AI Agent 的记忆战争:OpenClaw vs Hermes vs QwenPaw vs HiClaw,谁真正＂记得住＂?

在理解了记忆机制的通用原理之后，最关键的问题来了：当前主流的开源 Agent，到底是怎么实现记忆的？它们之间有什么本质差异？

本文将四大主流 Agent——OpenClaw、QwenPaw、Hermes Agent、HiClaw——的记忆系统逐层拆解，从存储架构、检索策略、写入机制到核心设计哲学，做一次彻底的横向对比。

一、四大 Agent 一句话定位

二、记忆架构逐层对比

🧠 2.1 存储架构对比

🔑 核心差异：OpenClaw 和 QwenPaw 走”向量化”路线，Hermes 故意不用向量库，用 FTS5 + LLM 摘要实现”轻量级语义检索”——这是 Hermes 最独特的设计选择。

🔍 2.2 检索策略对比

| 检索效果对比 | OpenClaw | Hermes Agent | QwenPaw | |————-|———-|————–| | 语义理解深度 | ⭐⭐⭐⭐⭐（向量检索） | ⭐⭐⭐（FTS5 + LLM 摘要） | ⭐⭐⭐⭐（向量 + LLM） | | 精确匹配能力 | ⭐⭐⭐⭐（BM25 保留） | ⭐⭐⭐⭐⭐（FTS5 关键词强） | ⭐⭐⭐⭐ | | 部署复杂度 | ⭐⭐⭐（需 LanceDB） | ⭐⭐⭐⭐⭐（零额外依赖） | ⭐⭐⭐ | | 检索成本 | 中（Embedding 计费） | 低（纯 SQLite） | 中 |

✏️ 2.3 记忆写入机制对比

🔄 2.4 记忆生命周期对比

┌─────────────────────────────────────────────────────────────────┐
│                    OpenClaw 记忆生命周期                         │
│                                                                   │
│  会话开始 → 加载 MEMORY.md + 最近2天 daily.md → 注入 System     │
│     │                                                             │
│     ▼                                                             │
│  每轮对话 → messages 追加 → 上下文累积                            │
│     │                                                             │
│     ▼                                                             │
│  上下文压缩 → Memory Flush → LLM 提炼 → 写入 MEMORY.md          │
│     │                                                             │
│     ▼                                                             │
│  会话结束 → session 快照写入 memory/YYYY-MM-DD.md → 索引增量更新   │
│     │                                                             │
│     ▼                                                             │
│  跨会话 → memory_search() 语义/关键词检索 → 注入上下文             │
└─────────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────────┐
│                    Hermes Agent 记忆生命周期                       │
│                                                                   │
│  会话开始 → 加载 MEMORY.md + USER.md → 拼接为 System 前缀         │
│     │                                                             │
│     ▼                                                             │
│  每轮对话 → MemoryStore 双状态：快照不动 + 实时状态落盘             │
│     │                                                             │
│     ▼                                                             │
│  每 120 秒 → Memory Nudge 提醒 → Agent 判断是否保存               │
│     │                                                             │
│     ▼                                                             │
│  上下文压缩 → ContextCompressor 五阶段 → flush_memories()        │
│     │                                                             │
│     ▼                                                             │
│  失败/纠错 → KEPA 反向传播 → 更新技能定义 + 提示模板               │
│     │                                                             │
│     ▼                                                             │
│  跨会话 → session_search (FTS5) → LLM 摘要 → 注入上下文           │
└─────────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────────┐
│                    QwenPaw 记忆生命周期                            │
│                                                                   │
│  Agent 初始化 → load_agents() → 每个 Agent 加载独立 memory        │
│     │                                                             │
│     ▼                                                             │
│  Agent Loop → read memory → Planner 决策 → executor 执行          │
│     │                    │                                         │
│     │                    ▼                                         │
│     │              write back memory                               │
│     │                                                             │
│     ▼                                                             │
│  Multi-Agent → 消息通信 → 记忆共享（通过消息传递上下文）             │
│     │                                                             │
│     ▼                                                             │
│  Mission Mode → 任务拆解 → 子 Agent 执行 → 结果整合 → 记忆沉淀     │
└─────────────────────────────────────────────────────────────────┘

