夜雨聆风👇 点击左下角 关注 → 获取大厂最新技术动态
装完 Hermes，我把 OpenClaw 卸载了
Hermes Agent 来势汹汹，被很多大佬视为 OpenClaw 以来第一个真正意义上的竞争对手。它赌的是 Agent 自己进化——自己写 Skill、自己用 Skill、自己改 Skill。
Hermes Agent - 让 AI 自己养自己
一、Hermes Agent 的崛起
Hermes Agent 近期在开发者社区快速走红，获得大量推荐。在技术圈被广泛评价为OpenClaw 之后最具竞争力的对手。
亲自部署体验后，发现其设计理念颇有新意。深入研究架构后，最直观的感受是：它在尝试将 Harness 工程自动化交给 Agent 完成。
二、Harness Engineering 的演变
此前多篇关于 Harness Engineering 的文章都指向一个结论：真正的核心竞争力并非模型本身，而是模型之外的工程能力。
Anthropic 明确提出：别再等待下一代模型，现在就开始构建 Harness！Anthropic 产品负责人直言：PRD 时代结束，原型驱动才是王道。Anthropic 还指出：传统 Harness 方法已经落后，做好这三点就够了OpenAI 写 AGENTS.md，Stripe 写 Blueprint，Anthropic 校准 evaluator。工程师的角色从写代码转向制定规则。
而 Hermes 的创新在于，它将制定规则的任务也委托给了 Agent。
三、Hermes 的核心创新
当 Hermes 完成一个复杂任务（通常涉及五次以上工具调用），会把整个过程沉淀成一份结构化的 Skill 文档，以 Markdown 格式保存，并遵循 agentskills.io 的开放规范。再次遇到相似任务时，直接复用已有 Skill，无需重复构建。
更关键的是，Skill 具备自我进化能力。Agent 执行时发现更好的方法，自动更新文档。
💡 核心差异：OpenClaw 同样拥有技能体系，但采用 ClawHub 技能市场模式——由人类开发者编写 Skill，社区共同贡献，Agent 负责调用。而 Hermes 走的是全自动路线——Agent 自主编写 Skill、自主使用 Skill、自主优化 Skill。本质上是 AGENTS.md 的自动化实现。
这或许就是 Hermes 能在 OpenClaw 之后依然走红的关键所在。功能层面两者高度重叠，但 Hermes 赌的是Agent 自己进化。
Hermes vs OpenClaw 功能对比
四、上手安装指南
部署流程极为简便，只需一条命令：
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash安装完成后执行两项验证：
hermes version
hermes doctor随后进入配置向导：
hermes setup
Hermes 设置向导检测到 OpenClaw 安装
模型选择用 hermes model，交互式选择，支持 OpenRouter、Nous Portal、任意 OpenAI 兼容端点。
模型选择界面 - 支持智谱/Kimi/MiniMax 等国产大模型
接入 Telegram 仅需 5 分钟。在 Telegram 中搜索 @BotFather，创建机器人获取 token，随后执行：
hermes gateway setup # 选 Telegram，贴 token
hermes gateway # 启动不妨测试一个稍有难度的任务，比如"帮我看一下 GitHub 现在 trending 的前 5 个项目，总结一下每个有什么意思"。
Hermes 能力展示 - 支持信息获取、编程开发等任务
执行完毕后查看 Skill 目录：
ls ~/.hermes/skills/若任务足够复杂，此时目录下会新增一个 Markdown 文件——这便是 Agent 自主生成的 Skill。
部署在 VPS 即可满足需求，无需本地推理，仅负责管理 Agent 进程、终端会话和记忆存储。内置 OpenAI 兼容接口，能够直接对接 Open WebUI。24/7 运行的话：
hermes gateway install # 装成 systemd 服务
systemctl status hermes-gateway # 确认状态详细信息可查阅官方文档：https://hermes-agent.nousresearch.com/docs/getting-started/quickstart
五、回到 Harness
拆解 Hermes 的设计逻辑：
- Skills = Agent 自己写的 AGENTS.md
- 记忆 = Agent 自己管的上下文
- 审批 = Agent 自己的 evaluator 边界
- closed learning loop = Harness 的自动化反馈循环
先前的分析指出：Harness 的可能性边界并未收缩，只是在不断迁移。每新一代模型发布，都需要重新评估哪些约束依然有效。Hermes 的思路是：既然 Harness 要持续演化，那让 Agent 自己来。
这或许也说明了为何 Hermes 能在 OpenClaw 之后依然获得关注。OpenClaw 聚焦于连接层：帮助 Agent 对接各类渠道、调用各类工具。但连接建好之后，下一个问题自然就是：Agent 能不能自己变强？
💡 选型建议：若 OpenClaw 已能满足需求，无需刻意切换。若需要多渠道支持和成熟的技能市场，OpenClaw 的生态更为完善。若追求 Agent 的长期自我进化、越用越智能，Hermes 更为适合。
六、写在最后
OpenClaw 的目标是让每位用户都能拥有自己的 AI 助手。Hermes 的愿景是让 AI 实现自我维护和进化。
倘若 Agent 真能自主制定规则、管理记忆、划定安全边界，那么 Harness Engineering 的最终形态，或许不再是人类编写 Harness。而是 Harness 实现自我构建。
🔥 感谢点赞 · 分享 · 喜欢，您的支持即动力
👇 点击左下角 关注 → 大厂技术动态早知道
