Hermes Agent：那个「越用越聪明」的 AI Agent，凭什么这么火？

两个开源 AI Agent 框架，一个主打自我成长，一个主打多平台整合。到底谁更适合你？

最近技术圈有一个项目被频繁提起，叫 Hermes Agent。

不是某家大厂出品，是 Nous Research（就是做 Hermes 系列大模型的那个实验室）开源的 AI Agent 框架。GitHub 上目前10w + stars，上线没多久社区已经相当活跃。

有人说它"像 OpenClaw 加上了一周的手动调试 + RAG + 记忆持久化 + 更好的工具调用"。

这个比较挺有意思的。OpenClaw 我们用了一段时间，也比较熟，这篇就聊聊这两个东西到底有什么异同，以及各自适合什么场景。

先说 Hermes Agent 是什么

Hermes Agent 是一个开源 AI Agent（MIT 协议），核心卖点是「闭环学习」。

大多数 Agent 框架是这样的：你说一件事，它做，做完了。下次同样的事，重新来过，没有记忆、没有沉淀。

Hermes Agent 想干掉这个问题。它的设计逻辑是：

完成任务 → 保存经验 → 生成 Skill → 下次直接调用

这个"Skill"不是抽象的东西，是实实在在的结构化 Markdown 文件，记录了操作步骤、踩过的坑、验证方法。再碰到类似任务，它不用从头摸索，直接读文件就行。

除了 Skill 系统，它还有几个值得关注的设计：

· 真正的持久记忆：用两个文件管理上下文——MEMORY.md（环境知识、规范、教训，约 800 tokens 上限）和 USER.md（你的习惯和偏好，约 500 tokens），每次会话开始时注入 system prompt。历史会话存 SQLite + FTS5 全文索引，支持跨会话语义搜索，能回忆几周前的内容。另外内置了包括 Honcho 在内的外部记忆提供商插件，可按需扩展。

· 跑在你自己的机器上：支持 6 种终端后端——本地、Docker、SSH 远程服务器、Singularity（HPC 集群）、Modal 和 Daytona。其中 Daytona 和 Modal 提供 serverless 持久化环境，空闲时几乎零成本。

· 47 个内置工具：网络搜索、文件操作、终端命令、图片生成、TTS、视觉理解……开箱即用，不用额外配置。

· MCP 集成：支持 Model Context Protocol，可以接入 GitHub、数据库或任何暴露了 MCP 端点的服务，几行配置就能扩展。

· 模型无关：OpenAI、Anthropic、Google、Nous Portal、OpenRouter、本地 Ollama/vLLM/SGLang 都行，切换只需一条命令，不改代码。

· 跨平台控制界面：从一个 Gateway 管理 Telegram、Discord、Slack、WhatsApp、Signal、Matrix、Mattermost、Email、SMS、DingTalk、Feishu、WeCom 等 15+ 个平台。在哪个 app 发消息都能控制 Agent。

OpenClaw 是什么路子

OpenClaw 的出发点不一样。

它的核心定位是：把各种消息平台变成你的 AI Agent 控制台。

简单说就是，你在 WhatsApp 给它发条消息，它去帮你做事。整个交互界面就是你日常用的聊天 app，不用学新工具，不用开什么 Dashboard。

它目前支持的渠道相当全：

· 内置渠道：Discord、Google Chat、Signal、Slack、Telegram、WebChat、WhatsApp 等

· 内置插件渠道：BlueBubbles(iMessage)、Feishu（飞书）、LINE、Matrix、Mattermost、Microsoft Teams、Nextcloud Talk、Nostr、QQ Bot、Twitch、Zalo 等

· 可选独立安装：WeChat 等第三方插件可进一步扩展

国内平台（飞书、QQ Bot）到国际主流(Discord、Telegram、Slack、WhatsApp)全覆盖，一个 Gateway 统一管理。

架构上它有个本地 Gateway（控制平面），统一管理 sessions、channels、工具和事件。同一个 Agent 可以跨平台收发消息，同时响应来自不同渠道的请求。

模型侧支持 35+ 家提供商（Anthropic、OpenAI、Google 等），也支持 vLLM、SGLang、Ollama 等自托管端点。

另外它也有 Skill 系统——通过安装 Skill 扩展能力，有一个社区 Skill 市场(ClawHub)。Skills 主要是人工编写的，代码质量可控、可审计，扩展路径是人驱动的。

