大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



 
  
    
    

      微信 
     ezpoda免费咨询：AI编程 | AI模型微调| AI私有化部署 
     
 AI模型价格对比 | AI工具导航 | ONNX模型库 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo 
 
 
 




    
 
每个使用过 AI 编程助手的开发者都经历过同样的挫败感。你花了一整个下午教你的 Agent 了解代码库的特性——命名规范、部署流水线、没人记录的遗留数据库模式。然后你关闭了会话。当你打开一个新会话时，大部分上下文都消失了。目前有两个项目正在从根本不同的方向解决这个问题。但只有一个被设计为会随时间变得越来越强。
Hermes Agent 在十周内获得了 110k GitHub Stars——成为 2026 年增长最快的 Agent 框架。以下是它究竟与 OpenClaw 有何不同，自学习循环如何运作，以及你何时应该（何时不应该）切换。
OpenClaw 于 2025 年底由奥地利开发者 Peter Steinberger 作为一个周末项目推出。它成为 GitHub 历史上增长最快的开源项目之一——截至 2026 年 4 月初已获得 345,000 Stars，ClawHub 市场拥有 13,000+ 社区技能，并集成了 24 个消息平台。它解决了一个真实的问题：自托管的 AI Agent 可以连接开发者已在使用的应用，支持所有主要模型提供商，并让团队能够在不被供应商锁定的情况下自动化工作流。
然后安全事件接踵而至。2026 年 3 月四天内披露了九个 CVE，其中一个评分高达 CVSS 9.9。对 ClawHub 的供应链审计在初步扫描的 2,857 个条目中发现了 341 个恶意技能——恶意软件率约为 12%。安全研究人员在 82 个国家发现了 135,000+ 个公开暴露的 OpenClaw 实例。Cisco 将像 OpenClaw 这样的个人 AI Agent 称为"安全噩梦"。
在这样的环境下，Nous Research——Hermes、Nomos 和 Psyche 模型系列背后的实验室——于 2026 年 2 月 25 日发布了 Hermes Agent。它做出了一个完全不同的架构选择。
 
  
    
    
 
      
    
Hermes Agent 是一个开源 AI Agent 框架，围绕一个核心架构原则构建：Agent 应该在特定工作流上随着时间推移变得越来越好。不是通过微调或模型更新——而是通过每次任务后运行的闭环学习循环。
大多数 Agent 框架遵循固定循环：接收任务 → 规划 → 执行 → 返回结果。会话结束。没有任何内容被保留。下一个任务从相同的基线开始。在 OpenClaw 中运行同一类型的任务一百次，Agent 并不会因此变得更好——它把每一次都当作新问题来处理。
Hermes 在执行之后增加了一个层。当它完成一个复杂任务时，它会进入 Nous Research 所谓的"反思阶段"。它分析自己的表现，提取可复用的模式，并编写一个新的技能文件，精确编码它是如何解决那个问题的。下次类似任务出现时，Agent 查询自己的技能库，而不是从零开始推理。积累的机构知识在跨会话中不断累积
 
  
    
    
 
     核心架构差异 
    
OpenClaw 的技能是通过 ClawHub 分发的人工编写文件。你来编写、审核、安装它们。Hermes 的技能是由 Agent 根据自身经验自行编写的。可以把 OpenClaw 想象成一个遵循操作手册的助手。把 Hermes 想象成一个在完成任务后自己编写手册的助手——这样下次就能做得更好。
学习循环是 Hermes 的技术核心，也是它能够以 OpenClaw 无法企及的方式实现累积的原因。三个组件共同支撑了它：
 
  
    
    
 
      
    
图 1 — Hermes 闭环学习循环。每个已完成的任务都会反馈到不断扩展的技能库中。未来类似的任务跳过重新推理，直接查询现有技能——在积累了 20+ 个技能后，领域相似任务的执行时间减少 40%。
技能创建。 当 Hermes 成功完成一个任务时，它会编写一个 Markdown 技能文件，编码它所采取的确切步骤。格式遵循 agentskills.io 开放标准——与 Claude Code 和 Cursor 使用的规范相同——因此技能是可移植的。随着时间的推移，技能库从 118 个内置技能增长到数百个由 Agent 自身经验创建的领域特定技能。
用户建模。 Hermes 跨会话构建用户的持久模型。不仅仅是用户分配了什么任务，还包括他们偏好答案的格式、他们想要的详细程度、他们在类似情况下做出的过往决策，以及他们给出的反馈信号。这个模型会持续累积。几周之后，Agent 不再对自己已经了解的事情请求确认。
自我评估。 创建新技能后，Hermes 运行内部评估过程，测试该技能是否能够良好泛化，还是仅适用于生成它的特定实例。未通过评估的技能在添加到库之前会被改进。这正是防止技能库随时间积累垃圾内容的关键。
 
