小白程序员必看：大模型学习进阶指南，收藏！

本文对比了OpenClaw和Hermes两大AI Agent平台分析了它们在学习闭环、记忆系统、上下文压缩、技能系统、执行环境、安全性和国内生态等方面的差异。OpenClaw注重安全和稳定适合安全合规要求高的场景Hermes则强调自我进化适合快速实验和AI研究。对于想学习大模型的小白用户Hermes更亲和而OpenClaw更适合生产级别的平台。2026 开年以来AI 界有两件巨大福利第一是 OpenClaw 的爆火倒不是说小龙虾解决了多少问题而是他首先为 Agent 的普及做了巨大的贡献其次 OpenClaw 也几乎奠定了由 Agent 去驱动 Skills 的基础交付范式。第二是 Claude Code 源码的泄露这又给正在做 Agent 创业的团队提供了大量优质范本在 CC 之前大家对于什么是 Harness 驾驭工程其实还是有些模糊的。只不过前景是美好的但现实也依旧存在很多问题就我的观察、实践目前 Agent 还没有趋于成熟OpenClaw 在执行任务的稳定性和安全性上都还有很大进步空间。所以后面一定会有越来越多的 Agent 出现他们每次都会进步一丝比如最近逆势而上的 “爱马仕” HermesHermes Agent从 2 月底开源首月破 2.2 万星到 4 月 8 日 v0.8.0 版本发布后单日新增 6400 星不到两个月 GitHub 总星标突破 4.7 万多日霸榜全球开源榜单第一OpenClaw VS Hermes最近常常出现_小龙虾已死爱马仕称王、Hermes 碾压 OpenClaw_这类说法说实话听着挺烦的虽然我也会用这类标题…这个 Hermes 到底是个什么东西又凭撒可以跟 OpenClaw 一较高下我们这里还是要回归本质尽量用工程少量源码的角度为大家展开论述。首先OpenClaw 是一个 TypeScript 写的 AI 助手平台工程化程度相当高。我之前写过几篇拆解文章文章开始有链接大家可以看看。Hermes Agent 是由 Nous Research 团队开发Python 编写可开源商用的一套 Agent 平台Hermes Agent的设计理念是什么和 OpenClaw 最大的区别是什么这是我们今天讨论的重点。在具体展开之前市面上已经有很多类似的拆解文鼓吹了 Hermes 一些不得了的特性所以我需要大家带着以下问题展开阅读学习闭环Hermes 用三层提示词引导 Agent 自己提取技能真的靠谱吗记忆系统三层记忆 vs 单插件槽位Hermes 和 OpenClaw 的设计差距在哪安全 vs 成长智能审批还是默认安全两种哲学你该站哪边Hermes整体架构Hermes 的架构分为四层核心设计理念是闭环学习经验 → 技能 → 改进 → 知识持久化看过我之前的文章的同学对这个架构图一定会感到熟悉这个设计和 OpenClaw 差不多都是分层架构网关、Agent 核心、工具层、执行环境该有的都有OpenClaw 五层架构只不过每个模块的设计出发点有所差异先看这张对比表维度Hermes AgentOpenClaw核心问题Agent 怎么才能越来越强怎么让 Agent 安全可靠地执行任务语言PythonTypeScript技能/插件Agent 自己创建 Markdown 技能文件Plugin SDKmanifest-first严格边界记忆系统三层内置 外部提供商 会话搜索单插件槽位可替换上下文压缩压中间保护两端迭代摘要压最老轮次保留最近归档原始数据安全模型智能审批辅助模型判断风险10 安全模块默认安全执行环境6 种后端含无服务器3 种后端偏安全沙箱国内平台飞书/钉钉/企业微信/微信 原生支持飞书/QQ 扩展支持研究能力内置 RL 训练工具链纯产品无训练能力有了整体印象后下面我们来讲细节首先是最核心差异学习闭环学习闭环Hermes 和 OpenClaw 的差异几乎都从学习闭环这一点衍生。OpenClaw 回答的问题逻辑是怎么让 Agent 安全可靠地执行任务。所以我们看到它的设计是多层审批、安全审计、沙箱隔离、严格插件边界。而 Hermes 回答的逻辑是Agent 怎么才能越来越强目的不一样那么架构设计的方向就会有细微差异最初我是比较偏向 OpenClaw 的因为安全、稳定才是上生产的必须从这个角度再看它的安全机制10 多个安全审计模块、危险工具白名单、沙箱隔离意义就很大可以说完全是工程实践的产物。