第十二章：Hermes Agent vs OpenClaw Agent

两大开源Agent框架的深度对比：Hermes的自改进运行时 vs OpenClaw的多智能体协作，帮你理解不同架构设计选择与选型建议。

两大开源 Agent 框架的深度对比：设计哲学、底层原理、核心差异与选型建议。

理解它们的差异，也是理解 Agent 架构设计选择的好机会。

---

12.1 它们是什么

Hermes Agent

Hermes Agent 是由 Nous Research（Hermes/Nomos/Psyche LLM 模型家族的开发者）开发的自改进 AI Agent 框架。2026 年 2 月发布，MIT 许可证。

它不是一个编程副驾驶、不是聊天机器人包装器、也不是 IDE 插件。它是一个持久化的自主 Agent 运行时，运行在你的服务器上，通过内置的闭环学习机制越用越聪明。

• GitHub：github.com/NousResearch/hermes-agent
• 语言：Python
• 许可证：MIT
• Stars：~52K+（截至 2026 年 4 月）

OpenClaw Agent

OpenClaw（前身 Clawdbot / Moltbot）是一个本地优先的个人 AI 助手运行时，由 Peter Steinberger（2026 年 2 月加入 OpenAI）最初开发，现由基金会维护。2025 年 11 月首发，MIT 许可证。它是 GitHub 历史上增长最快的开源 AI Agent 项目，240K+ Stars。

它是一个多通道网关 + Agent 运行时 — 一个长驻守护进程，连接你的消息平台并在本地运行 AI 任务。强调本地优先的数据控制、企业级稳定性和深度 IDE 集成。

• GitHub：github.com/openclaw/openclaw
• 语言：TypeScript / Node.js
• 许可证：MIT
• Stars：240K+（截至 2026 年 4 月）

---

12.2 设计哲学对比

维度	Hermes Agent	OpenClaw
核心隐喻	自改进 Agent（越用越聪明）	企业网关（按配置编排）
设计方向	深度/进化	广度/连接
谁在控制	Agent 自主性 — 学会自己做事	人类控制 — 定义规则，Agent 执行
运行时模型	Agent 进程 + 执行后端	长驻守护进程（Gateway）+ Agent 运行时 Worker
记忆哲学	原生自动，零维护	手动/可配置，深度定制
技能哲学	自动生成、自优化	手动/社区驱动，成熟生态
安全模型	内置沙箱，开箱即用	用户配置，最大控制
扩展方式	MCP + agentskills.io	插件系统（4 个注入点）

一句话概括：

• Hermes：让 Agent 自己学会做事
• OpenClaw：让人精确控制 Agent 做事

---

12.3 架构对比

Hermes Agent 架构

flowchart TD
subgraph MG["消息网关 15+ 平台"]
    M1[CLI]
    M2[Telegram]
    M3[Discord]
    M4[Slack]
end

subgraph AO["Agent 编排 run_agent.py"]
    A1[任务分解]
    A2["execute_code<br/>程序化工具调用"]
    A3[子 Agent 生成与并行]
end

subgraph SM["状态与记忆 hermes_state.py"]
    S1["SQLite + FTS5<br/>会话存储"]
    S2["Honcho<br/>辩证式用户建模"]
    S3["技能程序性记忆"]
end

subgraph EB["执行后端 6 种"]
    E1[Local]
    E2[Docker]
    E3[SSH]
    E4[Daytona]
    E5[Singularity]
    E6[Modal]
end

subgraph RL["RL 与研究 environments/"]
    R1["Atropos RL 训练集成"]
    R2["批量轨迹生成"]
    R3["自进化管道"]
end

MG --> AO
AO --> SM
AO --> EB
SM --> RL

style MG fill:#e3f2fd
style AO fill:#fff9c4
style SM fill:#f3e5f5
style EB fill:#e8f5e9
style RL fill:#ffebee

OpenClaw Agent 架构

flowchart TD
subgraph CLI["CLI 层 entry.ts → run-main.ts"]
    CL1[系统启动入口]
    CL2[命令分发]
end

subgraph GW["Gateway 层 控制面"]
    G1["WebSocket/HTTP 守护进程 :18789"]
    G2["连接 / 协议 / 方法 / 事件"]
    G3["配置热更新 / 认证 / 审计"]
end

subgraph CRP["Channel + 路由 + 插件层"]
    CR1[多协议适配器]
    CR2["会话键路由 8 级匹配"]
    CR3[插件注册与查找]
end

subgraph AE["Agent 执行层 5 子层"]
    AE1[Dispatch]
    AE2[Message]
    AE3[Decision]
    AE4[Assembly]
    AE5["Agent Scheduling Lane"]
    AE1 --> AE2 --> AE3 --> AE4 --> AE5
end

subgraph AI["AI 提供商层"]
    AI1["Anthropic / OpenAI / Ollama"]
    AI2[认证配置轮换与降级]
end

subgraph INF["基础设施层"]
    I1["Nodes / Media / Config"]
    I2["Sessions / Security"]
    I3[Scheduled Tasks]
end

