OpenClaw vs Hermes 对比

Hermes 的”自动学习”不靠模型微调，而是靠 Prompt Engineering + 文件持久化实现的”驾驭层工程”。

📝 文章核心要点

一、OpenClaw vs Hermes 对比

这篇文章把 OpenClaw 定位为”不知疲倦的执行者”，但”不会沉淀经验”——这倒是个有意思的对比视角。

二、三大核心机制

2.1 四维持久记忆 + 冻结快照

• 身份记忆 (IDENTITY)、状态笔记 (MEMORY.md)、程序性记忆 (SKILL.md)、对话历史 (History)、
• 冻结快照：会话开始时锁定 MEMORY.md 和 SKILL.md，防止任务执行中 Prompt 突变导致逻辑崩溃

2.2 Spec as Code：零代码技能创造

• Skills 管理完全抽象为 Markdown 的增删改查
• 纯自然语言描述，安全审计只需读 Markdown

2.3 KEPA 引擎：”提示词”的反向传播

• 类比梯度反向传播更新权重，Hermes 用经验反向传播更新驾驭层策略
• 后台审查 Agent（极轻量，最多 8 次调用）判断操作是否有复用价值
• 不需要向量数据库，不需要 RLHF

三、优势与局限

优势：极低算力成本、白盒化资产、跨模型无缝迁移（GPT → DeepSeek 直接平移）

局限：提纯质量依赖模型上限需人工确认；基于快照设计，经验要下一轮才生效

四、结论

过去的 Agent 像外包员工（做完就走，不长记性）；基于驾驭层的 Agent 是企业全职骨干。