只不过普通用户可能感知不到安全问题对这个也不太敏感、OpenClaw 虽然做了很多策略但也没正经人会让他去上生产执行_严肃性_任务这就造成了一个结果我们这些 AI Agent 一线的打工人可以很深刻感受 AI 带来的不确定性甚至会遭遇删文件删数据这些情况但从学习的角度来说这块又有些多余毕竟现在 OpenClaw 更多还是在自娱自乐。然后就是 Hermes 了既然现阶段目标都还是范式探索而不是完全生产架构那么自进化、越用越强就是个非常好的特性了。比如 Hermes Agent 的 skill loop 这个源码整个设计思路就很有意思很值得学习借鉴一番其核心思路是一个闭环核心代码在这几个函数里面agent/skill_utils.py、skill_manager_tool.py、prompt_builder.py我原本以为这个自我进化是靠某种自动 pipeline比如 cron job 定时触发 skill extraction 脚本。这里先科普下什么是自进化所谓自进化对于 AI 应用来说所谓的自进化其实与数据飞轮的策略是很类似的如果是 AI 客服类项目传统做法是先把用户问题、客服回复、最终是否解决这些数据沉淀下来再从这些数据里筛选高质量问答、失败案例、争议案例然后由人工或系统对这些内容进行整理、归类、清洗最后再回灌到知识库、意图库推动下一轮回答效果提升这是一个很典型的闭环交互数据积累 → 经验提炼 → 知识沉淀 → 下一轮效果提升所以大家才会经常提数据飞轮因为它描述的是系统会因为数据回流而逐步变强。AI 知识库其实就是最早、也是最常见的一种_自进化_形态。这里处理的更多是边界数据、错误数据回填的是知识库系统架构本身并没有变化但因为知识库越来越强整个系统表现就越来越好了。从这个点再回顾 Agent/Hermes 架构那么一样的基本的架构一定不会发生变化而 Agent 也不会涉及数据那么能变的就只有工作方法了也就是我们常说的_工作流_而根据之前 OpenClaw 的启示现阶段 Agent 用以承载 Workflow 的模块就是 Skills。综上Agent 的自进化是围绕着每一个 skill 做展开的接下来再说我们之前做自进化的策略我们的 Agent 的自进化策略如前所述从工程上看所谓 Agent 的自进化本质上就是把一次次任务执行中产生的经验重新回收再沉淀成新的 Skill、规则或工作方法。既然是经验回收那最符合传统工程习惯的实现方式往往就不是让 Agent 在主链路里自己边做边判断而是单独拉出一条后台流水线。这条流水线大概会长这样任务执行完成 → 记录执行轨迹 → 筛选成功/失败案例 → 提取可复用模式 → 生成或更新 Skill 文件 → 下次任务继续使用如果再翻译翻译那就是前台 Agent 负责完成任务后台系统负责收集日志、调用链、报错信息和成功路径再由独立的模块去分析这些轨迹最后把总结结果写回技能库、经验库或者某种规则文件这是一种很典型的设计也是很多 AI 应用更常见的做法。所以我最开始才会觉得Hermes 背后应该也有一条类似的自动化学习流水线。只不过看了下代码貌似并不是那么回事Hermes 的自进化策略Hermes 的技能提取没有一行硬编码的自动触发逻辑它在三个地方写了提示词引导 Agent 自己判断要不要把这个经验存下来这里举个例子我在日常开发 Agent 的时候经常遇到某些问题模型在使用技能我们已经编排好的技能的时候尤其是多次执行的时候有可能会在同一个地方报错。我的解决办法是 把报错行为和成功的经验 写到模型能看到的一个知识库中我没让他改技能的原始内容我主要怕他乱改知识库的经验总结之后我在手动改技能说明…这个动作是不是“多此一举”在于你要不要相信 AI其中知识库类似这种## 知识库文件 你的知识库文件路径为{knowledge_path} 当你需要保存经验、用户偏好、学习到的知识时请使用 file_write 工具写入该文件 该文件的内容会在每次对话时自动加载到你的系统提示中。再回归 Hermes他的三层提示词分工很清楚第一层告诉 Agent 什么时候该创建技能。第二层列出了五条创建条件和三条更新条件。