CLI --> GW
GW --> CRP
CRP --> AE
AE --> AI
AI --> INF

style CLI fill:#e3f2fd
style GW fill:#fff9c4
style CRP fill:#f3e5f5
style AE fill:#ffebee
style AI fill:#e8f5e9
style INF fill:#e0e0e0

架构差异核心

差异	Hermes Agent	OpenClaw
核心进程	Agent 进程（可以随时启停）	Gateway 守护进程（必须常驻）
状态存储	SQLite + FTS5（结构化、可索引）	JSONL 追加写入（简单、但不可查询）
通信方式	CLI + Gateway 双入口，共享核心	WebSocket 协议（req/res/event 帧）
插件系统	MCP 服务器 + agentskills.io	4 层插件模型（manifest → enable → register → registry）
部署方式	本地 / Docker / SSH / Daytona / Modal	本地 / Docker / systemd + 反向代理
数据目录	~/.hermes/	~/.openclaw/

---

12.4 核心能力对比

工具调用

方面	Hermes Agent	OpenClaw
内置工具	68 个开箱即用	通过插件注册（bash、浏览器、文件等）
程序化编排	execute_code — 将多步管道折叠为单次推理	顺序工具调用循环
MCP 支持	✅ 连接任意 MCP 服务器	插件式技能系统
危险工具审批	内置沙箱 + 审批门	可配置审批工作流
子 Agent 委派	通过 RPC 生成隔离子 Agent	基于 Lane 的会话级并发
工具执行	在执行后端（本地/Docker/SSH）	在 Gateway 进程中

关键创新对比：

• Hermes 的 execute_code：让 Agent 编写并运行 Python 代码，在单次推理步骤中程序化地编排多个工具调用，而非需要多轮 LLM 往返。显著降低延迟，提高可靠性。

• OpenClaw 的 Lane 并发模型：6 种队列模式（interrupt、steer、steer-backlog、followup、collect、queue），精细控制新消息如何与进行中的 Agent 运行交互。

上下文管理

方面	Hermes Agent	OpenClaw
存储	SQLite + FTS5 全文搜索	JSONL 追加写入文件
上下文窗口	动态，定期”推播”持久化知识	硬最小值（16K tokens）+ 软警告（32K）+ 压缩
压缩	LLM 摘要	上下文守护者：窗口预检 + 历史卫生 + 配对修复 + 压缩重试 + 超时快照降级
跨会话	FTS5 搜索所有会话 + LLM 摘要	会话级 JSONL，内存缓存，懒加载
上下文文件	SOUL.md（人格），项目级上下文	SOUL.md、AGENTS.md，Markdown 驱动身份系统

关键创新对比：

• Hermes：上下文是动态的，Agent 会定期将知识”推播”到持久存储，实现跨会话知识传递。

• OpenClaw 的上下文守护者：5 阶段保护管道（预检 → 历史卫生 → 修复 → 压缩重试 → 超时快照），系统性地防止”上下文爆炸” — 这是 Agent 的常见故障模式。

记忆系统

方面	Hermes Agent	OpenClaw
架构	多层原生：SQLite + FTS5 + Honcho + Skills	多类型：内置记忆引擎 + Markdown 文件 + 插件
持久化	自动，零维护	手动/可配置（Markdown 驱动）
用户建模	Honcho — 辩证推理，深度用户画像	基础记忆边车；高级能力需插件
召回	FTS5 全文搜索 + Honcho 语义搜索	记忆搜索能力；Dreaming（后台记忆整合）
自动组织	✅ 记忆自动组织和检索	❌ 需要用户主动维护

Honcho 是 Hermes 的独门武器：

Honcho 在基本记忆之上增加了辩证推理。每次对话后，它分析交流并推导出关于用户偏好、习惯和目标的洞察。它支持多轮推理（深度 1-3）、冷/热提示选择、会话启动预热、查询自适应推理级别。这创建了一个”关于你是谁的不断深化的模型”，而非简单的事实存储。

传统记忆：存储 "用户喜欢 Python"
Honcho：  推导 "用户是后端开发者，偏好 Python 生态，可能对 Django/Flask 项目更有价值"
          → 自动调整后续任务的工具选择和建议方向

