做一个总结吧,OpenClaw 小龙虾 VS 爱马仕 Hermes

从一开始的震惊，开始拆解，到现在一看，我们已经把 Hermes 从里到外拆了一遍了。

最后一篇做一个总结吧，不拆新东西了——我们把 Hermes 和 OpenClaw 放在一起，看看这两只"龙虾"到底差在哪、谁更适合你。

先做一组数字对比——OpenClaw 38 万 Star，Hermes 20 万 Star。

但 Hermes 的增长速度是 OpenClaw 的两倍。如果你去 GitHub 看两者的 commit 频率——Hermes 一天几十个 commit，OpenClaw 一天几个。不是 OpenClaw 不行了——是两个项目走上了不同的路。一个追求稳定，一个追求进化。

这次就把这两条路彻底总结对比清楚。

━ ● ━

为什么从 TypeScript 换成 Python？——不是"谁更好"，是"谁更合适"

OpenClaw 91.5% 是 TypeScript。Hermes 82.3% 是 Python。这不是"Python 比 TypeScript 好"——这是"谁在写这个项目"决定的。

OpenClaw 的作者是一群全栈工程师——TypeScript 是他们的母语。Hermes 的作者是 Nous Research——一群 AI 研究员，Python 是 AI 世界的普通话。pandas、numpy、torch、transformers——整个 AI 生态都在 Python 上。你让一个 AI 研究员用 TypeScript 写训练脚本？那感觉大概就像让一个米其林大厨用玩具锅炒菜——能炒，但憋屈。

但 Python 带来了三个 OpenClaw 没有的"副产品"：

1.	Agent 可以直接跑任何 Python 库。你让 Hermes 分析数据——它不需要"写个 Python 脚本然后 exec"，它可以直接 import pandas 然后操作。子代理的 RPC 工具调用就是基于这个能力——让 Agent 写 Python 代码来调用工具，比"Think-Act"循环快得多。
2.	AI 研究员可以顺手改 Agent。训练完一个 Hermes 模型 → 直接在同一个 Python 环境里部署到 Hermes Agent → 观察效果 → 回去调模型。这个闭环在 TypeScript 里需要跨语言调用，摩擦大得多。
3.	轨迹数据天然适配训练管线。 Agent 产生的执行轨迹是 JSON——Python 生态里处理 JSON 的工具链（pandas、jq、pyarrow）远比 TypeScript 成熟。Hermes 的"研究模式"（批量轨迹生成→压缩→训练数据）就是建立在 Python 生态上的。

换个角度说——OpenClaw 是一个"工程师做给工程师"的项目。Hermes 是一个"AI 研究员做给所有人"的项目。语言选择只是这个定位差异的冰山一角。

━ ● ━

哪些是"龙虾的骨架"，哪些是"自己的肌肉"

Hermes 是从 OpenClaw fork 出来的。这句话的意思是——它没有重新发明轮子。OpenClaw 那套被 38 万人验证过的骨架，Hermes 几乎原封不动保留了：

🦴 从 OpenClaw 继承的（原封不动或微调）：

• Gateway 单进程消息总线——WebSocket + 六类事件。这是 OpenClaw 架构最核心的设计，Hermes 完全保留。• Skill 体系（SKILL.md）——Markdown 即能力。Hermes 兼容 agentskills.io 开放标准，并加了自动创建和自改进。• Tool 系统（TypeBox Schema）——工具注册、校验、调度的完整链路。Python 版本用 Pydantic 替代了 TypeBox。• Memory 双层模型——MEMORY.md + 每日滚动笔记。Hermes 保留了文件系统的设计，但换了检索后端（加了 FTS5）。• Channel 适配器——30+ 渠道的统一消息模型。Telegram、WhatsApp、Discord 的适配器代码几乎可以直接迁移。

💪 Hermes 自己加的（OpenClaw 没有的）：

• 闭合学习环——自动从轨迹创建 Skill + 使用中自改进。OpenClaw 的 Skill 是"人写的静态文件"。• Nudge 主动提醒——四种类型，可配置频率，防止话痨。OpenClaw 的 Agent 永远不会主动找你。• Honcho 用户建模——从行为推断偏好，置信度驱动的认知循环。OpenClaw 的 USER.md 是静态属性表。• FTS5 跨会话搜索——给聊天记录建全文索引 + LLM 摘要。OpenClaw 只能搜 MEMORY.md。• Python RPC 工具调用——子代理通过 Python 脚本直接调工具，压缩多步推理为单次调用。• Modal/Daytona 无服务器部署——休眠唤醒 + 按秒计费。OpenClaw 只有 Local/Docker/SSH。• Nous Portal——一个订阅覆盖五个 API。OpenClaw 需要分别申请 Key。