第三层在 Agent 使用技能时督促它持续改进没有硬编码的自动提取逻辑全靠提示词引导。于是这里真正的问题和与之前的差异就出现了完全依赖 prompt 是否靠谱呢会不会跑偏这个答案几乎是肯定的肯定不会每一次都正确大概率会有跑偏的时候但这套机制的设计者显然认为大模型的指令跟随能力足够强即便现在不够强以后肯定能满足能把什么时候新增技能什么时候更新技能这件事情识别出来。综上从这里其实也就能说清楚 Hermes 的定位了做一些稳定性要求不高的任务更合适因为这东西从架构设计上追求的是更灵活而不是更稳定举个实际的例子你让 Agent 帮你做一期小红书内容运营。它先搜索当下热门话题发现某个美妆趋势正在爆发接着根据这个热点生成配图再分别写出小红书笔记和公众号长文排版、标签、封面建议一条龙。前后调了搜索、图片生成、内容撰写好几个工具超过 5 次工具调用满足硬指标完成后它把这套流程提取成技能文件--- name:hot-topic-content-creation description:热点追踪与多平台内容创作技能 conditions: platforms:[macos,linux,windows] --- # 热点内容创作流程 ## 步骤 1. **搜索当前平台热门话题/趋势筛选与自己领域相关的话题** 2. **分析热点关键词确定内容切入角度** 3. **根据话题生成配图封面图内文插图** 4. **撰写小红书笔记标题党口语化正文话题标签** 5. **基于同一话题改写为公众号长文深度分析观点输出** 6. **生成发布建议最佳时间、标签组合、互动话术** ...这个主要是写给Agent看但是我们也可以随时查看技能详情也可以自定义修改。人和 Agent 都能查看下次再遇到类似任务直接调这个技能不用从头推理整体貌似挺不错的。这里小结下Hermes 具备一个能力在执行一个复杂任务成功后他们可以将他沉淀为 skill至于什么时候 Hermes 会沉淀 skill这里有个基本倾向策略成功完成了一个复杂任务尤其是工具调用较多比如官方文档的 5 tool calls 例子。中途遇到错误或死路但最后找到了可行路径。用户纠正了它的做法。也就是外部反馈明确告诉它原来的方法不对新的方法更好。它识别出了一个 non-trivial workflow也就是可能常用、可复用、多步骤的方法链这个是适应于 skill 的定义的。不过我读到这里的时候也产生了一个疑问如果不断让 Hermes 做事技能会不会越来越多多了之后system prompt 里塞了一堆技能索引模型还能准确判断该用哪个吗从源码看Hermes 用了渐进式披露skills_list只返回名称和描述不会一股脑全塞进去。个人用户技能数量大概率也就几十个基本也就覆盖了个人工作生活的场景模型还是能够准确识别的。真正的出问题会在团队使用当技能累积到几百个的场景这时候可能需要更智能的技能检索机制单纯把技能索引塞进 system prompt 里模型判断就不一定准确、混用、乱用的情况就会出现。记忆系统在记忆这块两个项目也有较大的差异OpenClaw 把记忆当作一个特殊插件。也就是说记忆在它的体系里并不是某种不可替换的核心模块而是被放进了插件机制中统一管理。这种做法的好处很明显实现简洁、边界清晰、可替换性强。可以说OpenClaw 就没认为自己的记忆系统一定适应于所有团队所以做了个最简实现他要的就是我们用自己的插件去替换所以 OpenClaw 这块做得就很轻他同一时间只激活一个记忆插件也意味着系统对记忆来源、记忆读写、记忆注入方式都有较强约束不容易失控。只不过可控的另一面就是缺乏灵活性这也是 OpenClaw 设计的初衷他关注记忆这件事怎么接进系统才不会破坏整体稳定性。至于Agent 怎么靠记忆越来越像人这个权限或者能力平台交给了我们。Hermes Agent 的话把记忆分为三个部分内置记忆这一块设计得很简单就两个文件MEMORY.md更多是 Agent 自己用的记录一些环境信息、项目里的约定还有踩过的坑USER.md专门存用户画像比如偏好、沟通习惯这类东西这东西本来挺简单但有个细节需要注意系统提示词里拿到的记忆并不是实时的而是会话启动那一刻的一个快照。也就是说你在当前对话里往MEMORY.md写了新内容这些东西确实会立刻落盘但模型这一轮对话是看不到的。