规划能力

方面	Hermes Agent	OpenClaw
方式	隐式：通过 execute_code + 子 Agent 委派	显式：Lane 调度 + Agent 分发管道
定时任务	内置 cron 系统，可投递到任意平台	需要安装单独的技能包
子任务并行	子 Agent 有独立对话和终端，RPC 通信	会话 Lane + 全局并发控制
失败处理	子 Agent 隔离 — 一个失败不影响其他	模型降级 + 多 Profile 轮换

---

12.5 关键技术创新

Hermes Agent 的创新

1. 闭环自改进循环

Hermes 是唯一内置学习循环的 Agent：

flowchart TD
A[执行任务] --> B[提取经验]
B --> C[自动创建技能]
C --> D["技能优化<br/>DSPy + GEPA"]
D --> E["持久化记忆<br/>SQLite + FTS5"]
E --> F["用户建模<br/>Honcho 辩证推理"]
F --> G[更好的体验]
G -->|下一轮任务| A

style A fill:#e3f2fd
style C fill:#fff9c4
style D fill:#f3e5f5
style F fill:#e8f5e9

这不是附带功能，而是架构性设计。Agent 越用越聪明，不需要人工干预。

2. 自进化管道

独立的优化管道，使用进化算法（DSPy + GEPA）自动优化：

• 技能描述
• 工具描述
• 系统提示词
• 甚至工具代码

无需 GPU 训练 — 全部通过 API 调用（每次约 $2-10）。GEPA（遗传-帕累托提示词进化）是 ICLR 2026 Oral 论文。

3. execute_code 程序化编排

传统 Agent：LLM 推理 → 调工具 A → LLM 推理 → 调工具 B → LLM 推理 → 调工具 C（3 轮 LLM）

Hermes：LLM 推理 → 写 Python 代码调用 A、B、C → 执行（1 轮 LLM）

延迟降低 3 倍+，可靠性显著提高。

4. 自动技能创建

当 Hermes 解决了一个困难问题，它自动写一个可复用的 SKILL.md 文档。技能是活着的、不断进化的程序，而非静态工具定义。

OpenClaw 的创新

1. Gateway-as-Control-Plane

单一长驻守护进程，作为 Hub-and-Spoke 架构的中心 — 管理连接、会话、路由和 Agent 执行。通过类型化的 WebSocket 协议通信。

2. Lane 并发模型

精细的会话级并发控制，6 种队列模式：

stateDiagram-v2
[*] --> Idle: Agent 空闲
Idle --> Running: 用户发送消息

Running --> Interrupt: interrupt模式<br/>新消息立即打断
Running --> Steer: steer模式<br/>新消息注入引导
Running --> SteerBacklog: steer-backlog模式<br/>引导+排队
Running --> Followup: followup模式<br/>等完成后处理
Running --> Collect: collect模式<br/>收集后批量处理

state Running {
    [*] --> Processing
    Processing --> WaitingLLM: 等待LLM响应
    WaitingLLM --> ToolCall: 调用工具
    ToolCall --> Processing
}

Interrupt --> Running: 新消息替换
Steer --> Running: 方向调整
SteerBacklog --> Running: 引导+排后续
Followup --> Running: 当前完成
Collect --> Running: 批量处理

Running --> Idle: 任务完成
Idle --> [*]

模式	行为
interrupt	新消息立即打断当前 Agent 运行
steer	新消息注入当前运行，引导方向
steer-backlog	引导 + 排队后续消息
followup	等当前运行完成后再处理
collect	收集所有消息后批量处理
queue	严格排队，FIFO

这是对”用户连续发消息时 Agent 该怎么处理”这个通用问题的最系统化解决方案。

3. 上下文守护者

5 阶段保护管道防止上下文爆炸：

flowchart TD
A["输入消息"] --> B{"阶段1: 窗口预检<br/>Token 数超硬限制?"}
B -->|超限| REJECT["❌ 拒绝请求"]
B -->|通过| C["阶段2: 历史卫生<br/>清理重复/无效消息"]
C --> D["阶段3: 配对修复<br/>修复截断的工具调用/响应对"]
D --> E{"阶段4: 压缩重试<br/>LLM 摘要压缩"}
E -->|成功| OK["✅ 上下文准备就绪"]
E -->|失败| F{"阶段5: 超时快照<br/>全部失败?"}
F -->|是| SNAP["💾 保存当前状态快照<br/>降级处理"]
F -->|重试成功| OK

style B fill:#ffebee
style REJECT fill:#ffcdd2
style C fill:#fff9c4
style D fill:#fff9c4
style E fill:#e3f2fd
style OK fill:#e8f5e9
style SNAP fill:#f3e5f5