两者的核心差异

硬要用一句话概括：

Hermes Agent = 自我成长的研究型 Agent
OpenClaw = 全平台打通的消息指挥中心

展开说：

自学习能力

Hermes 最大的差异点就在这里。它有一套完整的"经验 → 技能"转化机制：Agent 在完成复杂任务（5+ 次工具调用）、走出死路、或者被用户纠正之后，会主动把这段经历转化成结构化的 Skill 文档。干得越多，沉淀的 Skill 越多，之后类似任务就越快、越准。这个闭环是系统性设计出来的，不是噱头。

OpenClaw 也有 Skill 系统，但 Skills 是人工编写、手动安装的。这很好——代码质量可控、可审计——但扩展路径是人驱动的，不是 Agent 自己生长的。

平台覆盖

两者在平台覆盖上都相当完整，侧重略有不同。

OpenClaw 渠道覆盖全面，内置 + 插件覆盖国内外主流平台：Discord、Telegram、WhatsApp、Signal、Slack 等国际平台，以及飞书、QQ Bot 等国内平台均有支持，WeChat 可通过第三方插件接入。整个渠道体系由统一 Gateway 管理。

Hermes 官方文档标注支持 15+ 个平台，覆盖 Telegram、Discord、Slack、WhatsApp、Signal、Matrix、Mattermost、Email、SMS、DingTalk（钉钉）、Feishu（飞书）、WeCom（企业微信）等，国内外主流渠道基本都有。

研究与工程向工具

Hermes 有个不寻常的功能：批量任务处理(batch_runner)、Atropos RL 训练环境……这些是给 AI 研究者用的，配合 Nous Research 自己的 Hermes/Nomos/Psyche 模型生态，适合做 Agent 底层研究和训练数据收集。

OpenClaw 没有这个方向，它不是科研工具，是生产工具。

技术栈

Hermes 用 Python，模型无关，支持各种本地推理后端(Ollama、vLLM、SGLang)。

OpenClaw 用 Node.js，也是模型无关，有个统一的 API 层对接 35+ 家 LLM 服务。

各自适合什么场景

这两个项目其实不太构成直接竞争，针对的场景有明显区别：

选 Hermes Agent 如果你……

· 想让 Agent 在长期使用中真正变聪明、积累经验

· 做 AI 研究、需要轨迹数据和 RL 训练环境

· 以 Python 栈为主，喜欢接本地模型

· 需要 MCP 协议做服务集成

· 使用 Telegram/Discord 等作为主要控制界面

选 OpenClaw 如果你……

· 需要在多个消息平台（尤其是国内外并重）统一管理 Agent

· 团队已经在用飞书/钉钉/企业微信作为主要沟通工具

· 更看重稳定性和可控的 Skill 管理

· 偏向 Node.js 生态

· 有企业级部署需求

当然，两者都在快速迭代，功能边界也在模糊。Hermes 的平台支持在增加，OpenClaw 的记忆和自学习能力也在演进。

模型选择这件事,两者都绕不开

不管用哪个框架，有一件事是共同的：底层接的是哪个大模型，直接决定 Agent 的能力上限。

Agent 框架再好，推理能力差的模型照样给你交废答案。工具调用、指令理解、多轮对话——这些都高度依赖底层模型的质量。

Hermes Agent 支持通过 Nous Portal、OpenRouter、OpenAI、Anthropic、Google，或者本地 Ollama/vLLM/SGLang 接入模型，本质上是在一个统一接口下按需切换。这个思路很实用——需要推理能力就调强模型，需要快速响应就换小模型，成本可控。

HAI 做的也是类似的事。通过 portal.hai.network，可以一站接入包括 Anthropic、OpenAI、Google、DeepSeek、Qwen、GLM、Kimi 等主流厂商模型，统一 API 格式，按量计费，不用对每家厂商单独申请账号和做接口适配。

对于想跑 Hermes Agent 或 OpenClaw 的开发者来说，接 HAI 是个省事的选项——框架配一次，模型随时换，不影响上层逻辑。

小结

Hermes Agent 的出现，让"AI Agent 真正学东西"这件事从设想变成了可部署的系统。它的闭环学习机制、持久记忆、Skill 自生成，代表了一种不同的 Agent 设计哲学：不要每次从零开始，让 Agent 随着使用积累真正的能力。

OpenClaw 则在消息平台整合这个方向上走得很深，如果你的核心诉求是"让 Agent 渗透进日常通讯流"，它目前是最完整的选项之一。

两个项目都值得关注，选哪个主要看你的业务场景和技术偏好。

对开发者来说，更值得关心的可能是：不管跑什么框架，底层的模型调用效率和成本，才是长期跑起来的关键变量。

Build with HAI｜portal.hai.network，一站接入全球顶尖 AI 模型。