Hermes Agent 深度拆解：它和Openclaw 到底什么关系？
Hermes Agent 深度拆解：它和Openclaw 到底什么关系？
都说它要取代小龙虾，深度使用了一周，给你对比清楚和 Openclaw 的关系，文末告诉你该不该用
✍️ 作者: 大刘
📝 编辑: 大刘
🎨 排版: 大刘
最近这段时间，一个名字把我朋友圈刷爆了。
Hermes Agent。
朋友圈、小群、B 站，但凡聊 AI Agent 的地方都在聊它。
说实话，一开始我是不太当回事的。毕竟小龙虾（OpenClaw）这半年在国内太能打了。346k stars，ClawHub 上 44000 多个技能，13 家大厂抢着接入。这种生态体量，按常识来说，后来者想撼动几乎不可能。
但只要你真去翻 Hermes Agent 的代码并且用上它，你会发现一件让人愣住的事——这两个东西根本不是同一个物种。
我已经深度使用一个星期，可以浅浅的和大家分享下我对它的认识。
话不多说。今天就把这东西从里到外拆开，先说说它到底是个啥。
一、30 秒搞明白 Hermes 是个啥
01
一句话定位：Hermes Agent 是 Nous Research 出品的 MIT 开源 AI Agent，两个月从零冲到 5.2 万 stars，核心卖点只有一个——它会从经验里学习。
Nous Research 这个团队，可能不熟的朋友要我顺一下背景。2022 年从 Discord 起家的开源 AI 集体，做过 Hermes 系列开源大模型。
研究员 + 工程师双重基因。
拿得出论文也敲得了代码。这次的 Hermes Agent，就是他们把"开源模型 + 工程能力"打包进一个 Agent 框架里的结果。
那它凭什么跟已经 346k stars 的小龙虾掰手腕？
我用一个职场类比你就秒懂——普通 Agent 就像是配了 100 个工具的新员工，每天上班都从零开始摸索；而 Hermes 更像是一个会自己写 SOP 的实习生，干过一次之后，下次直接照着自己写的备忘录干。
身份背景讲完你可能会说："不就是又一个开源 Agent 框架嘛。"——但真正让它两个月冲到 50k stars 的东西，其实不是它能干什么。
而是它能记住自己是怎么干的。
二、架构一：闭环学习系统（核心重点）
02
这是 Hermes 最不一样的地方。说白了，大多数 Agent 的记忆都停留在"你说过什么我记得"这一层，而 Hermes 多走了一步——它会把"自己怎么解的这个问题"也记下来，而且记成一份可执行文件。
2.1 闭环五步走
第一步 · 做任务。Agent 接到指令，照常调用工具干活——查资料、改代码、回消息、爬网页，该干嘛干嘛。
第二步 · 自动生成技能。这是魔法发生的地方。当 Agent 在一次任务里连续调用了 5 个以上的工具，它会自动停下来回看刚才那一整串执行过程，然后把"刚才我是怎么一步步搞定这个问题的"提炼成一个 SKILL.md 文件。
第三步 · 存储到技能库。所有技能统一存放在 ~/.hermes/skills/ 目录下，每个技能一个 Markdown 文件，带 YAML frontmatter。纯文本，没有黑盒。
第四步 · 下次复用。再遇到相似任务的时候，Hermes 直接加载对应的技能文件，跳过从零推理这一步——直接从第二章开始看剧。
第五步 · 自我优化。执行过程中如果发现了更好的做法，Hermes 会自动更新那份技能文件。你也可以自己打开改，它就是一份 Markdown，没啥神秘的。
打个比方就很清楚了——就像一个实习生，第一次干活是从零摸索，但他会把每次踩坑的经验写成备忘录。下次遇到类似的事，直接翻备忘录。而且如果发现备忘录里有更好的做法，他还会自己更新。
这就是所谓的闭环学习。听着简单，但这一环扣上去之后，Agent 就从"每次从零开始"变成了"越用越熟"。
2.2 一份 SKILL.md 长什么样
打开一个 SKILL.md 文件，你会看到类似这样的结构——顶部是 YAML frontmatter，写着 name、description、version、metadata 这些字段；下面是步骤说明的正文，再往后是可选的脚本或参考文件。
最关键的一点是——这些技能全是人类可读可编辑的 Markdown，不是黑盒的神经网络权重。Agent 某次犯错生成了一个不靠谱的技能？你打开文件直接删掉或者手动改就完事了。
2.3 三阶段渐进加载
这时候你可能会问——技能攒多了，上下文窗口不就爆了？
