夜雨聆风我让 OpenClaw 学会了 Hermes 的自我进化能力
昨天我扔给 OpenClaw 一个链接——Hermes Agent 的文档。
https://github.com/nousresearch/hermes-agent我跟它说："这个能力不错，帮我分析一下，然后复现到 OpenClaw 里。"
它没有安装 Hermes。它直接写了一个 Skill。
───
01
Hermes 是什么？简单说，是一个能"自己学会新技能"的 AI Agent——你教它一次，它就记住了，下次遇到类似问题，它自己调用这个技能，不再需要你重复讲一遍。
核心机制分两块：
Memory System：它有一份自己的记忆库，每次任务结束后自动把值得记住的东西写进去。记忆分两层——基础记忆（Frozen Snapshot，会话开始时固定注入一次，后续不变），和工作记忆（会话中动态追加）。
Skills System：技能是按需加载的知识文档，存在固定目录里，按需读取。技能还有三级披露机制——先只加载名字和描述（L0），确认要用了再加载完整内容（L1），有子文件再加载 L2。这套设计是为了省 Token。
两者联动：记忆里积累多了，Agent 自动判断——这段经验值得固化成一个技能，于是当场写成文档。下次遇到同类问题，技能自动触发。
这就是 Hermes 的自我进化闭环。
───
02
那我为什么不直接装 Hermes？
因为 OpenClaw 已经有一套自己的架构。Memory 系统有（MEMORY.md + memory_search），Skills 系统有（skills 目录 + find-skills），跨会话召回也有（语义搜索）。OpenClaw 的问题不是缺能力，是缺一个自动触发技能创建的决策引擎——Hermes 的核心创新在这里，而不是在那些具体实现上。
OpenClaw 不需要装第二个 Agent。它需要的是让自己"学会什么时候该把经验写成技能"。
我跟 OpenClaw 说：已有的能力保留，没有的能力你给我补全。
───
03
它分三步干的。
第一步：做 Diff。
它把 Hermes 的每个能力和 OpenClaw 现有的逐一对比，筛掉重复的。结论很清楚：
OpenClaw 已经比 Hermes 强的：多渠道（微信/飞书/Telegram）、MCP 插件系统、代码执行、图片/视频生成、多模型路由。Hermes 的 Memory 和 Skills 系统，OpenClaw 有等价实现，只是没有自动触发那层。
OpenClaw 真正缺的：三样东西——Session 自动摘要、Skill 版本追踪、Session Rating。
它把这三样全部写成了脚本，装进了 OpenClaw 的 Skills 系统里。
第二步：写决策引擎。
这是最关键的部分。OpenClaw 原来没有"什么时候该把经验写成技能"这套判断逻辑。它现在有了。
触发条件是这些：任务用了 5 个以上工具调用、用户中途纠正了方法、调试了 3 步以上才找到解法、同一个模式出现两次以上、用户主动说"记住这个"。
满足任一条，决策引擎启动，问自己一个问题："这段经验，我能不能描述清楚，让未来的自己不再重复踩坑？"
能——当场写 SKILL.md。不能——轻量记录到 TASK_SUMMARIES，留着以后再看。
第三步：形成闭环。
复杂任务 → 自判能否生成技能 → YES 就写 SKILL.md → 下次遇到同类问题 find-skills 找到它 → 执行过程中发现改进点 → 更新 Improvement Log。
整个过程不需要我干预。它自己驱动自己。
───
04
具体落地了三套东西。
nudge-skill-evaluator：轻量计数器，每个工具调用后 +1，达到阈值触发 Evaluate。OpenClaw 没有 Hermes 那样的内部 Hook，Agent 自己计数来补偿这个差距。
# nudge-skill-evaluator.sh（每个 tool call 后 +1）COUNTER_FILE="/root/.openclaw/workspace/.learnings/.nudge_counter"NUDGE_THRESHOLD=5case "$1" inincrement)COUNT=$(grep -o '"count": [0-9]*' "$COUNTER_FILE" | grep -o '[0-9]*')echo "{\"count\": $((COUNT + 1))}" > "$COUNTER_FILE";;check)if [ "$COUNT" -ge "$NUDGE_THRESHOLD" ]; thenecho "TRIGGER" # 达到阈值 → 立即启动 Evaluatefi;;esac
auto-skill-creator：决策引擎，YES/NO 标准：
## 触发评估（满足任一）- 5+ tool calls- 用户纠正了方法- >3 步调试才找到解法- 同一模式出现 2+ 次- 用户说"记住"## YES 条件（满足任一）- 可复用（非一次性的问题）- 非显而易见（文档里不容易找到）- 能教会别人- 省时间（花了 >10 min）- 触发时机清楚- 能防错
## YES 条件（满足任一）
## 触发评估（满足任一）- 5+ tool calls- 用户纠正了方法- >3 步调试才找到解法- 同一模式出现 2+ 次- 用户说"记住"## YES 条件（满足任一）- 可复用（非一次性的问题）- 非显而易见（文档里不容易找到）- 能教会别人- 省时间（花了 >10 min）- 触发时机清楚- 能防错
如果答案是 YES，当场创建 SKILL.md：
## 触发评估（满足任一）- 5+ tool calls- 用户纠正了方法- >3 步调试才找到解法- 同一模式出现 2+ 次- 用户说"记住"## YES 条件（满足任一）- 可复用（非一次性的问题）- 非显而易见（文档里不容易找到）- 能教会别人- 省时间（花了 >10 min）- 触发时机清楚- 能防错
session-rating：用户给每次会话打 1-5 分，高分 session 里的技能获得更高推荐权重。
# 1 = 失败，浪费时间# 2 = 不如预期# 3 = 可接受# 4 = 好，skill 有帮助# 5 = 极佳，节省大量时间bash session-rating.sh rate agent:main:main 4# 写入 ~/.learnings/.session-ratings.jsonl{"ts":"2026-04-15T11:30:00Z","session":"agent:main:main","score":4,"skills":"auto-skill-creator"}
高分技能自动排在推荐前列：
bash session-rating.sh recommend# Skill Avg Count Priority# auto-skill-creator 4.7 12 HIGH# hermes-evolution 4.5 8 HIGH
三套 Cron 兜底：每天扫 session 写摘要、每周生成新技能、每周一优化现有技能。忙的时候有提醒，不忙的时候靠自然触发。
───
05
现在 OpenClaw 的 Skills 目录里有了一个新技能，叫 auto-skill-creator。
它的描述是这样写的：
OpenClaw implementation of Hermes-style skill self-creation engine. After complex tasks, automatically evaluates whether the workflow can become a reusable skill, then creates or updates SKILL.md.这不是安装了一个插件。这是它自己学会的。
你扔给它一个外部系统的能力描述，它分析现有的能力图谱，找到真正缺的缺口，然后用自己的工具链把它实现出来。
这件事本身，可能比那个具体实现更有意思。