只有等下一次重新开一个会话这些新记忆才会被带进系统提示词。这个设计应该是为更好的利用缓存降低推理成本而且这两个东西是不应该总改的所以有延迟也还好。另外写入记忆的时候| Hindsight | 专注会话记忆适合做跨会话上下文衔接 || Mem0 | 走向量检索这一套按语义找历史记录 || Byterover | 偏代码场景适合存编程相关上下文 || Holographic | 做多维关联的有点像关系网那种记忆 || OpenViking | 一个开源实现比较偏基础能力 || RetainDB | 基于数据库做持久化思路比较传统 || Supermemory | 主打跨平台整合什么都能往里收 |Hermes 这一块的设计和 OpenClaw 有一点像希望通过一种可插拔的方式把不同实现接进来。至于为什么要这样设计我们这里举个例子比如你一开始做的是内容创作 Agent最需要的是记住用户风格和偏好那你可能更偏向接一个擅长用户建模的 provider。但后来你把这个 Agent 拓展到代码场景开始帮人修 bug、记项目约定这时候原来的记忆后端可能就不够用了你会更想换成一个更适合代码上下文的 provider。Hermes 官方文档也明确把外部记忆能力区分成用户建模、语义搜索、知识图谱、跨会话记忆等不同方向。从这里大家应该也会有相对直观的感受了Hermes 这波的用户还是更偏向于 2C/个人/小团队就现阶段他的记忆和 skill 组织方式更像在做一个陪伴 Agent官方这块也有叙述当前 Hermes 的特点是更懂你。可以说这挺聪明的还是跟当前 Agent 不稳定/灵活的特性有关系团队协作确实还不合适所以做得越灵活个人尤其是小白就越喜欢用必定他们会感觉到似乎比 OpenClaw 更聪明。会话搜索Hermes 不会在每一轮都把历史对话直接塞进上下文。而是提供了一个工具session_search让模型在推理过程中按需去c查询历史流程如下先用 FTS5SQLite 的全文搜索引擎在历史对话里找匹配的消息按相关性排序。 然后把匹配到的消息按会话分组取前几个会话 每个会话加载完整对话记录截取匹配点前后约 10 万字符 最后把这些丢给一个便宜的辅助模型做摘要返回的是针对搜索关键词的会话摘要不是原始对话。这里和 OpenClaw 的思路就就不一样。OpenClaw 搜到什么就直接丢给主模型让模型自己去判断哪些有用。Hermes 在中间加了一层 LLM把信息先压缩、过滤一遍再注入当前上下文。这么做的好处是上下文更干净噪音更少但代价就是多了一次模型调用以及一点延迟而且大模型处理的效果逻辑上会更好所以孰优孰劣不好说。所有这些类似这种设计都可以在算力和质量之间做取舍更多的循环确认结果肯定会显得更聪明。然后就是MemoryProvider这一层其实很关键它直接嵌进 Agent 推理循环里的参与的时机非常多class MemoryProvider(ABC): def prefetch(self, query) - str def queue_prefetch(self, query) - None def sync_turn(self, user, assistant) def on_turn_start(self, turn_number, message) def on_pre_compress(self, messages) - str def on_delegation(self, task, result) def on_memory_write(self, action, target, content) def on_session_end(self, messages)这里按执行阶段去看会更清晰一点。在每一轮开始之前它可以通过 prefetch 把相关记忆提前捞出来塞进上下文如果不想阻塞当前推理可以走 queue_prefetch异步去准备下一轮要用的东西。到了对话进行中像 sync_turn 这种是在每一轮结束之后把新的交互同步进去相当于是持续在喂数据。