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。



 
AI Agent 的核心差异不在于模型能力，在于记忆怎么管、技能怎么长。OpenClaw 是你教它做事，Hermes 是它自己在工作中学会做事。这个区别看起来小，跑 30 天后效果天差地别。
 

我花了三周读了 20 多篇 Hermes Agent 深度资料，做了交叉蒸馏。这篇把核心发现摊开讲：三代 AI 工具的本质差异、三层记忆架构的工程细节、Skill 自进化飞轮的运转逻辑。

每代的核心模型完全不同。

OpenClaw 的记忆系统很直接：你纠正它一次，它把修正存下来。问题在于所有修正都需要你手动触发。你懒得纠正的地方，它永远做错。

Hermes 走了不同的路线。每次完成任务后，Agent 自问三个问题：”用户改了哪里？值得固化什么？下次能不能自动做对？”回答完就自动生成或更新 Skill 文件。30 天并行实验数据表明，自维护系统比依赖人工调教的进化更快。

OpenClaw 有 44000 个社区 Skill 的生态，Hermes 社区还在早期。但两者解决的问题不同：OpenClaw 解决”连接”——超级网关，把所有工具串起来。Hermes 解决”成长”——自进化引擎，闭环学习。

Hermes 的记忆系统分三层，每层职责和生命周期不同。

┌─────────────────────────────────────────────┐ │ 会话记忆 (Session Memory) │ │ SQLite + FTS5 全文索引 │ │ 记录原始对话和工具调用结果 │ │ 快速追溯具体细节 │ ├─────────────────────────────────────────────┤ │ 持久记忆 (Persistent Memory) │ │ MEMORY.md: 2200 chars 硬限制 (建议 1800) │ │ USER.md: 1375 chars 硬限制 (建议 1100) │ │ Honcho 推理行为模式 │ ├─────────────────────────────────────────────┤ │ 技能记忆 (Skill Memory) │ │ ~/.hermes/skills/*.md │ │ 可复用操作知识 │ └─────────────────────────────────────────────┘ 

会话记忆用 SQLite 加 FTS5 全文索引，记录原始对话和工具调用结果，跨会话搜索延迟 <50ms。解决”上周二我们讨论了什么”这类问题。

持久记忆的 MEMORY.md 和 USER.md 有硬限制——2200 和 1375 字符。为什么这么小？这两块内容每次会话开始都注入系统提示词，太大会挤占模型有效上下文。设计思路是 Agent-curated：不是有啥记啥，是 Agent 筛选后的结果。只有真正需要跨会话保持的信息才放进来。

技能记忆是 ~/.hermes/skills/ 下的 Markdown 文件，每个 Skill 包含触发条件、操作步骤、注意事项、验证方法。解决”上次遇到类似任务是怎么做的”。

Hermes 的记忆不是实时写入的。它采用”冻结快照”设计——会话开始时注入快照，会话中途写入的记忆不立刻生效，到后续会话才体现。

这跟直觉相反。你以为记忆越实时越好，实际上每次注入内容变了，模型的 KV Cache 全部失效，Token 消耗直接翻倍。冻结快照用”一次延迟”换持续效率。

nudge_interval 控制记忆反思频率：标准模型建议 10，小模型 5，大上下文模型 15。

Hermes 追求”小而精”，质量高但可能遗漏。OpenClaw 追求”大而全”，不会遗漏但噪音多。各有取舍。

Skill 是 Hermes 最核心的差异化能力。

用户任务 → Agent 执行 → 自动复盘 → 生成 Skill → 下次自动调用 → … 

用户完成任务 → Agent 执行 → 自问”用户改了哪里？值得固化什么？” → 生成 Skill 文件 → 下次自动调用。每转一圈，Agent 能力就厚一层。

写作风格推断。 Hermes 通过阅读已发布文章推断写作风格，生成 local-writing-canon-analysis/SKILL.md。之后所有新文章都参考这个 Skill 写。

故障恢复。 Telegram 网关故障后，Hermes 自动生成 hermes-telegram-gateway-recovery/SKILL.md。下次遇到同样问题直接按 Skill 走，不用重新排查。

路由治理。 200 行决策树替代了 20000 行 CLAUDE.md。起因是 40+ 技能中 15% 是暗技能——存在但不可达，Skill 写了但触发器描述不对，Agent 找不到它。

Skill 写了不等于永远好用。退化有三个信号：描述模糊、功能重复、过时引用。定期在对话中告诉 Hermes “检查你的所有 skills，列出需要更新或删除的”，Agent 自己做审计。

Hermes 系统提示词约 36700 字符（~10K tokens），9 层构成。

AGENTS.md 占系统提示近一半，超过 20K 上限后中间部分被截断。截断策略是头部 70% + 尾部 30%，中间直接丢。

一个配置就能优化：

hermes config set agent.cwd ~ 

把主 agent CWD 配为 ~ 而非仓库目录，系统提示词减少约 50%。51 个注册工具中只加载 30 个——按需筛选，比 OpenClaw 的全局加载聪明。

MEMORY.md 的 2200 字符大多数场景够用，需要更丰富的长期记忆时可以叠加外部层。

Hindsight（推荐个人用）：
– 自动从每次对话中提取实体和关系
– 周一提了项目截止日期，周五新会话自动记得
– 可自建，隐私安全

mem0（推荐 Fleet 多 Agent 架构）：
– 统一记忆抽象，所有 agent 共享一个 Qdrant collection
– Claude Code Stop Hook 每次对话结束自动写入
– 其他 agent 立即可读

本质区别：Hindsight 给一个 Agent 用，mem0 给一群 Agent 共享。

---

这是 Hermes Agent 系列的第一篇。

系列导航：
– 第二篇：Hermes Agent 实战配置：五套系统与即用配方
– 第三篇：Hermes Agent 构建第二大脑：LLM Wiki + 多 Agent 协作