今年2月初我曾写过OpenClaw的文章，我就不在这里追溯了。Hermes Agent是由硅谷AI实验室Nous Research于2026年2月开源的自进化AI智能体框架，其核心定位是“与你共同成长的智能体”。与追求广度的OpenClaw不同，Hermes追求深度，通过内置的学习闭环系统实现真正的自我进化。

一、核心设计哲学：从工具到伙伴。Hermes的设计理念颠覆了传统AI Agent的范式。大多数Agent本质上是“用完归零的工具”，每次会话都从零开始。而Hermes构建了一个闭环学习系统，让AI智能体第一次真正具备了“从经验中学习、在实践中进化”的能力。它不是又一个封装LLM API的工具库，也不是简单的任务自动化脚本，而是一个会成长的智能体——它能记住你的偏好、自动创建技能、跨会话检索记忆、在对话中自我改进，甚至能在完成任务后将自己的最佳实践固化为可复用的技能模块。

二、技术架构：单体引擎，多端接入。统一的核心引擎。Hermes的架构设计遵循“一次编写，处处运行”的原则。无论是命令行、Telegram消息，还是IDE插件，背后都是同一个Agent引擎在驱动。其项目结构清晰，职责分明：入口层。核心层。能力层：47个内置工具、6种终端后端、5种浏览器后端、4种Web后端、MCP动态集成、15+消息平台适配器。Agent循环的核心逻辑。run_agent.py中的Agent循环遵循ReAct模式，但增加了Hermes特有的增强：1.组装系统提示：加载身份定义、相关记忆检索、匹配的技能、上下文文件。2.调用LLM：使用当前模型处理用户输入和工具调用。3.处理工具调用：执行工具并收集结果。4.反馈循环：将工具结果反馈给LLM进行下一轮推理。

三、学习循环：闭环反馈系统。学习循环是Hermes最核心的创新，它包含四个动态部分，在每个会话的不同时间点触发：由Agent管理的内存与定期提醒。Hermes通过“定期提醒”机制让Agent自己决定什么值得保留。在会话期间的设定间隔，Agent会收到一个内部系统级提示，要求它回顾发生的事情并评估是否有任何内容值得持久化到内存中。这会在没有用户输入的情况下触发，Agent会扫描最近的活动，如果有任何内容跨越了在未来会话中有用的阈值，就会将其写入内存文件。自主技能创建。当Agent完成任务时，它会检查所采取的路径是否值得记录。触发条件很具体：五次或更多工具调用、从错误中恢复、用户纠正，或者奏效的非明显工作流。如果检查通过，它会在~/.hermes/skills/中创建一个技能文件——不是日志条目，而是一个可复用的指令集，Agent可以在未来的会话中遵循，无需重复原始步骤。

技能自我优化。技能一旦写入就不会被冻结，Agent会继续使用它们，在执行过程中找到更好的路径时进行更新。通过skill_manage工具可以使用六种技能操作：create、patch、edit、delete、write_file和remove_file。Agent默认对大多数更新使用patch，通过只传入旧字符串和替换字符串来进行有针对性的更改，这意味着只有更改的文本会出现在工具调用中，而不是完整的技能内容。基于FTS5的会话搜索与LLM摘要。每个会话都会被写入SQLite存档，并使用FTS5进行索引，因此Agent可以搜索过去的上下文，而不是将整个旧会话加载到窗口中。检索到的结果在注入之前会经过LLM摘要处理，因此只有与当前任务相关的内容才会被引入。

四、四层记忆系统Hermes采用精心设计的四层记忆架构，每层都有特定的职责、磁盘位置和读取时机：

设计精妙之处。字符限制：MEMORY.md和USER.md总字符数限制为3,575个，故意收窄以强迫筛选而非积累。渐进式披露：默认只加载技能名称和简短描述，全文按需调入，技能库增长而上下文成本几乎不变。缓存感知：不会因为Agent学习更多内容而不断增加Token费用。

五、技能系统：程序性记忆的沉淀。技能系统是Hermes将经验固化为能力的核心机制：技能文件结构。每个技能文件遵循agentskills.io开放标准，包含名称、简短描述、涉及的步骤，以及作为工作流一部分的任何工具调用或文件引用。这种结构使得技能可以在兼容的Agent之间移植。技能创建流程。任务完成：Agent完成复杂任务。路径分析：自动分析成功路径。技能提取：将工作流程提取为带有YAML元数据的Markdown文件。存储优化：存储在~/.hermes/skills/目录下，便于后续检索和复用。实际效果。根据Nous Research的内部测试，使用Hermes的闭环学习系统后：重复任务效率提升340%：第一次需要10分钟完成的任务，第五次只需3分钟。技能复用率达到78%：在开发场景中，78%的复杂任务可以通过已有技能组合完成。错误率下降62%：通过记忆历史错误，避免重复踩坑。