Hermes 的解法很聪明。它把技能分成三个阶段加载：
1. 发现阶段：启动时只加载每个技能的名称 + 一句话描述，几十个 token 就够。
2. 激活阶段：当任务真正匹配到某个技能时，才完整加载那份 SKILL.md 的正文。
3. 执行阶段：按指令跑起来，再去拉对应的脚本和参考文件。
这个设计本质上是——脑子里先记得目录，用到哪本书才翻开哪本书。技能数量可以攒到几百上千个，但每次任务实际占用的上下文始终是可控的。
2.4 agentskills.io 开放标准
最后还有一件事得说。这套技能格式不是 Hermes 私有的。它遵循的是 agentskills.io 开放标准——Anthropic 在 2025-12-18 牵头发起，Microsoft、OpenAI、GitHub、Cursor、Figma 已经陆续采纳。意思是 Hermes 里写出来的技能，理论上可以直接在其他采纳这个标准的 Agent 上跑。
跨 Agent 可移植这件事，对整个生态确实是刚需。
所以 Hermes 学会一件事之后，不是把"知识"塞进脑子里，而是把"解法"写成一份可执行文件。下面这 5 层记忆全铺开，你才会明白它为什么叫"会成长的 Agent"。
三、架构二：5 层记忆系统（核心看点）
03
先摆一张总图你心里有个数。Hermes 的记忆不是一坨，而是分成 5 层，每一层负责不同的时间尺度和不同的信息类型。一层一层拆。
第 1 层 · 会话记忆（Session Memory）
最基础的一层，就是当前对话的上下文窗口。所有 LLM Agent 都有这一层，没什么特别。
类比来说就是——你和同事开会的时候，脑子里短暂记住的那些东西。会开完之后，绝大部分就随风飘散了。
第 2 层 · 持久记忆（Persistent Memory）
跨会话存活的事实和偏好，存在 MEMORY.md 和 USER.md 两个文件里。字符数有上限，避免无限膨胀下去把自己撑爆。
典型内容长这样——"用户是数据科学家 / 偏好 bullet points / 项目用 Go 写 / 常用 Kimi K2 模型"。你看，都是事实型偏好，不是程序流程。
类比来说就是——你对同事的那份"印象档案"。他是谁、喜欢啥、常用什么工具，都在这一层。
第 3 层 · 技能记忆（Skill Memory）
上一节讲过的 ~/.hermes/skills/ 技能库就属于这一层。和第 2 层的根本区别是——第 2 层存事实性记忆，第 3 层存程序性记忆。一个是"他是谁"，一个是"怎么干活"。
类比就是——你手头那本越攒越厚的"干活 SOP 手册"。
第 4 层 · 全文检索（Full-text Search）
这一层开始有点东西了。Hermes 用 SQLite + FTS5 给所有历史会话建了全文索引。意思是，哪怕你半年前随口提过一嘴某件事，Hermes 在需要的时候也能翻出来。
但它不是暴力地把整段历史塞回上下文——那会直接撑爆。Hermes 的做法是先让 LLM 把相关片段做摘要，再把摘要注入当前任务。既省 token 又保留信息。
类比来说就是——你的记事本从来不丢，而且带了个超快的搜索框。
第 5 层 · Honcho 辩证建模
这是 5 层里最有意思的一层，也是 Nous Research 的核心差异化设计。
Honcho 是 Plastic Labs 搞的一个独立开源项目，核心产品叫 Dialectic API。它的工作原理是——每次对话结束后，系统会跑一次 Honcho 分析，从你的反应里推导出你没明说的偏好。
举三个具体的例子你就明白了：
▸ 你连续三次要求"再短一点"→ Honcho 推导出你偏好简洁回答；
▸ 你对技术细节问题追问得特别细，但对哲理总结一笔带过 → 推导出你是务实型读者；
▸ 你总是在某个固定时段问同一类问题 → 推导出你的工作节奏和注意力模式。
这个机制有个更学术的名字叫 peer-based Theory of Mind——让 Agent 对用户建立一个"心智快照"。注意一下，Honcho 需要在 Hermes 的 config.yaml 里手动配置启用，不是开箱即开。
这一层就是 Hermes 相比大多数 Agent "多走一步" 的地方。它不只存你说过的话，还推你没说出口的习惯。
说实话，当它把你从来没说出口的习惯也推出来的时候，你多少会背后一凉。
小结一下这 5 层
用一句话收一下——普通 Agent 是金鱼，聊完就忘；小龙虾是做了笔记的金鱼；Hermes 是一个有记事本、有技能手册、还会翻旧账、还会偷偷观察你习惯的同事。