4. 8 级路由优先级

flowchart TD
A["会话请求"] --> B{Peer 级别}
B -->|匹配| P1["1. Peer<br/>直接对话方"]
B -->|不匹配| C{Parent Peer 级别}
C -->|匹配| P2["2. Parent Peer<br/>父对话方"]
C -->|不匹配| D{Guild+Roles 级别}
D -->|匹配| P3["3. Guild+Roles<br/>群组+角色"]
D -->|不匹配| E{Guild 级别}
E -->|匹配| P4["4. Guild<br/>群组默认"]
E -->|不匹配| F{Team 级别}
F -->|匹配| P5["5. Team<br/>团队默认"]
F -->|不匹配| G{Account 级别}
G -->|匹配| P6["6. Account<br/>账户默认"]
G -->|不匹配| H{Channel 级别}
H -->|匹配| P7["7. Channel<br/>频道默认"]
H -->|不匹配| P8["8. Default Agent<br/>全局默认"]

style P1 fill:#e8f5e9
style P2 fill:#e8f5e9
style P3 fill:#fff9c4
style P4 fill:#fff9c4
style P5 fill:#e3f2fd
style P6 fill:#e3f2fd
style P7 fill:#f3e5f5
style P8 fill:#ffebee

对多租户、多上下文部署至关重要 — 不同的对话上下文自动路由到最合适的 Agent。

5. 配置热更新

Gateway 配置变更无需杀进程 — 支持热更新字段和优雅重启请求。

---

12.6 性能特征对比

特征	Hermes Agent	OpenClaw
工具调用延迟	更低 — execute_code 折叠多步为单次	标准 — 顺序工具调用循环
吞吐量	子 Agent 并行处理并发任务	Lane 并发 + 全局限制
内存效率	SQLite + FTS5（结构化、可索引）	JSONL 追加（简单、但不可查询）
上下文稳定性	定期推播 + LLM 摘要	5 阶段守护者 + 硬/软限制
启动权重	轻量 Python	较重的 Node.js 栈
空闲成本	近零（Daytona/Modal 无服务器休眠）	Gateway 必须常驻

---

12.7 生态与成熟度对比

维度	Hermes Agent	OpenClaw
GitHub Stars	~52K	240K+
发布时间	2026 年 2 月	2025 年 11 月
语言生态	Python（数据/ML 社区）	TypeScript/Node.js（Web 开发社区）
LLM 提供商	Nous Portal、OpenRouter（200+ 模型）、OpenAI、自定义、本地 vLLM	Anthropic、OpenAI、Ollama、AWS Bedrock、Gemini、Qwen、Moonshot、Together、HuggingFace
通道支持	15+ 平台（含微信、钉钉、飞书）	15+ 平台（含 iMessage、Google Chat、Teams、Matrix）
技能生态	40+ 内置 + 自动生成 + agentskills.io	成熟的社区市场 + 热更新
稳定性	较新，快速迭代	曾有稳定性问题（2026.4 版本崩溃），但大规模更成熟
中国生态	增长中（小米 MiMo 集成、腾讯云部署）	强中国社区版（DeepSeek/Qwen 原生、npmmirror、飞书/企业微信）

---

12.8 优劣势总结

Hermes Agent

优势	劣势
✅ 唯一内置闭环学习循环的 Agent	❌ 项目较新（2026.2 发布），大规模验证较少
✅ 自动技能创建，能力边界有机扩展	❌ 自进化可能不可预测 — 质量依赖评估数据
✅ Honcho 辩证式用户建模	❌ Honcho 增加 API 依赖和成本
✅ 自进化管道（DSPy+GEPA）是前沿 ML 研究	❌ 社区和生态比 OpenClaw 小
✅ 轻量部署 — $5 VPS 或无服务器即可运行	❌ IDE 集成不够成熟
✅ 内置 RL 研究平台（Atropos）	❌ 自动技能创建可能产出低质量技能
✅ 原生 cron 调度
✅ 内置沙箱，默认安全

OpenClaw Agent

优势	劣势
✅ 庞大社区（240K+ Stars）和成熟生态	❌ 无内置自改进 — 技能必须手动编写或下载
✅ 企业级稳定性（上下文守护者、模型降级、审计日志）	❌ 记忆需要手动维护（Markdown 文件）
✅ 精细化并发控制（6 种 Lane 模式）	❌ 较重的运行时 — Node.js 守护进程常驻
✅ 深度 IDE 集成	❌ 曾有稳定性问题（2026.4 崩溃事件）
✅ 强中国社区版（DeepSeek/Qwen/飞书/企业微信）	❌ 安全必须显式配置 — 默认不安全
✅ 插件架构（4 个注入点）	❌ 配置和定制学习曲线较陡
✅ 配置热更新	❌ 定时任务需要安装额外技能
✅ 基金会治理 — 社区驱动	❌ 上下文窗口管理更刚性（硬 16K 最小值）

