Hermes vs OpenClaw：同样能干活，底层逻辑却天差地别

Hermes 和 OpenClaw（龙虾）在基础功能（如定时任务、子 Agent 委派、多渠道接入）上高度重合，但在核心技术架构上存在本质差异。这种差异主要体现在"技能是如何产生的"以及"记忆是如何组织的"这两个底层逻辑上。

◆一、技能进化机制：静态调用 vs. 自进化闭环

这是两者最硬核的技术分水岭。

OpenClaw（静态/人工沉淀）

技能库本质上是预置或人工编写的 Markdown/代码文件。它依赖 ClawHub 等公共注册表或用户手动配置。Agent 在执行时是"查字典"模式——遇到任务去匹配已有技能，如果没有匹配项，就需要人工介入编写新技能。它的学习是被动的，技能不会自动变聪明。

Hermes（动态/算法驱动进化）

实现了运行时自动生成 + 离线批量优化的双层闭环。

• 运行时萃取
  ：当 Agent 调用工具超过 5 次、自我纠错成功或被用户纠正时，触发硬规则，静默将工作流打包为本地 SKILL 文件。
• 离线进化（GEPA 算法）
  ：这是 Hermes 的核心壁垒。它使用 Genetic-Pareto Prompt Evolution 算法（基于 DSPy 框架），抛弃了传统的强化学习（RL）。通过"反思性变异"（LLM 读取执行轨迹分析对错）、"帕累托前沿选择"（保留多样性最优解）和"自然语言反馈"（用具体文本而非数值 Reward 引导变异），定期批量优化现有技能。这意味着技能库是活体，会随着使用自动迭代版本。

◆二、记忆系统架构：全量检索 vs. 用户建模

OpenClaw（RAG 范式）

采用三级记忆（短期日志、近端会话、长期偏好），但本质仍是基于向量检索的 RAG。它知道"信息在哪里"，需要时调取。缺点是随着使用时间增长，噪声数据累积，Token 消耗飙升，且跨平台（如飞书与微信）记忆往往隔离。

Hermes（User Modeling 范式）

除了显式记忆，核心在于构建了一个"关于用户的模型"。

• 选择性写入
  ：不是全量记录，而是高频触发回顾机制，抽象提取行为模式和偏好。
• 跨会话/跨平台互通
  ：所有入口通向同一个记忆后端，支持"冷冻快照"机制，在会话内保持连贯，跨会话积累经验。
• 主动整理
  ：系统会定期"轻推"自己去固化和清洗知识，而非被动等待检索。

◆三、运行时架构：只读执行 vs. 可写运行时

OpenClaw

运行时相对静态。Agent 调用工具、执行命令，但不会修改自身的核心逻辑或技能代码。安全性更高，行为可预测，适合容错率低的场景（如金融交易）。

Hermes

采用可写运行时架构。Agent 在运行过程中可以自动生成、优化、存储新的技能代码。这带来了更强的自主性，但也引入了"经验污染"风险——如果错误路径被沉淀为技能，后续任务会反复引用错误，且缺乏强制的版本回溯机制。

◆四、技术差异总结

◆一句话概括技术本质

OpenClaw 是一个高度可扩展的执行引擎，能力边界由人和生态决定；Hermes 是一个具备元认知能力的学习系统，能力边界由算法和数据反馈动态塑造。前者胜在稳定可控，后者胜在长期成长的潜力。