还有几个 hookon_pre_compress在上下文压缩之前先把关键信息摘出来避免被压缩算法误伤on_delegation子 Agent 执行完任务之后可以观察学习on_memory_write当有记忆写入时对外做通知方便接外部系统最后到会话结束还有一个 on_session_end用来做总结沉淀这一步更像是在做长期记忆整理。整体看下来这套设计在 Agent 的整个生命周期里插了一层可编排的记忆系统。什么时候读、什么时候写、什么时候压缩、什么时候总结全部是可控的。这也是为什么它能同时对接那么多外部 MemoryProvider因为接口本身就是围绕“推理过程”设计的而不是围绕“数据存储”。最后我们来个简单的案例做串联记忆案例假如你长期把 Hermes 当成一个_内容运营 文章写作助理_来用。第一次对话你对 Hermes 说我写文章喜欢先讲架构再讲细节我不希望你自动改原始 skill 文件我现在主要做公众号和小红书内容这时候Hermes 可能会把这里面一部分内容写进**USER.md比如喜欢工程化表达、不喜欢太虚**MEMORY.md比如当前主要工作是内容运营与文章分析、不要自动改原始 skill 文件这两类内容属于长期稳定、值得反复带入上下文的信息。官方文档明确说USER.md 适合存偏好和沟通方式MEMORY.md 适合存环境、约定、经验和已完成工作的摘要。日常对话接下来几天你和 Hermes 聊了很多内容比如某篇公众号文章怎么起标题某次小红书内容怎么选题某个 skill 在第 3 步总是出错…这些对话内容并不会都塞进 MEMORY.md / USER.md而是会被放进对话数据库。检索取出某天你开了一个新会话上周我们不是聊过一个 Agent 自进化和知识库数据飞轮 的比喻吗帮我找回来这时候 Hermes 当前 system prompt 里只有会话启动时注入的 MEMORY.md / USER.md 快照。于是它就会用 session_search先在 SQLite 的 FTS5 索引里按关键词找相关历史消息。找到相关会话后不是把原始长对话一股脑扔进来而是返回针对这次查询的摘要。然后主模型基于这个摘要继续回答你这里需要特别说下整个检索流程上述的问题可能会被拆解为以下关键词Agent 自进化知识库数据飞轮比喻然后通过 SQLite FTS5 在历史消息里找包含这些词或相近表达的内容。这里搜出来的结果可能不是只命中一条消息而是一坨信息而后将这些信息丢给辅助模型做判断跟问题一起提炼出相关的内容比如最后返回这样的东西你们当时讨论的核心比喻是 AI 知识库的自进化本质上是把错误案例、边界案例、争议案例回流到知识层 Agent 的自进化则是把任务执行中的成功路径、失败模式和可复用 workflow 回流到 Skills 层。 前者沉淀的是答案后者沉淀的是做事方法。 所以两者都像数据飞轮只是飞轮驱动的对象不同.更多额外信息这块有个难点或者说一个我还没完全搞明白如何使用的点MemoryProvider。在上述场景中长期背景信息以及历史对话理论上都找回了那如果我有更多的私有化数据该怎么办比如用户画像、知识图谱等。这里将问题换一下你觉得我这段时间反复在关注哪些主题这种问题很难靠一次会话检索解决。因为答案可能分散在很多轮对话里每一轮都只露出一点点单条检索命中并不明显但长期看却已经形成了稳定模式。这时候外部 MemoryProvider 的工作是把很多次对话里反复出现的信号整理成一种长期可复用的记忆。也就是说MemoryProvider 给了 Hermes 一个选择性沉淀的能力。外部 provider 会在每轮回复后同步对话在会话结束时做记忆提取还会镜像 built-in memory 的写入。记忆这块就说到这其实大家可以看出来还是在自己玩第三层记忆主要还是在对第二层记忆系统做补足处理的是那种不能一次性搜出的内容。但 Agent 真正的难点和复杂度不在这里真正的难点是如何利用外部知识库的课题。举个例子我现在用 Hermes 实现的是一套管理 Agent而我已经有了 40节课 的管理 markdown 文档那么 Hermes 应该如何有效利用这些数据这是很困难的。具体这里不展开…上下文压缩长对话场景下上下文窗口迟早会被塞满压缩是躲不掉的关于压缩的策略。两个项目的核心思路其实是一样的都是用LLM 提取摘要把关键信息留住区别在于从哪儿开始压OpenClaw 的做法是 从最老的对话轮次也就是头部开始压缩最近的对话原样保留。