Best General AI Agents BGAA
zh

Hermes Agent 深度解析：110K Star 的自进化 AI Agent，凭什么成为 OpenClaw 最强替代

作者：Best General AI Agents Team2026年6月8日Review7 min read
Hermes Agent 深度解析：110K Star 的自进化 AI Agent，凭什么成为 OpenClaw 最强替代

一、先搞清楚：Hermes Agent 到底是什么？

Hermes Agent 是 Nous Research 在 2026 年 2 月开源的一个自主 AI Agent 框架，MIT 协议。它运行在服务器上，24 小时在线。跟 IDE 里的编程 Copilot 不同，跟套壳聊天机器人也不是一回事。

最特别的一点：它能从自己完成的任务里学东西。每做完一个任务，把踩过的坑、有效的做法提炼成可复用的”技能”，下次遇到类似场景直接用。

上线不到半年，GitHub 110K+ Star。按 OpenRouter 2026 年 5 月的数据，Hermes Agent 的 Token 月调用量 2710 亿，超过了 OpenClaw 的 2450 亿和 Claude Code 的 792 亿。

版本迭代节奏

版本日期关键变化
v0.1.02026.2.25初始发布
v0.2.02026.3.12多平台消息网关、MCP 客户端、70+ 内置技能
v0.8.02026.4.8记忆系统增强、技能自动生成成熟化
v0.13.02026.5.7多 Agent Kanban 看板、/goal 锁定、Checkpoints v2、20 平台支持
v0.15.02026.6代码精简 76%、Swarm 多 Agent 协作、Brainworm 安全防御

从 v0.1.0 到 v0.15.0 不到四个月，迭代速度相当快。

二、为什么突然火了？它和 OpenClaw 到底差在哪？

OpenClaw 的用法是你给 Agent 写 Skill，Agent 按 Skill 执行。Hermes 的用法是 Agent 自己从任务里长 Skill。

维度OpenClawHermes Agent
Skill 来源人手写 MarkdownAgent 自动从任务中提炼
记忆模式纯追加，文件越用越大容量上限 + 自动淘汰，保持精简
系统提示词重型背包，全部塞进上下文动态图书馆，按需加载
学习能力无——第 100 次犯的错和第 1 次一样闭环学习，用越多错越少
多平台Discord/Slack/Telegram20+ 平台，含微信/钉钉/飞书
模型兼容较窄200+ 模型，支持本地 Ollama

OpenClaw 在 AI Agent 普及上的贡献不用多说。但有一个架构上的硬伤：Agent 不会从工作里学到东西。你写了多少 Skill，它就会多少。不写就不会。MEMORY.md 是纯追加模式，用几个月就膨胀成几万行的文件，加载和检索都成问题。

Hermes 的做法不同。任务完成后自动触发审查，合格的经验变成 Skill，过时的记忆被主动淘汰。整个架构为”自主学习”留了通路。

HN 上有一篇帖子叫 “Data Is the Final Moat”，观点很直接：模型智能在商品化，Agent 框架在开源，真正的护城河是 Agent 在工作里积累的领域知识。这一点上 Hermes 走在了 OpenClaw 前面。

三、自进化引擎：三个子系统如何协作？

大多数 AI Agent 每次会话结束就清零。Hermes 搞了一套学习闭环，三个子系统配合：

1. Memory：Agent 的随身小本子

两个纯文本文件，用 § 分隔条目：

~/.hermes/memories/
├── MEMORY.md    # 环境事实（项目约定、工具怪癖、路径配置）
└── USER.md      # Agent 对你的认知（偏好、沟通风格、工作习惯）

有意思的是容量上限。MEMORY 限 2200 字符，USER 限 1375 字符。容量有限，Agent 不得不做信息压缩，重要的留下来，过时的被自然挤掉。

超限时不会静默丢弃旧条目。它会返回 current_entries，让模型看到所有现有条目，自己判断哪些该删、哪些可以合并。模型不是被动执行淘汰规则，而是在做信息整理，这本身就是一次”自我反思”。