  
    
    
 
      
    
截至 v0.10.0 版本，记忆系统已完全可插拔。你可以通过插件接口替换为第三方后端——Honcho、向量存储或自定义数据库。开箱即用支持六种第三方记忆提供商。这是一个深思熟虑的架构选择：Nous Research 不希望记忆成为一个锁定点。
 
  
    
    
 
     重要注意事项： 自学习默认是禁用的。这困扰了很多首次使用的用户。你必须在 
     ~/.hermes/config.toml 中显式启用持久记忆和技能生成。如果跳过这一步，Hermes 的行为就像一个标准的单会话 Agent，"与你共同成长"的承诺不会兑现。 
    
Hermes 可以运行在从 $5 VPS 到无服务器基础设施的任何设备上，几乎没有空闲成本——你只需在 Agent 主动思考时为 LLM API 调用付费。独立开发者每个复杂任务的总成本在使用经济型模型时通常为 $0.30，加上可选的托管费用。
# Install Hermes Agent 
 
pip install hermes-agent
 
Or from source
 
git clone https://github.com/NousResearch/hermes-agent cd hermes-agent && pip install -e .
 
Initialize your workspace
 
hermes init ~/my-hermes-workspace cd ~/my-hermes-workspace 

关键配置步骤——启用学习循环：

# ~/.hermes/config.toml — the most important file 
[model] provider = “anthropic” # or openai, google, openrouter, etc. model = “claude-opus-4-5” base_url = “https://api.anthropic.com” # one line to switch providers
 
[memory] enabled = true # REQUIRED — disabled by default skill_generation = true # REQUIRED — enables the learning loop user_modeling = true # builds persistent user profile episodic_archive = true # SQLite FTS5 cold recall backend = “sqlite” # or “honcho”, “pinecone”, custom
 
[agent] workspace = “~/my-hermes-workspace” skill_eval = true # validate skills before adding to library max_skills = 500 # cap before pruning low-use skills reflection_depth = “standard” # “light” | “standard” | “deep”
 
[integrations] slack = false discord = false telegram = false 

Hermes 内置了迁移工具，可以导入你的 OpenClaw 人设、记忆、技能、配置和 API 密钥：

# Dry run first — preview what will be imported hermes claw migrate –dry-run –source ~/.openclaw 
Run the actual migration
 
hermes claw migrate –source ~/.openclaw
 
Verify the import
 
hermes skills list hermes memory status 

运行任务并观察技能创建

import asyncio from hermes_agent import HermesAgent 
async def main():
 
agent = await HermesAgent.create( config_path="~/.hermes/config.toml" ) # First time: agent reasons through the task result = await agent.run( "Review this PR diff and flag any security issues: ", context= ) print(result.response) print(f"New skills created: {result.skills_created}") print(f"Skills used: {result.skills_used}") print(f"Reflection: {result.reflection_summary}") 
 
asyncio.run(main()) Output after first run: New skills created: [“pr-security-review-v1.md”] Skills used: [] Reflection: “Identified SQL injection risk in line 47.
 
 Created skill for future SQL review tasks." 
 
Output after 20 similar PRs: New skills created: [] Skills used: [“pr-security-review-v1.md”, “sql-injection-patterns.md”] Task completed 40% faster — skill library handled pattern matching 

查询技能库

# Inspect what the agent has learned async def inspect_skills(): 
agent = await HermesAgent.create() # List all self-generated skills skills = await agent.skills.list(source="self-generated") for skill in skills: print(f"{skill.name}: used {skill.use_count}x, " f"success_rate={skill.success_rate:.1%}") # View user model user_model = await agent.memory.get_user_model() print(f"Preferences: {user_model.preferences}") print(f"Common tasks: {user_model.frequent_task_types}") print(f"Sessions logged: {user_model.session_count}") 
 

这是让 OpenClaw 最不舒服的对比部分。CVE-2026–25253（CVSS 8.8）暴露了一个跨站 WebSocket 劫持漏洞——/api/export-auth 端点缺乏身份验证，允许网络上的任何人从任何可达的 OpenClaw 实例中提取所有存储的 API 密钥。2026 年 3 月四天内共披露了九个 CVE。安全研究人员在 82 个国家发现了 135,000+ 个公开暴露的实例。

根本原因不是能力不足——而是架构层面的。OpenClaw 最初被设计为一个面向消费者的本地工具，后来发展成了一个网络化 Agent。它的许多安全假设对于个人工具来说是合理的，但在大规模部署时就变得危险了。