OpenClaw 压缩前会保留快照原始消息归档到 archive 路径OpenClaw 还做了一套缓存稳定性措施比如确定性排序、空格规范化、cache boundary marker。Hermes 的ContextCompressor在agent/context_compressor.py里则是保护两端、压缩中间具体来说system prompt 最初几轮对话head和最近约 20K tokens 的对话tail都不动中间的轮次用辅助模型生成结构化摘要。跨多次压缩时采用迭代摘要不是从头重写而是在上一版摘要基础上增删改。摘要的前缀长这样## 已解决的问题 - [配置问题]: 已通过修改 ~/.hermes/config.yaml 解决 - [依赖缺失]: 已 pip install 缺失包 ## 待决问题 - [性能优化]: 当前方案是用缓存还在评估其他方案两种做法的差异在于OpenClaw 从头压Hermes 压中间。OpenClaw 额外保留了完整归档和快照信息可回溯Hermes 的迭代摘要机制更注重跨多次压缩的信息连续性。需要那种压缩机制取决于我们的任务场景高频调用、成本敏感选 OpenClaw、需要深度推理、信息不能丢选 Hermes。我这里没有什么倾向性但看得出来 Hermes 依旧比较吸引用户总而言之他的选择的结果就是看上去要聪明些…技能系统两个项目在怎么让 Agent 积累任务经验这件事上路径完全不一样。OpenClaw 的 Skills 是预定义的任务流程描述由开发者或用户手动编写Skills 的定位是给 Agent 的操作手册告诉 Agent 遇到某类任务该按什么步骤执行。创建和更新都依赖人工维护Agent 本身不会主动创建或改写 Skill。然后值得一提的是OpenClaw 的 Skills 库极其丰富Hermes SkillsHermes 的 Skills 走的是另一个方向Agent 自己就能写技能。技能就是 Markdown 文件放在~/.hermes/skills/下面不需要编译、注册、审批。Agent 在推理过程中发现一个复杂问题的解法有价值就直接写一个 Markdown 文件存下来。上一节讲的学习闭环最终沉淀下来的产物就是这些 Skill 文件。核心差异维度OpenClawHermes创建方式人工/开发者编写Agent 自动提取 人工可编辑更新机制人工维护Agent 自主判断是否更新存储形式结构化定义Markdown 文件设计出发点标准化、可控自我进化、持续学习简单说OpenClaw 的 Skills 是人教 Agent 怎么做Hermes 的 Skills 是Agent 自己总结怎么做一个偏向指令执行一个偏向经验沉淀。社区生态方面Hermes 的optional-skills/目录下有 40 个社区技能包分 13 个类别从区块链到 MLOps、安全审计到 Blender 3D 建模。OpenClaw 的 Skills 目前主要以官方和团队内部维护为主。OpenClaw 的人工 Skills 在企业环境里更可控Agent 照着标准流程走这件事本身就有价值直接封装企业的工作流。Hermes 的自动提取技能保存在个人使用和研究场景下更灵活Agent 用得越多积累的经验越多。还是那个点OpenClaw 这块肯定更稳定但对于小白用户来说他们搞不定那个生态所以 Hermes 大概率对小白用户更为亲和。执行环境执行环境这一块Hermes 给的选择是比较多的一共支持六种。它的思路其实很直接把执行环境当成一个可g更改的后端能力。比如 Daytona 这一类是沙盒 生命周期管理可以通过 stop / resume 来省资源Modal 更偏按需启动通过文件系统快照来保存状态用的时候拉起来不用就关掉。底层实现上所有执行环境都收敛到一个统一抽象class BaseEnvironment(ABC): def execute(self, command, cwd, env) - dict如果需要切换执行环境只需要修改配置即可。对比来看OpenClaw 在这块的思路就不太一样了它是安全优先。