每次会话启动时，Memory 加载后冻结为快照注入系统提示词。冻结的好处：保护前缀缓存（Prefix Cache），新写入的内容只改磁盘，下一个会话才刷新，不会每次 API 调用都重新计费。

Memory 还有严格的安全扫描。如果模型试图往 Memory 里写 “ignore all previous instructions”，正则直接拦截。Memory 最终会注入系统提示词，被劫持等于整个 Agent 被攻破，这条防线必须保住。

2. Skill：把做过的事变成会做的事

Memory 存”事实”，Skill 存”操作步骤”。每个 Skill 是一个目录，核心是 SKILL.md：

---
name: flask-k8s-deploy
description: Deploy a Flask app to Kubernetes with health checks
---

## Triggers
- User wants to deploy a Flask/Python app to Kubernetes

## Steps
1. Create Dockerfile with gunicorn (not dev server)
2. Build and push image to registry BEFORE creating deployment
3. Write deployment.yaml with livenessProbe pointing to /health
4. kubectl apply both files

## Pitfalls
- MUST push image before kubectl apply, otherwise ImagePullBackOff
- Flask 默认没有 /health 端点，需要手动添加
- livenessProbe path 必须返回 200，不能用需要认证的路径

Pitfalls 这节是 Agent 踩坑后追加的，不是预先写好的。Skill 层面的 self-improving 就体现在这里。

创建触发条件来自工具 Schema 里的自动指令。skill_manage 工具的 Schema 里明确写着：复杂任务成功后（5+ 次工具调用）、踩坑修复后、用户纠正过的做法，都应该自动创建 Skill。

更新用的是精准局部 patch，不是全量重写。fuzzy_find_and_replace 做模糊匹配，容忍格式差异。每次修改后跑安全扫描，不通过自动回滚。

加载策略也值得说一下。OpenClaw 是”重型背包”模式，SOUL.md、IDENTITY.md、各种设定一股脑塞进上下文。设定越多 Token 浪费越严重，模型注意力也被稀释。Hermes 只在系统提示词里放一个轻量索引，每个 Skill 的名字加一句话描述。Agent 判断某个 Skill 跟当前任务相关时，才通过 skill_view 加载完整内容。先看目录再翻全文，按需加载。

3. Nudge Engine：谁来提醒 Agent”该学习了”？

Memory 和 Skill 都是存储系统，写入需要触发。Nudge Engine 就是这个触发器：

  • Memory 触发器：每 10 个用户回合触发一次
  • Skill 触发器：每 10 次工具迭代触发一次

粒度不同的原因很简单。Memory 的信息来自用户输入，按回合计；Skill 的经验来自工具使用过程，按迭代计。

触发后不会插一句”让我想想有没有什么该记的”来打扰你。它在后台 fork 一个独立 Agent 实例，拿着主对话快照做静默审查，输出重定向到 /dev/null，你完全无感。审查 Agent 自身的 nudge 被禁用，避免无限递归。最后以 “If nothing is worth saving, just say ‘Nothing to save.’” 收尾，防止审查 Agent 为了”交差”往里硬塞东西。

实战案例：从”不会”到”精通”的三次会话

第 1 次，摸索。用户说”帮我把 Flask 应用部署到 K8s”。Memory 和 Skill 都是空的，Agent 靠基座知识硬上。12 次工具调用，踩了两个坑：忘记推镜像到 Registry（ImagePullBackOff），livenessProbe 路径不对（CrashLoopBackOff）。修好后，后台 Review Agent 把整个过程提炼成 flask-k8s-deploy Skill。

第 2 次，复用。用户说”帮我再部署一个 Django 应用到 K8s”。Agent 加载 flask-k8s-deploy Skill，照着步骤走，9 次调用完成。遇到 Django 特有的 DisallowedHost 错误，Skill 没覆盖。修好后，Review Agent 自动 patch Skill，补上 ALLOWED_HOSTS 环境变量的坑，同时记住用户用的是 Azure Registry。

第 3 次，精通。用户说”帮我部署一个新的 FastAPI 微服务”。Agent 已经知道你用哪个 Registry、集群在哪、Django 和 Flask 的坑怎么绕。6 次调用，零错误。

