# 正本清源说 Agent：OpenClaw 和 Hermes 到底有啥区别？

> 龙虾AGI通用实验室 · 2026-05-25

## 一、2026 最火的两个 Agent

2026 年，开源 AI Agent 领域出了两个现象级项目。

OpenClaw由创始人 Peter Steinberger 创建，GitHub star 数突破 31 万。Hermes Agent，由 Nous Research 实验室打造，发布不到三个月突破 14 万 star，增速直追 OpenClaw，被很多人称为"OpenClaw 杀手"。

围绕这两个项目，技术社区产出了大量对比分析文章。几乎所有文章的结论都是：它们"架构不同、哲学不同、根本不同"。

但真的是这样吗？

本文试图通过一场逐层追问，看看这些广泛流传的"区别"，到底有多少经得起推敲。

## 二、先把主流叙事摆出来

在拆解之前，先把市面上最常见的五个"区别论"原原本本列出来：

**区别一：架构不同。** OpenClaw 以 Gateway 为中心，Hermes 以 Agent Loop 为中心。

**区别二：Skill 不同。** OpenClaw 的 Skill 是静态的（人工编写，放在那里不动），Hermes 的 Skill 是活的（Agent 自己创建、自己修改、自己优化）。

**区别三：记忆不同。** OpenClaw 的记忆偏向"存档"（记住事实和偏好），Hermes 的记忆偏向"认知"（还记住"上次这个任务哪一步出了问题、怎么解决的"）。

**区别四：循环不同。** Hermes 在标准的 ReAct 循环基础上多了一个"反思阶段"。

**区别五：进化能力。** Hermes 有 self-evolution 自进化框架，能自动优化自身，OpenClaw 没有。

看起来条条都是"本质区别"。

下面我们逐个拆。

## 三、逐个追问：这些区别经得起推敲吗？

## 3.1 "架构不同"——真的吗？

OpenClaw 的架构被描述为四层结构：Gateway 层、推理层（Reasoning Layer）、记忆系统层、技能/执行层。Gateway 是一个 WebSocket 服务器，连接各种消息平台，把消息分发给 Agent 运行时。

Hermes 的架构被描述为五大支柱：Memory、Skills、Soul、Crons、自我改进循环。Agent Loop 被定义为核心编排引擎，一切围绕它构建。

听起来很不一样。但追问一个问题：Hermes 没有 Gateway 吗？

有，它也可以接 Telegram、Discord、WhatsApp，也需要一个消息路由层。OpenClaw 没有 Agent Loop 吗？有，它用的是标准的 ReAct 循环（推理 → 行动 → 观察）。两者都有 Gateway，都有 Loop，都有 Memory，都有 Skills，都有定时任务。

**结论：架构同构。** 不同的是描述方式和强调重点，不是实际结构。就像同一栋楼，一个人从外立面描述它，另一个人从承重结构描述它，说的是同一栋楼。

## 3.2 "Skill 一个静态一个活的"——差在哪？

Hermes 做完任务后会自动检查有没有对应 Skill，没有就创建，有但不好就更新。OpenClaw 不会这样做。这是事实。

但追问一下：这个"自动总结"的行为是怎么实现的？是 Hermes 代码里写死的特殊模块吗？

不是。它就是 Hermes 系统提示词（SOUL.md）里的一段指令，告诉 LLM："做完任务后记得反思，如果有值得记录的经验就写成 Skill 文件。"

那如果在 OpenClaw 的 SOUL.md 里也加上同样的一段话呢？

效果一样。

**结论：这是默认配置的区别，不是架构的区别。** Hermes 出厂就开了这个开关，OpenClaw 出厂没开，但你自己可以开。

## 3.3 "记忆系统哲学不同"——不同在哪？

主流说法是：OpenClaw 的记忆偏向"存档"——记住用户说过什么、喜欢什么；Hermes 的记忆偏向"认知"——还记住"上次做部署任务时第三步报错了，换了个方案才解决"这种程序性经验。

追问：两者底层的存储机制有什么不同吗？

没有。都是把文本写进文件（MEMORY.md、USER.md）或数据库（SQLite），需要时检索出来塞进上下文窗口。技术实现完全一致。

区别只是默认情况下"存了什么类型的信息"。Hermes 的系统指令引导 LLM 把经验教训也记录下来，OpenClaw 的默认指令没有这一条。但你在 OpenClaw 的 SOUL.md 里加一句"每次遇到困难并解决后，把解决过程记录到 MEMORY.md"，它就也有所谓的"程序性记忆"了。

**结论：存储机制相同，默认存的信息种类不同。** 依然是配置级别的差异。

## 3.4 "ReAct 之外多了反思阶段"——这是新架构吗？

这是五个"区别"中最有意思的一个。

Hermes 在标准的 ReAct 循环（推理 → 行动 → 观察）之后，多了一步：反思刚才的过程，提炼出可复用的经验，写成 Skill 文件保存下来。很多文章把这描述成 Hermes 的"架构创新"。

但仔细想想：这个"反思"是一种新的循环机制吗？

"总结经验并写入 Skill 文件"这件事本身，不就是一个 action 吗？和"调用搜索工具""写入文件""发送消息"没有本质区别。Agent 在完成主任务后，被系统提示词引导着执行了一个额外的 action：审视过程、提炼经验、写入磁盘。