把整套执行流程包了一层防护有多层审批机制像 safe-bin、allowlist、执行审批这一套 自带一套隔离比较彻底的 Docker 沙箱甚至包括浏览器环境 另外还有审计系统在策略层面做限制执行方式上它支持本地 Docker SSH 远程沙箱整体是一个更偏生产环境的设计。所以这一块如果简单总结一下其实就是两种取向Hermes环境多、切换轻适合快速试、灵活用OpenClaw限制多、边界清适合需要安全兜底的场景如果是个人项目或者原型验证Hermes 会更顺手但一旦涉及到企业环境尤其是有安全合规要求的OpenClaw 这一套会更让人放心一点。只不过 OpenClaw 当然也远到不了生产环境的要求这个阶段依旧是 Hermes 吃香。子 Agent两个项目都支持把任务委派给子 Agent他们在这块的设计原则是一样的父 Agent 只需要结果怎么干的不重要上下文窗口本来就不够用不该被细节塞满。OpenClaw 用的是 ACPAgent Client Protocol有专门的服务端和客户端实现偏标准化。sessions_spawn工具默认在 HTTP 端口上被拒绝需要显式启用对委派操作的态度比较谨慎。Hermes 把委派做成了一个内置工具Delegate Tool更直接几个设计要点子 Agent 是全新会话不继承父 Agent 的历史对话 工具黑名单子 Agent 不能用 delegate_task防递归、clarify不能跟用户交互、memory不能写共享记忆、send_message不能产生跨平台副作用、execute_code应逐步推理而非写脚本执行 最大深度 2 层每子 Agent 最多 50 次迭代 父 Agent 只看到摘要不看完整推理过程严格来说整个多系统这东西依旧不成熟所以两个 Agent 系统都做得偏弱或者说确实也用不着做得太深当前把 单Agent 玩明白就很不错了。安全安全这块两个项目的差距挺大的是所有模块里面差距较大的一个OpenClaw 原则是默认安全高权限需显式声明。有专门的SECURITY.md和漏洞响应流程安全测试覆盖很全。Hermes 走的是另一条路智能审批同时也有危险命令检测如rm -rf、sudo、chmod 这些。但是它在设计上多了一个机制用便宜的辅助模型来判断命令风险级别低风险自动通过高风险才需要用户确认。# 简化的智能审批逻辑 def smart_approve(command) - bool: risk_level cheap_model.evaluate(command) if risk_level low: return True # 自动通过 else: return ask_user(command) # 需用户确认Hermes Agent 在使用用辅助模型做风险判断这件事本身就引入了一个新的信任问题辅助模型如果判断不准怎么办源码里我没看到针对 辅助模型判断的检查这里就引入了一个安全问题。此外还有上下文注入防护检测提示注入、不可见 Unicode 字符、凭证外泄等攻击模式…国内生态Hermes 在中国生态上优势挺大。消息平台方面飞书、钉钉、企业微信都有对应的 Gateway 插件gateway/platforms/下的这套 API 支持收发文本、图片、语音、视频、文件还能发正在输入状态。从APP_ID “bot” 和端点路径来看应该是腾讯面向开发者提供的 Bot 接入能力走的是官方正规通道。OpenClaw 通过扩展插件支持飞书和 QQ 机器人extensions/feishu/、extensions/qqbot/但缺钉钉、企业微信和个人微信的原生支持。模型方面Hermes 通过 models.dev 集成了 4000 模型的元数据包括智谱、月之暗面、MiniMax。hermes model一行命令切换模型。还有个离线快照机制先从打包数据加载再从磁盘缓存读最后才从网络拉取网络不好也不影响使用。OpenClaw 走的是 Provider Plugin 路线每个提供商一个插件支持 Auth Profile 轮换和 Failover集成深度不错广度不如 Hermes。研究能力Hermes 除了做产品同时也是研究工具。项目根目录下有rl_cli.py、batch_runner.py、trajectory_compressor.py一套完整的 RL 训练工具链。