截至 2026 年 4 月，Hermes 的 Agent 特定 CVE 为零。其架构包括容器加固、子 Agent 的命名空间隔离，以及通过可插拔记忆系统实现的凭证轮换。最重要的是：由于 Hermes 的技能是自行生成的，而不是从社区市场下载的，它完全避开了供应链攻击向量。不存在类似 ClawHub 这样可以分发恶意包的渠道。

重要警告： Hermes 于 2026 年 2 月发布。OpenClaw 在更大规模上部署的时间要长得多。暴露时间更短意味着发现的漏洞更少——这并不等同于本身更安全。零 CVE 记录令人鼓舞，但并非保证。如果你在企业规模上部署，两个框架都需要认真进行安全审查，无论其公开的 CVE 历史如何。

自学习默认是禁用的

这是新用户最常见的抱怨。”与你共同成长”的承诺需要在配置中显式启用 persistent memory 和 skill_generation。没有这个设置，Hermes 的行为与任何其他单会话 Agent 没有区别。许多评价 Hermes 为”没什么特别的”的评论者根本没有启用学习循环。

不是代码生成工具

Hermes 明确是一个对话式 Agent 框架。对于软件工程任务——编写代码、调试、重构——Cursor、Windsurf 或 Claude Code 的表现更出色。如果你主要是想替代你的 AI 编程助手，Hermes 不是正确的选择。如果你在构建一个能处理研究、分析、重复性工作流以及数月知识积累的个人 AI，它是一个强有力的候选方案。

记忆是不透明的

OpenClaw 的记忆是透明的——每个记忆条目都是一个可见的文件，你可以直接检查、编辑或删除。Hermes 用便利性换取了透明度。SQLite 情景存档不容易被人类阅读。关心 Agent 到底”记住”了他们什么的用户会觉得这很令人沮丧。截至 v0.10.0，有一个 hermes memory inspect 命令可以显示用户模型和最近的情景条目，但它不如 OpenClaw 的每记忆一个文件的方式那么透明。

更少的集成——这是有意的选择

六个消息平台 vs. OpenClaw 的 24+。Nous Research 一直很明确：他们宁愿深度集成六个平台，也不愿浅层支持二十四个。对于需要 WhatsApp + Telegram + Slack + Discord 都从同一实例与同一个 Agent 通信的用户，OpenClaw 仍然是更强的选择。

年轻项目，版本更少

Hermes 已经发布了 10 个版本。OpenClaw 已经发布了 82 个。一位 Reddit 评论者直言不讳地说：”Hermes 有 6 个版本，而 OC 有 82 个。其中 3 个甚至不能正常工作。不要听信它更稳定的说法，因为它存在的时间还不够长，无法做出这样的断言。”这是基于较早的统计，而且 v0.10.0 一直是稳定的，但这个观点仍然成立——Hermes 还没有在 OpenClaw 的规模上经受过测试。

切换到 Hermes，如果你： 每天使用 Agent 处理相同类别的任务——每周代码审查、定期研究工作流、重复性文档分析。学习循环的回报是以月计算的，不是以天计算的。在你的领域中积累了 20+ 个自生成技能后，40% 的任务时间减少是真实的。你还想要更简单的设置、更好的默认安全性，以及不需要管理 Docker 栈和 YAML 配置的架构。

继续使用 OpenClaw，如果你： 需要单个 Agent 集成 24+ 个消息平台。你在为团队或组织部署 Agent，其中生态系统广度比单个实例的学习能力更重要。你看重透明的基于文件的记忆。你需要 OpenClaw 成熟实现所提供的那种多 Agent 编排能力。或者你已经在 ClawHub 技能生态系统中投入了大量时间。

同时使用两者，如果你： 这是 Reddit 社区对于复杂部署正在达成的共识。OpenClaw 作为多渠道编排层。Hermes 作为特定工作流类型的执行 Agent，在这些工作流中积累的学习很重要。它们之间的互补性大于竞争性。

实际成本对比：

在 \(5 VPS 上使用 Claude Sonnet 每日运行的 Hermes 实例，中等使用量的 API 调用费用约为每月 \)30–65。类似使用量下自管理 Docker 托管的 OpenClaw 实例每月费用为 $40–80。对于独立开发者来说，成本差异并不显著——重要的是你希望把时间花在 Docker 配置上还是与 Agent 协作上。

诚实的结论

OpenClaw 证明了自托管 AI Agent 可以管理你的收件箱、自动化工作流，并 ²⁴⁄₇ 跨所有应用运行。Hermes Agent 证明了 Agent 不必在每个任务上都从零开始。这些都是真正的进步——它们只是做出了不同的权衡。问题不在于哪个更好。而在于哪种权衡更适合你的实际工作流。

---

原文链接: I Switched From OpenClaw to Hermes Agent

汇智网翻译整理，转载请标明出处