六、网关与平台支持。多平台消息网关。Hermes的网关是一个持久的后台服务，让Agent在你配对的每个平台上保持运行和连接。它支持15+消息平台，包括CLI、Telegram、Discord、Slack、WhatsApp、Signal、Email等。在Telegram上开始的对话可以在终端中继续，因为会话绑定的是ID，而不是平台。网关的核心功能。gateway/目录处理五件事：消息传递：平台间的消息路由和投递。会话路由：跨平台会话连续性。交付：确保消息可靠到达。配对：将新平台与Agent实例关联。定时触发：在正确时间触发定时自动化

七、应用场景与优势。适用场景。个人数字助理：长期陪伴、记忆偏好、自动学习工作习惯。开发者自动化：运行终端命令、管理文件、搜索网页、运行代码。研究与分析：利用网页搜索和内容提取功能进行深度研究。团队协作：在Slack或Discord中提供智能协助。MLOps与AI训练：生成训练数据、运行RL实验、导出轨迹用于微调。核心优势。真正的自我进化：不是通过配置更新，而是通过实际使用来进化。跨会话持久记忆：FTS5全文检索+LLM摘要实现智能记忆检索。技能自动沉淀：将成功经验固化为可复用的程序性记忆。平台无关性：运行在任意基础设施，通过任意消息平台对话。完全开源自托管：MIT协议，数据本地存储，无遥测无追踪。八、技术实现细节。模型支持。Hermes支持200+大语言模型。执行环境。安全设计。

九、总结：AI Agent的新范式。Hermes Agent代表了AI Agent发展的新方向——从“用完归零的工具”转变为“能从失败里学到东西、能记住教训的伙伴关系”。它通过三层协同机制实现真正的“越用越聪明”：记忆层：五层记忆体系提供从短期工作台到长期用户画像的完整认知结构。技能层：自动Skill生成将每次成功经验固化为可复用的“能力资产”。学习层：闭环学习让Agent能力在每次使用后持续迭代，无需人工干预。与OpenClaw追求“广度”不同，Hermes追求“深度”，让Agent在长期使用中不断进化，真正成为与你共同成长的搭档。这正是Hermes在不到两个月内狂揽6万+GitHub Star的原因——它回答了一个所有开发者都在关心的问题：Agent能不能“记住”和“变强”？

Hermes Agent的五层安全防线采用纵深防御（defense-in-depth）架构，每层都是框架级的硬逻辑实现，不依赖AI模型的判断。以下是各层的具体实现机制：第一层：用户授权检查。实现机制：控制谁能与Agent对话，支持两种主要模式：Allowlist（白名单）：在配置文件中明确指定允许访问的用户ID或群组ID。DM Pairing（私聊配对）：首次交互时建立信任关系，后续仅限已配对的私聊会话。技术细节：所有操作都会检查当前用户的权限级别，可配置哪些操作需要确认、哪些可以自动执行。生产环境强烈建议关闭GATEWAY_ALLOW_ALL_USERS=true选项。

第二层：危险命令审批。实现机制：对高风险命令强制要求人工确认，支持三种审批模式：manual（默认）：始终提示用户审批危险命令。smart：使用辅助LLM评估风险，低风险命令自动批准，高风险自动拒绝，不确定情况升级到人工审批。off：禁用所有审批检查（仅限受信任环境如CI/CD、容器等）。危险命令检测。审批方式：支持四种审批粒度：once（单次）、session（会话内）、always（始终）、deny（拒绝）。第三层：容器隔离。实现机制：提供可选的Docker执行环境，采用多重硬化参数：只读根目录：防止文件系统被恶意修改。权限降级：以非root用户身份运行命令。PID限制：控制进程数量。能力丢弃：使用cap-drop ALL移除所有Linux能力。无新权限：设置no-new-privileges防止权限提升。后端支持：除了Docker，还支持Singularity、Modal和远程SSH后端。

第四层：MCP凭证过滤。实现机制：当Agent通过Model Context Protocol（MCP）调用外部工具时，自动过滤敏感凭证：环境变量隔离：MCP子进程默认只能看到安全的环境变量。凭证保护：防止API密钥、访问令牌等敏感信息泄露给不可信的子进程。细粒度控制：可配置哪些凭证允许传递给特定工具。第五层：上下文文件扫描。实现机制：内置Tirith扫描引擎检测并阻止提示注入攻击：项目文件扫描：分析项目目录中的文件内容，检测潜在的恶意提示注入。实时检测：在Agent处理用户输入时进行实时扫描。告警拦截：发现可疑内容时发出告警并拦截执行。