这 5 层记忆听着很美。但一个 Agent 真要干活，最终得看它手里有什么工具、能跑在哪、能连哪些模型。Hermes 在这三件事上的设计，才是它真正敢跟小龙虾叫板的底气。
四、架构三：工具、MCP、部署、模型
04
4.1 47 个内置工具
Hermes 内置了 47 个工具，分成 20 个工具集——网页搜索、浏览器自动化（基于 Camoufox 反指纹）、文件系统、视觉理解、代码执行、子 Agent 委派、Tirith 安全扫描等等，覆盖绝大多数日常 Agent 任务。
和小龙虾需要自己去 ClawHub 挑技能装不同，Hermes 这批工具开箱即用，装完就能跑。"子 Agent 委派"这个设计值得一提——主 Agent 可以 spawn 出子 Agent 去干活，自己保持上下文整洁，不被细枝末节淹没。
4.2 MCP 双向集成
v0.8.0（v2026.4.8）起，Hermes 原生支持 MCP 协议。关键字不是"支持"，是双向。
什么叫双向？意思是 Hermes 既能作为 MCP client 去连接外部的 MCP 服务器，也能把自己变成 MCP server 被 Cursor / VS Code / Claude Code 反向调用。
这件事的工程意义很大。你在 Claude Code 里已经配过的那些 MCP servers——Google Workspace、内部数据库、公司 API——Hermes 启动时会自动发现、自动接上，不需要你重新配一遍。反过来，你在 Hermes 里攒下来的技能和记忆，也可以通过 MCP 被 Claude Code 借走用。
类比一下这件事就是——一个员工不仅会用公司内网所有工具，还允许其他部门反向调用他这个"活工具"。这在 Agent 互操作性这件事上，是个质变。
说白了，这一下 Hermes 就跟 Claude Code 变成同一个身体里的左右手，你的技能和记忆能来回借。
4.3 6 种部署方式
Hermes 支持 6 种部署后端：Local / Docker / SSH / Daytona / Modal / Singularity。
翻译一下就是——从你的 MacBook、到家用服务器、到云端 VPS、到 Serverless 函数、再到高性能计算集群（Singularity 是 HPC 容器标准），从笔记本到超算都能跑。切换只要一行命令：hermes deploy
4.4 200+ 模型 + 一行切换
模型这一环 Hermes 也没有锁。通过 OpenRouter 统一接入 200+ 模型，再加上 Nous Portal / OpenAI / Anthropic / Kimi / MiniMax / 百炼 等直连 provider，基本上你能想到的 frontier 模型都能接。
切换模型一行命令：hermes model。意思是今天用 Claude 干这件事，明天换 Kimi 干另一件，对比 Agent 表现的成本几乎为零。对做 Agent 研发的人来说，这自由度确实是刚需。
还有个彩蛋——Hermes 里带了一套叫 Tinker-Atropos 的 RL 训练管线，给想自己训练 Agent 策略的开发者用。这玩意在竞品里是独一份的，先提一句，后面单独拆。
架构讲到这，Hermes 的盘子基本摊开了。回到开头那个问题——它和小龙虾到底啥关系？说出来你别愣住：不是取代，是两条完全不同的路。
五、和小龙虾的本质区别
05
5.1 先快速介绍一下小龙虾
为了公平起见，先简单过一下小龙虾（OpenClaw）的底牌。
作者 Peter Steinberger 从"一小时原型"一路滚到 346k stars，ClawHub 上 44000+ 社区技能，国内 13 家大厂接入，整个开源 Agent 赛道最大的生态就是它。一句话——体量碾压级。
小龙虾的核心哲学，用一个词概括就是——工具编排。把尽可能多的外部工具、技能、消息渠道、插件编排进一个统一入口。
5.2 核心差异：哲学分化
两者最本质的不同，是哲学层面就分叉了。
1. OpenClaw 押的是"广度"：50+ 消息渠道、44000 技能、伴侣 App、插件化一切，越接越多。
2. Hermes 押的是"深度"：闭环学习 + 5 层记忆 + Honcho 建模 + RL 训练管线，越用越懂你。
这里我换一个新类比你会更有画面感——小龙虾像一把瑞士军刀，什么都能干一点，开箱就能上手；Hermes 像一个学徒，一开始干得还不如瑞士军刀顺手，但跟你干上几个月之后，他会比瑞士军刀更贴你的场景。
