OpenClaw,Hermes-Agent,Goose,继养虾养马之后开始养鹅了,github 49.5k Star

1.1 背景介绍

Goose 是由 GooseAI Agents 团队开发的一个可扩展、开箱即用的 AI Agent 开发框架，旨在让开发者能够快速构建、部署和管理生产级别的 AI Agent 应用。Goose 的设计理念强调模块化、可组合性以及对现实世界复杂任务的适配能力，不只是一个实验室原型，而是一个面向生产的完整解决方案。

Goose 的诞生背景：

• 2023—2024 年间，大语言模型（LLM）能力大幅跃升，行业对「Agent」的需求从概念验证走向生产落地。
• 当时的 Agent 框架（如 LangChain、AutoGPT 等）要么过于底层、学习曲线陡峭，要么过于简陋、无法处理复杂任务流。
• Goose 试图在这两者之间找到平衡：提供足够灵活的扩展机制，同时通过** Opinionated 的默认配置**让开发者能快速上手。

1.2 技术架构

Goose 采用分层模块化架构，核心组件包括：

┌─────────────────────────────────────────┐│            Agent Core                   ││   (规划、推理、记忆、工具调用)            │├──────────┬──────────┬──────────────────┤│  Memory  │ Planning │ Tool System      ││  记忆模块 │ 规划模块 │ 工具系统          │├──────────┴──────────┴──────────────────┤│         Provider Abstraction Layer     ││         (LLM Provider 抽象层)           │├─────────────────────────────────────────┤│   LLM Providers: OpenAI / Anthropic /   ││   Azure / Ollama / Gemini / Cohere ...  │└─────────────────────────────────────────┘

核心模块详解：

1.3 核心特点与创新点

1. 多 Provider 无缝切换
   
   ：通过抽象层，开发者可以在不修改业务逻辑的情况下更换底层模型（OpenAI ↔ Anthropic ↔ 本地 Ollama）。
2. Structured Output 原生支持
   
   ：内置 Pydantic 模式校验，确保 Agent 输出结构化、可预期，降低下游解析成本。
3. Tool Versioning & 安全
   
   ：工具注册到版本化注册表，每个工具可设置权限范围（白名单/黑名单），防止 Agent 误调用危险操作。
4. 内置监控与可观测性
   
   ：提供 Token 使用量追踪、调用延迟监控、Agent 决策路径回放等生产级能力。
5. 异步并发执行
   
   ：基于 asyncio 构建，支持多个工具/子任务并发执行，提升吞吐量。
6. 会话快照与恢复
   
   ：支持将复杂会话状态序列化保存，断点续传，适合长时任务。

1.4 适用场景

• 需要对接多个 LLM Provider 的企业级应用
• 复杂多步骤自动化流程（RPA+AI 混合场景）
• 需要对 Agent 行为进行精细审计与回放的生产系统

二、OpenClaw

2.1 背景介绍

OpenClaw 是由 Rootly 团队开源的 AI Agent 框架，其核心理念是 “Agent as a Service”（Agent 即服务）。OpenClaw 脱胎于 Rootly 自身的 SRE（Site Reliability Engineering）自动化场景，专注于用 AI Agent 自动化处理生产环境告警、事件响应、运维操作等高风险任务。

OpenClaw 的差异化定位：

• 运维/事件响应垂直场景
  
  ，而非通用 Agent 框架。
• 强调 Human-in-the-Loop（人在回路）——所有危险操作必须人工确认才能执行。
• 强调 可审计性——每一次 Agent 行为都有完整的操作日志和变更记录。

2.2 技术架构

┌──────────────────────────────────────────────┐│           OpenClaw Agent                     ││  (事件触发 → 诊断 → 修复建议 / 自动修复)       │├──────────────────────────────────────────────┤│  Tool Registry │ Executor │ Audit Logger    │├──────────────────────────────────────────────┤│  Incident Management Integration             ││  (PagerDuty, Opsgenie, Jira, Slack ...)     │├──────────────────────────────────────────────┤│  LLM: GPT-4 / Claude / Gemini                │└──────────────────────────────────────────────┘

与通用框架的显著区别：OpenClaw 的工具系统深度集成 Incident Management 生态（PagerDuty、Opsgenie），Agent 不仅能分析告警，还能直接创建工单、发送 Slack 通知、更新值班记录。

2.3 核心特点与创新点

1. 事件驱动架构
   
   ：Agent 由告警/事件自动触发，而非被动等待用户指令。
2. Safety Gates（安全门）
   
   ：高危操作（如重启服务、删除资源）必须经过多级审批流程，Agent 只能提出修复建议，不能直接执行。
3. Playbook 驱动的执行
   
   ：运维团队预先定义 Runbook（操作手册），Agent 在 Playbook 约束范围内行动，既保证效率又确保安全。
4. 深度可观测性集成
   
   ：原生对接 Datadog、Prometheus、Grafana 等监控工具，Agent 诊断过程透明可查。
5. 多租户与权限隔离
   
   ：适合大型企业 SRE 团队使用，不同团队的 Agent 互相隔离。

2.4 适用场景

• SRE 团队：自动化告警分类、根因分析、修复建议生成
• DevOps 流水线：自动化环境检查、部署验证、故障恢复
• 企业 ITSM：工单自动处理、知识库问答