三、核心设计哲学对比（最关键的差异）

四、记忆能力详细对比表

五、记忆写入流程深度对比

OpenClaw 的写入

Agent 调用 memory 工具
    │
    ▼
LLM 提炼关键信息
    │
    ▼
写入 MEMORY.md（长期）或 memory/YYYY-MM-DD.md（短期）
    │
    ▼
SQLite 索引增量更新：
  ├── 文件 hash 对比 → 没变就跳过（省钱）
  ├── chunk 重建 → tokens*4 字符分块
  ├── embedding 缓存复用 → 避免重复计费
  └── id = sha256(source:path:line:chunk.hash:provider.model)
       → ON CONFLICT DO UPDATE

Hermes 的写入

每 120 秒 Memory Nudge 触发
    │
    ▼
Agent 判断：是否有值得保存的内容？
    │
    ├── 是 → 调用 memory 工具 → 字符截断 → 写入 MEMORY.md / USER.md
    │         └── 截断规则：MEMORY.md ≤2200 chars，USER.md ≤1375 chars
    │
    └── 否 → 跳过（只有"忘记保存"的 Agent 才会被提醒）
    │
    ▼
ContextCompressor 触发（上下文达阈值）：
  Phase 1: 工具输出裁剪
  Phase 2: 头部保护（保留关键指令）
  Phase 3: 尾部 token 预算
  Phase 4: LLM 摘要
  Phase 5: flush_memories() → 用户角色消息注入
    │
    ▼
KEPA 反向传播（仅失败/纠错时）：
  失败点定位 → 生成替代提示 → 更新技能定义 → 写入长期记忆

QwenPaw 的写入

Agent Loop 每轮：
  ┌──────────────────────────────┐
  │  read memory → think → act   │
  │       ↑              │       │
  │       └── write back ┘       │
  └──────────────────────────────┘
    │
    ▼
Mission Mode（自动任务）：
  目标 → 任务拆解 → 子 Agent 执行 → 结果整合 → 记忆沉淀
    │
    ▼
Multi-Agent 协作：
  Agent A 完成 → 消息 → Agent B 接收（上下文即记忆传递）

六、检索注入流程深度对比

七、实战场景对比：谁更适合什么？

八、一张图总结四大 Agent 记忆系统

                    记忆能力光谱

  语义检索强度 ←──────────────────────────→ 精确检索强度

  OpenClaw [████████████░░] 向量+关键词混合，最均衡
  QwenPaw [███████████░░░] 向量为主，协作增强
  Hermes  [██████░░░░░░░░] FTS5+摘要，精确为主
  HiClaw  [█████░░░░░░░░░] 关键词为主，Manager统筹


  记忆进化能力 ←──────────────────────────→ 部署简单度

  Hermes  [██████████████] KEPA+Honcho，进化最强
  OpenClaw[███████████░░░] 记忆刷新，中等进化
  QwenPaw [████████░░░░░░] Skill沉淀，协作进化
  HiClaw  [██████░░░░░░░░] 架构复杂，进化有限


  ┌──────────────┬──────────────┬──────────────┬──────────────┐
  │   OpenClaw   │  Hermes      │   QwenPaw    │   HiClaw     │
  ├──────────────┼──────────────┼──────────────┼──────────────┤
  │ 插件化后端   │ 自进化个体   │ Agent OS     │ 多Agent协作  │
  │ SQLite+MD   │ 四层记忆栈   │ 每Agent独立  │ Claw隔离     │
  │ LanceDB向量  │ FTS5+LLM摘要 │ 向量+LLM     │ 关键词检索   │
  │ 全量记录     │ Agent策展    │ Planner驱动  │ Manager统筹  │
  │ memory-sdk   │ KEPA反向传播 │ Multi-Agent  │ Matrix通信   │
  │ 生态最开放   │ 越用越懂你   │ 本地优先     │ 企业级架构   │
  └──────────────┴──────────────┴──────────────┴──────────────┘

九、核心结论

🔥 2026 年的趋势判断：Hermes 的”Agent 策展 + KEPA 反向传播”代表了 Agent 记忆的未来方向——不是记得越多越好，而是 Agent 自主决定什么值得记、怎么记、怎么用。OpenClaw 的 memory-host-sdk 生态则代表了另一个方向——记忆标准化、可插拔、跨 Agent 互通。两者融合，才是最优解。

核心公式（更新版）