---

12.9 与 DeepAgents 的关系

理解 Hermes 和 OpenClaw 的差异，也能帮我们更好地理解 DeepAgents 的定位：

维度	DeepAgents	Hermes Agent	OpenClaw
定位	Agent Harness（开发框架）	Agent Runtime（自改进运行时）	Agent Gateway（企业网关）
使用者	开发者（写代码构建 Agent）	终端用户/研究者（部署使用）	终端用户/企业（部署使用）
语言	Python（库）	Python（应用）	TypeScript（应用）
自定义程度	高 — 你写所有逻辑	中 — 通过配置和技能	中 — 通过插件和配置
与其他的关系	可以作为 Hermes/OpenClaw 的底层	可以用 DeepAgents 构建类似能力	—

简单理解：

• DeepAgents 是”给你零件让你组装 Agent”
• Hermes 是”给你一个会自己学习的 Agent”
• OpenClaw 是”给你一个企业级 Agent 网关”

---

12.10 选型建议

选择 Hermes Agent 当：

• 你想要一个随使用增长的 Agent — 自动创建技能，构建用户模型
• 你需要零维护记忆 — 设好就忘
• 你在做 AI/ML 研究 — 批量轨迹生成、RL 训练、自进化实验
• 你要轻量部署 — 低成本服务器或无服务器
• 你优先开箱即用的安全性
• 你的用例涉及不可预测的任务，Agent 需要学习新能力
• 你要程序化多工具编排（execute_code）

选择 OpenClaw 当：

• 你优先完全本地控制和数据主权
• 你需要深度 IDE 集成的编程工作流
• 你想要成熟的技能生态，大量现成集成
• 你在企业环境部署，需要审计、审批和合规
• 你需要精细化并发控制，多用户、多通道
• 你重视可配置性胜过自动化 — 你想定义精确规则
• 你在中国市场，需要 DeepSeek/Qwen/飞书/企业微信原生支持
• 你需要事件驱动架构（Webhook、定时器、系统事件）

互补使用

两者可以协同工作：

• Hermes 作为指挥中心 — 记忆积累、技能生成、任务规划
• OpenClaw 作为执行端 — 利用丰富技能和多平台能力进行具体操作

这组合了 Hermes 的自动成长能力和 OpenClaw 的高效执行能力。

---

12.11 核心启示

对比 Hermes 和 OpenClaw，我们可以得出关于 Agent 架构设计的几个重要启示：

1. 自改进 vs 人类控制 — 这是最根本的设计选择。Hermes 选择让 Agent 自己进化，OpenClaw 选择让人精确控制。没有对错，取决于场景。

2. 上下文管理的两种范式 — Hermes 用动态推播 + FTS5 搜索（类似”按需拉取”），OpenClaw 用守护者管道 + 硬软限制（类似”防护式管理”）。

3. 并发模型很重要 — Lane 的 6 种模式解决了一个真实痛点：用户不会乖乖等 Agent 回复完再发下一条消息。

4. 工具调用的优化空间巨大 — Hermes 的 execute_code 证明了，减少 LLM 往返次数是提升 Agent 性能的最有效手段之一。

5. 社区规模 ≠ 技术优势 — OpenClaw 社区远大于 Hermes，但 Hermes 的自进化管道和 Honcho 是技术创新。选择时看的是功能匹配度，不是 Star 数。

---

本章小结

对比维度	Hermes Agent	OpenClaw
一句话	自改进的自主 Agent	企业级 Agent 网关
语言	Python	TypeScript
核心理念	Agent 越用越聪明	人精确控制 Agent
独门武器	Honcho 辩证式用户建模	Lane 并发模型
上下文	动态推播 + FTS5	5 阶段守护者
技能	自动创建 + 自优化	社区市场 + 热更新
部署	轻量，支持无服务器	Gateway 常驻
适合	研究、学习型场景	企业、多通道、中国生态

选择建议：如果你是 Web 开发者转型，OpenClaw 的 TypeScript 生态和中国社区支持可能更友好；如果你对 AI/ML 研究感兴趣，Hermes 的自进化和 RL 集成更具吸引力。两者都值得了解，因为它们代表了 Agent 架构设计的两种主流范式。