这完全在 ReAct 框架内，不需要任何新的架构概念。就像一个员工下班前多花五分钟写工作日志——这不是一种新的工作方法论，只是在原有流程末尾加了一步。

## 结论：不是新架构，是标准 ReAct 循环里多了一个默认 action。

## 3.5 self-evolution 自进化框架——终于找到真正的区别了？

前面四个"区别"都经不起追问。但 self-evolution 自进化框架确实是 Hermes 独有的、OpenClaw 没有的东西。

不过在讨论它之前，需要先澄清一个关键事实：**self-evolution 自进化框架不是 Agent 内部的功能。**

它不是 Skill（给 LLM 看的操作指南），不是 Plugin（Agent 在循环中调用的工具），而是一个完全独立于 Agent 之外运行的 Python 工程项目。Agent 不知道它的存在。它是开发者在命令行里手动运行的东西，做的事情是：

读取 Agent 过去的执行轨迹（工具调用日志）针对某个 Skill 或系统提示词，批量生成多个变体用基准测试评估每个变体的表现（成功率、Token 效率等）选出最优方案，写回 Agent 的配置文件

Agent 下次启动时，读到的 Skill 或提示词已经是优化后的版本了。它会表现得更好，但它不知道自己被改过。

这个框架用的核心技术是 DSPy + GEPA（遗传帕累托提示词进化），本质上是把"提示词工程"从手工试错变成了自动化的进化搜索。不需要 GPU 训练，全程通过 API 调用完成，改的是文本（提示词、Skill 描述、工具描述），不是模型权重。每次优化的成本大约 2-10 美元。

具体来说，框架内部通过一条管线（Pipeline）——"读取 → 生成变体 → 测试 → 选优 → 写回"的处理链——完成具体的优化工作。它能优化什么？举几个例子：

一个 git-commit-review 的 Skill，框架可能生成一个变体加上了"对安全相关文件单独标注风险等级"的步骤，测试后发现 bug 发现率提高了，就把这个变体选中替换原版。

一个文件搜索工具的描述文本写得太简略，导致 LLM 经常误判何时该调用它。框架生成几个更精确的描述变体，测试后选出误调用率最低的那个。

系统提示词中关于"如何处理多步骤任务"的段落，框架可能发现加上"某一步失败时回到计划阶段重新评估"比"继续执行后续步骤"效果更好。

概括来说：Plugin 是从 0 到 1——给 Agent 加一个它之前没有的能力；自进化框架是从 1 到 1.5——让 Agent 已有的能力变得更好。它优化的是 Agent 的"身体素质"，不是给它装新器官。

那这个框架能不能移植到 OpenClaw？

原理上完全可以。DSPy 和 GEPA 算法是通用的，不绑定任何 Agent 框架。但实际操作上，框架深度耦合了 Hermes 的内部结构——提示词怎么拼装、执行轨迹怎么记录、Skill 文件的格式和路径。移植到 OpenClaw 需要针对 OpenClaw 的结构重新适配。这是一两周的工程量，不是原理障碍。

**结论：self-evolution 是 Hermes 目前独有的配套工程工具，但它不在 Agent 内部，不改变 Agent 的架构。** 它是 Agent 外面的东西，原理可复制，实现需要针对特定框架适配。

## 四、那区别到底在哪？

拆了一圈之后，我们发现：五个广泛流传的"本质区别"，有四个经不起追问（架构、Skill、记忆、循环），剩下一个（self-evolution 自进化框架）确实存在但不在 Agent 内部。

真正的区别浮出水面了，但它们和主流叙事说的很不一样：

**第一，出厂默认配置不同。** Hermes 出厂就内置了"反思总结""自动建 Skill""程序性记忆"等行为，OpenClaw 需要用户自己配置。这是产品决策的区别，不是技术能力的区别。

**第二，配套工具链不同。** Hermes 有 self-evolution 自进化框架，OpenClaw 没有。但这是 Agent 外部的工程工具，原理可复制，实现需要重新适配。

**第三，团队和生态不同。** Nous Research 自研模型（Hermes 系列），可以做模型和 Agent 的联合优化。OpenClaw 是纯社区项目，模型无关，但社区更大、Skill 生态更丰富——5700+ 社区 Skill 对比 Hermes 的 118 个内置 Skill。

这三个区别，没有一个在 Agent 架构层面。

## 五、一句话讲清楚

如果非要用一句话总结这两者的关系：

**底盘和发动机是同一套。** OpenClaw 是改装件生态更丰富的车型，你可以自己攒出最适合你的方案；Hermes 是出厂就帮你调教好的整机，自带行车记录仪和自适应巡航，开箱体验更好，但改装件市场还在追赶。

选哪个，取决于你是更愿意自己折腾，还是更想开箱即用。但无论选哪个，你开的是同一种车。

我建了一个AI学习群，目前几十来人，都是在真正动手学AI的人。如果你也在自己跑模型、写代码、做项目，欢迎加我微信，备注"你在做的AI方向"，我拉你进群。纯围观的就不加了，群里大家都在真搞。

![](images/f1c26f/img_001.jpg)