额外安全层：技能免疫系统。除了运行时五层防线，Hermes还实现了skills_guard.py作为技能系统的免疫系统：威胁检测：内置90+种正则模式，检测技能内容中的可疑行为。密钥泄露检测：识别硬编码的API密钥。恶意命令检测：发现隐藏的curl数据窃取命令。危险操作检测：标记未经确认的rm -rf等操作。生产环境推荐配置。省略。这套安全架构的核心设计哲学是不信任原则——即使Agent被恶意提示劫持，框架级的硬逻辑也能确保系统安全边界不被突破。每层防线都针对特定攻击向量，共同构成完整的纵深防御体系。

OpenClaw和Hermes是当前最受关注的两个开源AI智能体框架，它们在设计哲学、技术实现和应用场景上存在显著差异。以下是两者的核心区别对比：

选型建议：优先选择OpenClaw：需要在团队内部部署统一管理的AI网关；希望开箱即用，快速接入大量现成社区技能；需要与国内主流通讯平台无缝集成。优先选择Hermes Agent：Python开发者希望深入理解和定制Agent源码；需要真正的跨会话持久记忆；希望Agent越用越聪明，自动沉淀经验生成技能。两者并非取代关系，而是互补的解决方案。OpenClaw像“安卓”——开放、强大、什么都能接，但需要用户自己配置；Hermes像“苹果”——会悄悄替用户记住一切、学会一切，越用越顺。

对于新手入门，OpenClaw更适合，主要基于以下对比：

总结建议：如果你是纯新手，希望快速体验 AI 助手的基本功能（聊天、文件操作、多平台接入），选择 OpenClaw。它的“向导式配置”和“任务式学习”能让你在最短时间内获得成就感。如果你有一定技术背景，且希望 AI 助手能“越用越聪明”（自动沉淀经验、生成技能），选择 Hermes Agent。它的自学习能力在长期使用中价值更大，但初期需要更多耐心配置和理解概念。

快速入门 OpenClaw 的步骤：安装 Node.js 22+；运行 npm install -g openclaw@latest；运行 openclaw onboard --install-daemon 跟随向导配置；运行 openclaw gateway --port 18789 启动服务；按教程连接 Telegram 等平台即可开始对话。无论选择哪个，都建议从官方文档开始，遇到问题及时查阅社区或教程。

对于个人用户的选择，需要根据你的技术背景、使用习惯和长期需求来决定。以下是详细对比：核心定位差异

个人用户场景匹配度。1.推荐 OpenClaw 的场景。如果你符合以下特征：追求快速上手：希望安装后5分钟内就能开始使用。多平台重度用户：同时在Telegram、Discord、Slack等多个平台活跃。任务导向：需要AI帮忙处理具体的一次性任务（查资料、写代码、翻译等）。不喜欢折腾配置：希望有图形界面或简单命令行完成所有设置。短期试用心态：想先体验AI助手能做什么，再决定是否深度使用。OpenClaw的优势：完整的openclaw onboard交互式配置向导；内置健康检查openclaw doctor快速排查问题；丰富的第三方集成和插件生态；活跃的中文社区，问题解决速度快。

2.推荐 Hermes Agent 的场景。如果你符合以下特征：长期数字伙伴需求：希望AI能记住你的习惯、偏好和工作流。重复性任务多：经常需要处理类似的任务（周报生成、代码审查、数据分析等）。技术背景较强：不惧怕命令行和配置文件。重视隐私：希望所有数据完全本地存储，无任何云端同步。愿意投入学习时间：相信“磨刀不误砍柴工”，愿意花时间调教AI。Hermes的优势：真正的自我进化：通过闭环学习系统，使用越久越懂你；跨会话记忆：能记住几个月前的对话上下文；技能自动沉淀：将成功经验固化为可复用技能，效率指数级提升；完全本地化：所有记忆存储在~/.hermes/目录，零追踪零遥测。

实际使用体验对比。1.日常助手任务。场景：每周生成工作周报。OpenClaw：每次都需要重新描述格式要求、项目进展、下周计划。Hermes：第一次详细说明后，自动创建“生成周报”技能，后续只需说“写周报”即可。学习成本回报曲线。