━ ● ━

▲ 左侧：从 OpenClaw 继承的骨架（原封保留） · 右侧：Hermes 自己加的肌肉（全新能力）

━ ● ━

你到底该选哪个？——一张表说清楚

七篇拆下来，如果让我用一句话总结选型建议——OpenClaw 是一台好用的"工具"，Hermes 是一个会成长的"搭档"。你选哪个，取决于你要什么。

你的情况	推荐	原因
我就是想有个 Agent，不折腾	OpenClaw	更成熟、更稳定、文档更完善。38 万 Star 不是白来的。
我想让 Agent 越用越懂我	Hermes	学习环 + Honcho + Nudge——用一个月后的 Agent 比第一天聪明得多。
我是 Python 用户（数据分析/ML）	Hermes	Python 原生，直接 import pandas。子代理 RPC 天然适配。
我是 TypeScript/全栈用户	OpenClaw	TypeScript 原生，前端工具链完美集成。插件系统更成熟。
我要用国产模型（Qwen/GLM/Kimi）	Hermes	原生支持国产模型，hermes model 命令里直接选。
我想把 Agent 部署到云端 24h 在线	Hermes	Modal/Daytona 无服务器，按使用付费。不用一直开着电脑。
我想用 Agent 做 AI 研究	Hermes	轨迹生成+压缩+RL 训练——从研究到部署的完整闭环。
我已经在用 OpenClaw，不想折腾	先试试	hermes claw migrate 一键迁移，不满意随时回来。

🤔 还在纠结？一个简单的判断标准：

你希望 Agent 是"听话的工具"→ OpenClaw。你说什么它做什么，不多做也不少做。像一把可靠的瑞士军刀。你希望 Agent 是"成长的搭档"→ Hermes。它会观察你、学习你、主动提醒你。像一个越来越了解你的同事。

━ ● ━

▲ 选型指南：六个典型场景 → 推荐方案——两个项目不互斥，可随时切换

━ ● ━

两条路：OpenClaw 的"保守"和 Hermes 的"激进"

最后聊一个更宏观的话题——这两个项目未来的走向。

OpenClaw 的路

稳定优先。38 万 Star 意味着巨大的用户基数——大改动的代价很高。OpenClaw 的迭代节奏更慢、更谨慎。它不会突然加一个"自学习"功能——那会改变整个产品的使用体验。它的优势在于可靠——你今天写的 Skill，一年后大概率还能用。

Hermes 的路

进化优先。20 万 Star 但增速更快——用户群更小、更能接受变化。Hermes 敢做大改动——Python 重写、加学习环、加 Honcho、换检索后端。它的优势在于创新——你每隔几周更新，都可能发现新能力。

但说实话——这两个项目不是"你死我活"的竞争关系。它们的底层架构高度兼容（Hermes 保留了 OpenClaw 的骨架），Skill 格式互通（都兼容 agentskills.io），甚至 Hermes 官方内置了 hermes claw migrate 一键迁移命令。你完全可以从 OpenClaw 开始，哪天觉得"我想试试那个会自己学东西的"——切到 Hermes 试试。不满意？切回去。一个 scp 命令的事。

最好的技术生态不是"只有一个选择"——是有两个方向不同但互相兼容的选择。OpenClaw 和 Hermes 恰好做到了这一点。

━ ● ━

八篇下来，Hermes 教会我们什么

① 自学习不是魔法。轨迹分析→模式识别→自动创建 Skill→版本迭代——每一步都有明确的代码和数据结构。闭合学习环是可拆解的工程流水线。② Agent 可以"主动"。Nudge + Honcho 把 Agent 从"被动工具"变成了"主动搭档"。不是"等你下指令"，而是"观察你、理解你、提醒你"。③ 简单工具的组合胜过复杂系统。FTS5 全文索引（SQLite 内置）+ LLM 摘要 = 跨会话搜索。Python RPC（几行代码）+ 子代理 spawn = 并行执行。每一步都用最简单的工具。④ Agent 应该独立于设备。Local/Docker/SSH/Modal/Daytona——不是"给更多部署选项"，是"让 Agent 成为服务"。你的所有设备都是窗户，Agent 在云端等你。⑤ 好的 fork 不是抄——是继承+创新。Hermes 保留了 OpenClaw 被验证过的骨架（Gateway/Skill/Tool/Memory/Channel），然后加了 OpenClaw 没有的东西（自学习/Nudge/Honcho/无服务器）。尊重前人的工作，但不被前人的边界限制。

下一篇——也是这个系列的最后一篇——我们不再拆技术。我们聊一个更大的话题：Nous Research 的 Agent 棋局。从 Hermes 模型到 Hermes Agent 到 Nous Portal 到 agentskills.io——这个由 AI 研究员组成的团队，在下一盘怎样的棋？

━ ● ━

💬 最后一个技术问题的思考题

如果让你从零设计一个 Agent 项目——你会选 TypeScript（稳定、前端友好）还是 Python（AI 生态、灵活）？你会学 OpenClaw 做"可靠的瑞士军刀"，还是学 Hermes 做"会成长的搭档"？来评论区写下你的选择——和理由。

📋 说明

本文基于 Hermes Agent v0.18.0 + OpenClaw 2026.6.6。两者均采用 MIT 协议。八篇全文约 30,000 字，拆解了 Hermes Agent 的学习环、Nudge、Honcho、跨会话搜索、子代理、Cron、无服务器部署、架构对比共 8 个核心模块。