AI Agent选择之旅：从OpenFang、ArkClaw、OpenClaw到Hermes Agent

有人说现在是人类历史上最好赚钱的机会，但是窗口期只剩12-24个月，或许更短。从2022年年底ChatGPT横空出世，到各个大厂的大模型百花齐放，再到2026年初，OpenClaw、Hermes等AI Agent让大模型不再只是一个顾问、专家，而是成了切切实实能帮你干活做事的生产力工具。

在一次午饭的时候，朋友感慨道：现在正是AI时代的开端，当年互联网时代我们的父母没有把握住机会，现在换成我们自己站在风口浪尖，我们能把握住这个机会吗？我希望我的答案是是，所以常常会有一种时不我待的紧迫感。谨以此文与希望拥抱AI时代的志同道合者共勉～

🤖 OpenFang初体验

初识OpenClaw是因为3月初刷到工信部提示OpenClaw安全隐患，可见其火爆程度，但由于担心信息安全，一直只是默默了解关注，并没有上手安装。后面又慢慢了解到了同类型的其他产品，如ZeroClaw和OpenFang。这两者都是用Rust写的，主打极致性能和极小资源占用，同时OpenFang号称AI的操作系统，有16层安全防护，也是吸引我的重要原因。

但安装OpenFang后，发现不太会用，指挥他干活的时候经常提示没有权限，也不知道怎么配置，慢慢沦为一个和大模型一样的聊天工具和新闻收集工具。

☁️ ArkClaw云端体验

有了OpenFang的经历后，我想选一个云端的产品尝试一下，最好开箱即用，而且可以随便开最高权限，不怕折腾坏自己的电脑。在一众产品中选择了ArkClaw。

第一个任务是让他整理网站上指定的博客文章，因为反爬虫机制失败了，后面教他按人工打开浏览器浏览的方式来就成功了。后续又让他在云端安装了vnpy、postgresql、tushare等工具，陆陆续续使用了一个月。

✅ ArkClaw优点

• 云端部署，24h运行，拿着手机用飞书就能遥控干活
• 厂商云端部署维护，没有安全顾虑
• 基于OpenClaw，生态完善，边界能力很强，只要给权限，很少有他干不了的

❌ ArkClaw痛点

• 套餐有5h限流、周限流、月限流，有时候token消耗较高到套餐限流值时只能等时间重置
• ArkClaw是动态ip，在用tushare的api时，会被认定为多ip同时在线被限流
• 通过飞书对话执行任务时，无法打断或暂停
• 有时候会莫名其妙死机，发消息无回应
• 同一个事情反复教，任务执行忽好忽坏

💻 OpenClaw本地部署

有了ArkClaw的经验后，对于本地部署开始跃跃欲试。

准备了一台非主力机笔记本，但是由于macOS 12原生Node.js版本偏低，OpenClaw要求Node.js ≥ 22，后面只能改用Docker安装。

OpenClaw的dashboard能够查看当前运行的实例、每分钟的token吞吐量、缓存命中率、平均成本，管理技能、节点、梦境，相比云端的ArkClaw给人一种完全的掌控感，但由于是容器安装，很多权限受限。

期间了解到Hermes Agent自带进化能力，这与我心目中的理想AI助手很契合，而且通过不断纠错、训练，让Hermes学会新的skill，有一种养成的感觉。而且意外发现macOS 12居然支持原生安装Hermes Agent，果断决定就是它了。

🚀 Hermes使用感受

用上Hermes Agent后又有了不一样的感受。

对比ArkClaw和OpenClaw，你可以看到他怎么思考的，正在执行什么命令，数据流像瀑布一样刷新着，当看到他弄错方向时，随时可以插话打断他，重新调整任务方向。

相比之下，ArkClaw因为部署在云端，只有简略的思考过程，有时候直接没有，需要等任务执行完成或报错才会有反馈。OpenClaw虽然会反馈一定的思考过程，但是同样不会显示运行过程中具体的执行命令。

Hermes Agent的这个特点意味着能够让你知道他在做什么，还能通过显示的代码粗略地判断出他具体是怎么做的。

Hermes的自进化能力也十分显著，同类型的工作，他能自动记住你对他的要求、纠错和修改，并更新到记忆和技能里，当再次执行类似的任务时，基本能一次满足你的要求。现在Hermes Agent已经成为了我的主力生产工具。

以下是豆包深度调研对四款AI Agent的对比。让我没想到的是，从长期来看Hermes Agent居然更省tokens。

📊 四款AI Agent对比

💰 Token消耗对比

*图中Token消耗对比由豆包深度调研得出，非实测

🎯 最终建议

综合考虑能力边界、优缺点、进化能力和token消耗四个维度，Hermes Agent在绝大多数场景下都是最佳选择。它不仅在量化、编程、创作三个核心场景中都表现出色，更重要的是其革命性的自进化能力为用户带来了真正的长期价值。

📝 实践建议

• 试用顺序：Hermes → OpenFang → ArkClaw → OpenClaw
• 耐心度过学习期，充分利用自学习能力
• 设计标准化的任务流程，最大化技能复用
• 结合本地模型使用，进一步降低成本

💡 成本优化策略

• 优先使用本地模型处理不需要实时性的任务
• 在前100次任务中投入学习成本
• 定期评估和优化token使用
• 考虑混合使用多个模型，选择最经济的方案

🌙 时光碎语：

「当年互联网时代我们的父母没有把握住机会，现在换成我们自己站在风口浪尖，我们能把握住这个机会吗？」

（注：本文为守拙执一AI工具学习笔记，本文内容仅作技术学习、个人实操经验分享，非商业用途。文中涉及的软件、框架、接口、商标均归各自官方及版权方所有。如有版权异议或侵权问题，请通过下方邮箱联系，本人将及时核实并删除相关内容）

联系方式：worktransfer@foxmail.com

守拙执一 · 一个AI辅助下正在成长的量化小白

以拙守心，以一执策