一个"广而浅"，一个"专而深"。不是谁对谁错，是两种对 Agent 未来怎么走的不同押法。
5.3 六维对比表
直接上表。
维度OpenClaw（小龙虾）Hermes Agent哲学工具编排心智发展技能机制44000+ 静态技能（ClawHub）自动生成 + 自优化记忆系统持久存储 + 偏好5 层架构（含 Honcho 建模）生态规模346k ★，极大50k ★，快速增长模型自由度自由切换模型200+ 一行切换适合用户团队 / 非技术用户 / 需要广度Solo 开发者 / 重复任务多 / 需要深度
从这张表你能看出来，两者的设计思路从第一行开始就分叉了。不是"谁更强"的问题，是"你要什么"的问题。
5.4 一句话收束
所以这篇文章的副标题其实应该改一下——不是取代，是路线分化。
说得再直白一点——OpenClaw 在回答"一个 Agent 能接多少东西"，Hermes 在回答"一个 Agent 能多像一个人"。这是两个不同的问题。问题都不一样，咋比？
看懂两者的路线分化之后，就剩一个实际问题——那我到底该不该装 Hermes？我把看完这篇文章的读者分成三类人，你对号入座就行。
六、你到底该不该装 Hermes
06
6.1 三类人画像
第一类 · 值得装 Hermes 的人。 你有大量重复的日常自动化任务（研究、监控、内容生成、数据整理都算），你愿意花 1-2 小时配置初始环境，你能接受"前两周没神奇感，第三周开始越用越顺手"这种体验曲线。
典型场景——Solo 开发者、独立研究员、一人公司。Hermes 就是给你造的。
第二类 · 暂时别折腾的人。 你只是想装一个"能替我回消息"或者"能替我写周报"的工具，你没有稳定的 API 预算，你对 config.yaml / 手动启用 Honcho 这类操作一看就头疼，而且你已经有一套成熟的 Openclaw / Claude Code / Cursor 工作流，95% 的工作是写代码。
建议：先继续用你顺手的，再观察一两个月。
第三类 · 应该"双开"的人。 你是全栈开发者或者全能独立创业者，既有大量代码工作，也有大量非代码的研究、运营、监控任务。推荐组合——Claude Code 干代码，Hermes 干其他一切，两者通过 MCP 共享工具层。这其实也是 Hermes 官方一直在强调的用法——不是二选一。
稳态配置，目前最推荐。
6.2 一套能用十年的认知框架
说得狠一点——晚一年看懂这 4 件事，就等于晚一年看懂整个 Agent 赛道怎么走。
其实吧，三类人画像给完之后，这篇文章还剩下最关键的一件事要说。不管未来再冒出多少个 Agent 框架，你都可以用下面这 4 个维度一眼看穿它：
1. 学习闭环——这个 Agent 有没有"做任务→生成可复用资产→下次自动加载"这一整环？没有这一环的，都是加了壳的聊天机器人。
2. 记忆系统设计——它的记忆是平的（一个大文件怼到底）还是分层的（不同记忆各司其职）？分层设计才扛得住长期使用，平的用不了多久就糊成一坨。
3. 工具生态 + 互操作性——它有没有拥抱 MCP / agentskills.io 这类开放标准？封闭生态的 Agent 你用得越用越被绑死，到时候想换都换不动。
4. 模型自由度——能不能一行命令换模型？绑死单一模型的 Agent 抗风险能力太差，模型赛道每三个月就变天一次。
这 4 件事其实是 Hermes 真正教给整个行业的东西。它具体会不会"取代"小龙虾不重要，重要的是——这 4 件事，就是所有 Agent 产品的及格线。
三类人画像给完。但其实这篇文章真正想传的不是"你该选哪个 Agent"，而是更底层的一件事——工具会迭代，但真正决定你能不能吃到 AI 红利的，是一件工具管不了的事。
七、写在最后
07
Hermes 最打动我的那一点，其实不是技术本身。
是它在暗示一件事——工具在进化，但最重要的进化永远发生在用工具的人身上。
你用 Hermes 也好，用小龙虾也好，用 Claude Code 也好。真正的问题永远只有一个——你自己，每天有没有也在"做任务→总结经验→下次更好"的那个闭环里。
框架会迭代。
模型会更替。
生态会洗牌。
但你攒下来的判断力，
不会被任何一次版本更新清零。
这才是真正的闭环。
以上，既然看到这里了，
如果觉得不错，随手点个赞、在看、转发三连吧，
如果想第一时间收到推送，也可以给我个星标⭐～
谢谢你看我的文章
你的关注是我持续更新的动力～