OpenClaw：快速上手 → 平稳使用 → 遇到瓶颈（重复解释）

        ↑           ↑           ↑

        第1天       第1周       第1个月

Hermes：较慢上手 → 逐渐适应 → 效率爆发（技能积累）

        ↑           ↑           ↑  

        第1天       第1周       第1个月

隐私保护对比

成本考量。1.时间成本。OpenClaw：安装配置约15分钟，日常使用接近零维护。Hermes：安装配置约30分钟，初期需要“训练”Agent（约1-2周），后期维护成本低。2.经济成本。两者都需要自行配置API Key（OpenAI、Claude、DeepSeek等），成本主要取决于：模型使用费：两者都支持多种模型，成本相近。技能生成成本：Hermes的技能创建会消耗额外Token，但长期看能节省更多Token。

决策建议。选择 OpenClaw 如果：你是AI助手的新手，想先体验基础功能；你需要快速在多平台部署使用；你主要处理一次性、不重复的任务；你不希望花时间“训练”AI。快速开始命令：省略。选择 Hermes Agent 如果：你希望AI成为真正的长期数字伙伴；你经常处理重复性工作，渴望自动化；你有技术背景，不惧怕命令行；你对隐私有极高要求，希望完全自托管。快速开始命令：省略。折中方案：先OpenClaw后Hermes。许多用户的成功路径：第1个月：用OpenClaw熟悉AI助手的基本能力。第2-3个月：当发现重复解释需求增多时，迁移到Hermes。长期：享受Hermes的自我进化能力。

总结。OpenClaw像是“瑞士军刀”——功能全面、开箱即用、适合大多数日常场景。如果你是普通用户，希望快速获得一个能用的AI助手，选它。Hermes像是“终身学徒”——初期需要耐心教导，但会越来越懂你，最终成为不可替代的伙伴。如果你愿意投资时间，追求长期价值，选它。两者都开源免费，都支持本地部署，关键区别在于：你要的是“现在就能用”的工具，还是“越用越好用”的伙伴？根据这个核心问题，就能做出最适合自己的选择。

对于科研场景，OpenClaw和Hermes各有侧重，选择取决于具体研究需求：OpenClaw更适合以下科研场景：团队协作与标准化流程；专业领域深度应用；开箱即用的技能生态；企业级安全部署。Hermes Agent更适合以下科研场景：长期研究项目：其四层记忆系统（常驻提示记忆、会话归档、技能文件、用户建模层）支持跨会话连贯性，适合需要数月甚至数年持续跟踪的研究课题；自我进化需求；个人研究助手；前沿技术研究。选择OpenClaw：科研团队需要统一管理；涉及敏感数据需要安全部署；希望快速接入现成学术技能；专业领域有成熟应用案例（如医疗、制药）。选择Hermes Agent：个人研究者需要长期记忆陪伴；研究课题需要跨会话连贯理解；希望智能体越用越懂研究习惯；关注AI Agent技术本身的研究。两者并非互斥，大型科研机构可同时部署：OpenClaw用于团队标准化流程，Hermes用于个人深度研究辅助。

对于需要处理大量文献的科研项目，OpenClaw和Hermes Agent各有独特的优势定位。OpenClaw是“广度优先”的科研工具集，提供开箱即用的全流程自动化；Hermes是“深度优先”的进化伙伴，通过自学习和记忆系统实现越用越强的个性化支持。OpenClaw：全流程自动化工具集。文献检索与收集优势；内容提取与整理优势；科研流程集成优势；部署与生态优势。Hermes Agent：自进化研究伙伴。长期记忆与连贯性优势（四层记忆系统）；自进化学习能力；深度集成与个性化；复杂分析场景优势。

对比总结与选型建议

选型决策指南。选择OpenClaw如果：需要快速搭建实验室级文献管理系统；处理标准化流程的文献工作（如每周文献追踪、定期综述更新）；涉及敏感数据需要安全可控的本地部署；团队需要统一格式规范和协作流程；希望利用现成技能生态，避免从零开发；选择Hermes Agent如果：进行长期研究项目（博士课题、专著写作等需要数月连贯性）；处理复杂系统综述如Meta-Analysis，需要灵活的工作流；希望AI能深度学习你的研究习惯和领域知识；需要跨会话记忆，避免每次重新解释研究背景；重视个人知识库的构建和长期积累；

进阶方案：组合使用。许多顶尖实验室采用分层策略：团队层面：用OpenClaw管理共享文献库、标准化分析流程。个人层面：用Hermes Agent作为个人研究助手，深度理解特定课题。数据流：OpenClaw处理原始文献收集和初步整理 → Hermes Agent进行深度分析和知识关联。无论选择哪个，关键是根据研究项目的时间跨度、团队规模、个性化需求来决定。OpenClaw让科研“更快”，Hermes让科研“更懂你”。