三次会话，12 次调用降到 6 次，两个坑降到零。这就是自进化的实际效果。

四、实战：5 分钟跑起来

安装

curl -fsSL https://hermes-agent.sh | bash

核心配置在 ~/.hermes/config.yaml：

gateway:
  mode: local
  provider: openrouter  # 也可用 openai / anthropic / ollama
  model: anthropic/claude-sonnet-4-20250514
  api_key: ${OPENROUTER_API_KEY}

platforms:
  - type: telegram
    token: ${TELEGRAM_BOT_TOKEN}
  - type: wechat     # 原生支持微信
    app_id: ${WECHAT_APP_ID}

接入微信

Hermes 原生支持微信（腾讯 iLink Bot API），不需要折腾 webhook 中转或第三方桥接。配好 app_id 和 app_secret 就能直接收发消息。掘金上有完整的从零搭建并打通微信的踩坑记录，包括环境变量配置、API Key 权限、微信配对排错等。

模型选择

Skill 创建质量高度依赖模型推理能力。Claude Sonnet 4 或 GPT-5 效果最好，Skill 结构清晰、Pitfalls 准确。有人把 23 个 Agent 全部切到 GLM-5.1，执行效率没问题，但复杂推理时偶尔漏边缘情况。追求成本最低的话，DeepSeek-V3 性价比最高，只是 Skill 质量会打折扣。

场景推荐模型月成本估算
生产环境 / 团队共用Claude Sonnet 4$30-60
个人开发 / 日常使用DeepSeek-V3$5-10
隐私敏感 / 离线场景Ollama + Qwen3仅电费

五、不得不说的风险与争议

1. Web3 背景与代币预期

Nous Research 核心团队有深厚的 Web3 背景。CEO 来自 Eden Network，融资约 7000 万美元，投资方为加密机构。链上已出现非官方 “NOUS” 代币，社区有”空投预期”炒作。项目官方还没有发布任何代币计划。这层 Web3 气质让一部分开发者保持观望。

2. 抄袭指控

中国开发者团队 EvoMap 发过公开信，指责 Hermes Agent 复刻了其 2026 年 2 月初开源的 Evolver 自进化引擎核心架构。EvoMap 提供了时序对比和架构相似度分析，Nous Research 未作正式回应。目前没有法律裁定。

3. 密钥安全

开源 Hermes 的安全扫描覆盖了单机场景的威胁检测。但 API Key 写在环境变量里，数据库密码明文存配置文件，Agent 一旦有终端权限，这些凭证就暴露了。生产环境建议通过网关代理鉴权，密钥不落盘。

六、适合谁？不适合谁？

适合：

  • 需要 Agent 长期维护项目、积累领域知识的人
  • 希望 Agent 能接入微信/飞书/钉钉做日常自动化的团队
  • 愿意投入时间让 Agent “成长”的早期使用者
  • 从 OpenClaw 迁移过来的用户（hermes claw migrate 一键导入）

不适合：

  • 只需要一次性问答、不需要持久记忆的场景
  • 对 Web3 背景天然排斥的用户
  • 对 Agent 自主写入能力有严格合规要求的金融/医疗行业
  • 想开箱即用、不想花时间”养” Agent 的用户

七、总结

Hermes Agent 跟 OpenClaw 的核心区别不在功能多少。OpenClaw 靠人喂 Skill，Hermes 自己长 Skill。Memory 记住你是谁，Skill 记住怎么做事，Nudge Engine 保证这个循环不停转。用得越久，Agent 干活越快，踩坑越少。

热度之下有些事情需要冷静看。Web3 背景、抄袭争议、安全边界，这些不是技术问题，但影响你的技术选型。能接受这些不确定性，愿意投入时间让 Agent “成长”的话，Hermes 值得一试。

如果你已经在用 OpenClaw，hermes claw migrate 一条命令就能导入全部配置和记忆数据。用三周，你应该能感受到差别。

延伸阅读：访问 Hermes Agent 官网 或 GitHub 仓库 NousResearch/hermes-agent 了解最新版本。

标签

Hermes AgentAI Agent自进化OpenClaw开源框架技术解析