研究工具链 Atropos RL 框架集成 ├── 批量轨迹生成给模型训练造数据 ├── 轨迹压缩优化训练效率 └── SWE 基准测试环境 配套的 RL 工具集10 个专用工具 rl_list_environments 列出可用环境 rl_select_environment 选择训练环境 rl_start_training 开始训练 rl_check_status 查看训练状态 rl_get_results 获取训练结果 ...Hermes 的想法是训练下一代工具调用模型用自己跑任务产生的轨迹数据去训练更强的模型再用更强的模型跑更好的任务。OpenClaw 在这一点上立场很明确它就是产品不涉及训练。如何选择聊了这么多说说我的看法。OpenClaw 的优势是安全、稳定、渠道多。TypeScript 生态对前端和全栈友好macOS Menu Bar App 和 iOS/Android 原生客户端也加分。安全合规要求高的可以选它。Hermes 的优势在自我进化。安全审计、测试覆盖确实不如 OpenClaw但技能自动提取 三层记忆的这套机制对做 AI 研究的团队、需要频繁切换模型、或者想用 Python 快速做实验的开发者更有吸引力。简单总结下选型思路安全合规是硬要求选 OpenClaw 想让 Agent 自己学习改进选 Hermes 消息平台要覆盖最广的OpenClaw 支持 25 渠道含飞书和 QQ 机器人扩展 但如果主力用飞书、钉钉、企业微信Hermes 三者都有 Gateway 原生支持开箱即用 做 RL 训练研究只有 Hermes 有这套工具链 想低成本 24 小时跑着Hermes 的无服务器后端更合适 TypeScript 技术栈选 OpenClawPython 选 Hermes这里面还有个小细节Hermes 已经提供了hermes claw migrate命令支持从 OpenClaw 一键迁移配置。两个项目不是非此即彼。最后我们说一句私话从整体设计来说Hermes 是非常迎合小白用户的而 OpenClaw 想要做生产级别的平台显然现在各方面环境还不合适现阶段用 OpenClaw/Hermes 的场景依旧是偏玩耍。基于此Hermes 可能会好点但做工程研究还是要看 OpenClaw。说实话我是越研究越觉得 Hermes 这个框架是真鸡贼最后当下AI大模型是当下实打实的优质风口岗位缺口大、发展前景广、薪资待遇突出对比内卷严重、涨薪晋升困难的传统技术岗是普通人转行逆袭的绝佳选择。但很多想要入局大模型领域的朋友都面临无系统学习路径、无实战资源、求职无方向的难题一个人硬啃最容易走弯路、浪费大量时间精力。这里我结合多年一线实战与教学经验整理出一套零基础大模型专属资料包含系统化学习路线图零基础到精通大模型学习书籍 文档电子版2026 最新行业报告项目实战 配套源码大厂面试真题需要的朋友微信扫描下方 CSDN 官方认证二维码免费领取保证 100% 免费。扫码免费领取全部内容下面简单介绍一下资料包含的内容1、大模型系统化学习路线图专属定制从零基础入门到企业级实战的全阶段学习体系划分清晰的四大学习阶段规避碎片化学习弊端适配新手2、0基础到进阶视频教程配套完整高清实操教程覆盖Prompt提示工程、RAG知识库搭建、Agent智能体开发、模型微调、部署落地等核心知识点所有课程搭配实操演示零基础也能轻松看懂、上手实操。3、大模型学习书籍 文档汇总30本行业经典AI、大模型、深度学习精选书籍涵盖理论原理、开发实战、算法基础、AI产品思维等各类内容4、AI大模型最新行业报告整理2024-2026年最新大模型行业白皮书、市场分析报告清晰展现行业发展趋势、技术迭代方向、岗位需求变化帮助学习者精准把握行业风口找准学习和就业方向5、大厂面试真题汇总了常见的AI大模型面试问题、知识点梳理和面经参考方便求职时针对性准备。6、大模型项目实战 配套源码包含GPT应用开发、RAG私有知识库、智能问答系统等多个企业级实战项目配套完整可运行源码从简易Demo到完整商业应用全覆盖帮助学习者将理论转化为落地实战能力积累项目经验。7、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。8、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料