：LLM 需要同时完成两件事——评估新记忆的重要程度，并从现有条目中 自选淘汰对象 。它可能选择： 直接丢弃新记忆（如果新信息重要性低） 删除一条旧的不再相关的条目（如一个已修复的工具 Bug 怪癖） 将两条高度相关的旧条目压缩合并为一条高密度表述，腾出空间 重新权衡全局优先级，进行大规模重排

压缩算法可以被形式化为一个受限优化问题：

给定现有记忆集合 M，每条记忆 m_i 有价值分数 s_i（LLM 自行评估），总字符约束 C_max，新记忆 m_new 的估计价值 s_new。求解子集 M’ ⊆ M ∪ {m_new}，满足 ∑ len(m_i) ≤ C_max 且 ∑ s_i 最大化。

压缩策略特征 ：

• 
  
  算法类型 ：淘汰式裁剪 + 信息高度浓缩，LLM 作为剪枝函数

• 
  
  核心机制 ：硬约束倒逼；淘汰在写入时刻 同步 完成，不依赖后台定时任务

• 
  
  压缩比 ：确定性的 2,200 / 1,375 字符硬分割，信息密度随时间持续上升

• 
  
  信息丢失风险 ：中等，且有“结构性遗忘”风险——被淘汰的条目不可恢复

• 
  
  遗忘控制 ：主动自然淘汰——旧的不相关记忆被新信息挤出，模仿人类有限记忆模型

对比 OpenClaw 的“只进不出”和 Claude Code 的“后台合并覆盖”，Hermes 的淘汰是显性、有记录且由模型全权决策的 ——每次决策都是一个完整的记忆管理对话回合。

5.4. 压缩算法三向对比

● ● ●

6. 三框架核心对比总览

● ● ●

7. 选型建议

三个框架的压缩算法分歧，本质上是对「完美记忆」与「有用记忆」的不同追求—— OpenClaw 保证你什么都不丢，Claude Code 保证你找得快，Hermes Agent 保证你记下的都是值得的 。没有绝对优劣，核心取决于你对 Agent 的定位：是一个需要你精心照料的无限记事本，还是一个能自己打理记忆、越用越懂你的智能伙伴。