Hermes / OpenClaw:我现在的粗浅对比

很多人会把 Hermes（/ˈhɜːrmiːz/，常读“赫尔蜜兹”）和 OpenClaw 放在一起比较，我自己看下来，这个比较角度是对的。  

因为两者都能做 Agent，都能接工具、接平台、帮你完成任务，但它们优化的“第一目标”并不一样。

如果用一句话概括：  

OpenClaw 更像“把能力快速接进来并跑起来”的框架，Hermes 更像“让同一个 Agent 长期变强”的框架。

换个更常见的说法，Hermes 可以归到“自进化 Agent（Self-Evolving Agent）”这一路：  

不是每次任务做完就归零，而是把执行过程里的有效方法沉淀成可复用经验，再在后续任务里持续修正和强化。

下面我先从对比视角把差异讲清楚，再讲它具体是怎么做到的。

第一，架构重心不同。  

OpenClaw 的优势在网关能力、生态拼装和工具覆盖；Hermes 的优势在统一执行内核（`AIAgent`）、记忆链路和技能沉淀。  

前者更像先把“能做的事”铺开，后者更像先把“同一件事越做越好”打穿。

第二，知识维护责任不同。  

OpenClaw 体系下，很多高质量效果依赖你写好 workspace 规则、选好 skills、持续维护；Hermes 也支持手动配置，但更强调任务后自动沉淀经验，尽量降低“人肉维护成本”。

第三，隔离模型不同。  

OpenClaw 常见做法是用 workspace 来隔离不同 agent；Hermes 这边更像“双隔离”：代码层用 git worktree 隔离改动，agent 状态层用 profile 隔离配置、记忆、会话、技能和网关进程。  

所以 Hermes 不是没有隔离，而是把隔离拆成了“代码隔离 + 身份隔离”两个维度。

差异讲完之后，再看 Hermes 的内部链路就更容易理解了。

Hermes 的执行主线是一个统一循环（`AIAgent`）：  

接收需求 -> 组装上下文 -> 模型推理 -> 判断是否调用工具 -> 执行工具 -> 回写结果 -> 输出回复。  

CLI、消息网关、定时任务、编辑器接入，基本都复用这条主线。这个设计的价值是能力一致，行为可预期。

另外一个容易被忽略、但很关键的点是：Hermes 的 skill 不是“装完就不变”的。  

它会在任务执行中把有效路径沉淀成技能，在后续同类任务里继续复用；如果新一轮执行出现了更优步骤，系统会对已有技能做增量修正（patch），而不是每次推倒重来。  

这也是我为什么会把它归到“自进化 Agent”路线：它在进化的不是聊天语气，而是任务方法本身。

再往下看，记忆在 Hermes 里不是附加功能，而是核心机制。  

如果按 L0-L4 看它的记忆链路，大概是这样：

L0：当前任务上下文  

当前轮次的用户输入、模型思考、工具调用结果，热度最高、响应最快。

L1：冻结记忆（`MEMORY.md` / `USER.md`）  

高频稳定信息，每次会话启动时作为快照注入，保证偏好和关键事实连续。

L2：会话检索层（SQLite + FTS5）  

L1 不够时，从历史会话里检索相关内容，再做摘要回填当前任务。

L3：技能层（Skills）  

沉淀“怎么做”的程序性经验。一般先做索引匹配，命中后再按需加载完整技能内容。

L4：外部记忆提供层（可选）  

比如 Honcho、Mem0 等，用于更重度的长期画像、语义记忆或知识图谱能力补充。

这条链路的关键不是“层数多”，而是分层递进：  

先用成本低、延迟低、稳定性高的层，不够再逐层下探。这样才能在长期使用里同时兼顾质量、延迟和 token 成本。

回到最开始和 OpenClaw 的对比，我的结论是：

如果你要的是“快速接入、多平台、多工具、开箱就能跑”，OpenClaw 的路径很直接。  

如果你要的是“同一个 Agent 跑久了越来越懂你、重复任务越做越稳”，Hermes 这套执行内核 + 记忆链路会更有复利。