三、Hermes-Agent

3.1 背景介绍

Hermes-Agent 由 NousResearch 团队开发，是一个自改进（Self-Improving）的 Agent 框架。与传统 Agent 框架不同，Hermes-Agent 强调 Agent 在执行任务过程中能够从失败中学习、自我优化决策策略，而不需要人工干预更新提示词或工作流。

Hermes 的研究背景：

• NousResearch 是较早探索 LLM Agent 自我改进能力的团队之一。
• 核心论文和实验围绕「Agent 如何通过环境反馈自主优化」展开。
• 目标是让 Agent 从「按固定提示词执行」进化为「能根据历史表现调整策略」。

3.2 技术架构

┌──────────────────────────────────────────────┐│           Hermes-Agent Core                  ││  Self-Evolution Loop:                       ││  执行 → 评估 → 策略更新 → 再执行              │├──────────────────────────────────────────────┤│  Experience Buffer │ Strategy Optimizer     ││  经验缓冲区          │ 策略优化器             │├──────────────────────────────────────────────┤│  Tool-use LLM │ Critic Model (可选)          │├──────────────────────────────────────────────┤│  Environment Feedback / RL Signal            │└──────────────────────────────────────────────┘

自改进机制详解：

Hermes 的核心是一个闭环学习系统：

1. Experience Buffer
   
   ：存储 Agent 在历史任务中的成功/失败案例、工具使用效果、决策路径。
2. Critic Model（可选）
   
   ：用一个小模型评估当前决策的质量，生成内部奖励信号。
3. Strategy Update
   
   ：基于历史经验调整 Agent 的决策偏好（如优先使用哪些工具、如何分解任务）。
4. 上线新策略 → 再次执行 → 观察效果 → 持续迭代
   
   。

3.3 核心特点与创新点

1. 自改进闭环
   
   ：无需人工干预，Agent 能从历史错误中学习并更新自身行为模式。
2. 经验回放机制
   
   ：类似强化学习中的 Experience Replay，Agent 可以从历史成功案例中复用策略。
3. Critic Model 双模型架构
   
   ：用独立的小模型评估主模型的决策质量，成本低于让大模型自我反思。
4. Flexible Tool Use
   
   ：工具调用无硬编码，Agent 根据任务动态选择和组合工具。
5. Memory-Enhanced Planning
   
   ：结合外部记忆模块，支持跨会话学习。

3.4 适用场景

• 需要 Agent 长期运行并持续优化自身表现的场景
• 动态环境中的自适应任务（如自动化的测试生成与修复）
• 研究型场景：探索 LLM Agent 的自我改进边界

四、三框架横向对比

4.1 基本信息对比

4.2 架构设计对比

4.3 核心能力对比

4.4 优劣势总结

Goose

• ✅ 优势：最通用、最灵活；多 Provider 支持好；生产功能完善（监控、断点恢复）；上手难度中等。
• ❌ 劣势：自改进能力缺失；垂直场景深度不足；工具系统虽完善但需要较多配置。

OpenClaw

• ✅ 优势：垂直场景深度极强（SRE/运维）；Safety Gate 设计严谨；可观测性优秀；多租户支持好。
• ❌ 劣势：场景过于垂直，不适合通用 Agent 场景；Playbook 约束降低了灵活性；Agent 无法自主执行高危操作。

Hermes-Agent

• ✅ 优势：自改进机制独树一帜；适合长期运行的自适应 Agent；技术理念前沿。
• ❌ 劣势：成熟度相对较低；生产功能（监控、安全）不完善；Critic Model 增加了资源消耗和延迟；不适合需要严格确定性行为的场景。

4.5 选型建议

五、技术趋势与总结

5.1 共同趋势

1. 多 Provider 抽象成为标配
   
   ：随着模型提供商多元化，框架层对 LLM 接口的统一抽象越来越重要。
2. 安全与可控性被提升到核心地位
   
   ：OpenClaw 的 Safety Gate 理念正在被更多框架借鉴。
3. 记忆与经验管理日趋成熟
   
   ：从简单会话历史到向量检索 + 经验回放，Agent 的「记忆」能力在快速进化。
4. 自改进能力从研究走向落地
   
   ：Hermes 代表的方向值得关注，但距离大规模生产应用仍需时间。

参考：

Goose GitHub: https://github.com/goose-ai-agents/goose

OpenClaw GitHub: https://github.com/rootlyhq/openclaw

Hermes-Agent GitHub: https://github.com/NousResearch/hermes-agent

Dev.to 技术博客: Hermes-Agent vs OpenClaw 对比分析

FutureAGI 博客: OSS Agent Frameworks 2026 盘点