从 OpenClaw 切到 Hermes Agent，那些没人告诉你的事
Hermes Agent 用十周时间冲到了 110k GitHub stars——这是 2026 年增长最快的 Agent 框架。这篇文章聊聊它到底跟 OpenClaw 有什么本质区别、自学习循环是怎么运作的，以及什么情况下值得换、什么情况下别动。
背景：开源 Agent 圈正在发生什么
OpenClaw 是奥地利开发者 Peter Steinberger 在 2025 年底做的一个周末项目，后来成了 GitHub 历史上增长最快的开源项目之一——到 2026 年 4 月初已经积累了 34.5 万 stars，ClawHub 社区市场里有 13000+ 技能包，覆盖 24 个消息平台的集成。它解决了一个真实问题：自托管 AI Agent、支持主流模型提供商、帮团队自动化工作流，同时不被任何厂商绑定。
然后安全事故来了。2026 年 3 月，四天内爆出九个 CVE，其中一个 CVSS 评分高达 9.9。有人对 ClawHub 做了供应链审计，在扫描的 2857 个技能包里发现了 341 个恶意包——大约 12% 的恶意率。安全研究员在 82 个国家找到了超过 13.5 万个公开暴露的 OpenClaw 实例。Cisco 直接把这类个人 AI Agent 称为"安全噩梦"。
就在这个时间节点，Nous Research——就是 Hermes、Nomos、Psyche 这几个模型系列背后的那家实验室——在 2026 年 2 月 25 日发布了 Hermes Agent。它押注的是一条完全不同的架构路线。
Hermes Agent 到底是什么
Hermes Agent 是一个开源 AI Agent 框架，核心只围绕一个架构理念：让 Agent 在你的具体工作流上越用越好。不是靠微调，不是靠模型更新，而是靠每次任务结束后都会运行的闭合学习循环。
大多数 Agent 框架的流程是固定的：接收任务 → 规划 → 执行 → 返回结果，然后会话结束，什么都不留下。下次任务从同一个起点重新开始。在 OpenClaw 里，同类任务做一百遍，Agent 也不会变得更擅长——每次都当新问题处理。
Hermes 在执行之后加了一层。任务完成后，它会进入 Nous Research 所说的"反思阶段"：分析自己的表现，提取可复用的模式，然后把解决这个问题的方法写成一个新的技能文件存下来。下次遇到类似任务，Agent 会先查自己的技能库，而不是从头推理。这些积累下来的"机构记忆"会跨会话持续叠加。
架构上的核心差异在这里：OpenClaw 的技能是人写的，通过 ClawHub 分发，你写、你审、你装。Hermes 的技能是 Agent 从自身经验里写出来的。可以这么理解：OpenClaw 是那种照着说明书干活的助手；Hermes 是那种干完活之后自己写说明书的助手——为的是下次做得更好。
闭合学习循环：它是怎么越用越聪明的
学习循环是 Hermes 的技术核心，也是它能以 OpenClaw 做不到的方式持续积累的原因。整个机制由三个部分构成。
图 1 — Hermes 的闭合学习循环。每次完成的任务都会反馈进一个不断扩展的技能库。未来遇到相似任务，直接查已有技能，跳过重新推理——在积累了 20+ 个技能之后，同类任务的耗时能缩短 40%。
技能创建：任务成功完成后，Hermes 会把操作步骤写成一个 Markdown 技能文件。格式遵循 agentskills.io 开放标准——跟 Claude Code、Cursor 用的是同一套规范，所以技能文件是可以跨平台迁移的。技能库会从 118 个预装技能出发，随着 Agent 的使用经验不断扩展，逐渐长出几百个领域专属技能。
用户建模：Hermes 会跨会话持续构建用户画像，不只记录你分配了什么任务，还包括：你偏好什么格式的回答、需要多少细节、在类似场景下做过哪些决策、给过哪些反馈。这个画像会持续保留。用上几周之后，那些它已经知道答案的问题，它就不会再反复来问你了。
自我评估：生成新技能之后，Hermes 会跑一遍内部评估，检验这个技能是否真的能泛化，还是只适用于产生它的那个具体情形。评估不通过的技能会先被修正，再加入技能库。这是防止库里堆垃圾的关键机制。
三层记忆系统
从 v0.10.0 开始，记忆系统完全插件化。可以通过插件接口换成第三方后端——Honcho、向量数据库或者自定义数据库——开箱支持六个第三方记忆提供方。这是一个有意识的架构选择：Nous Research 不想让记忆层成为用户被绑定的地方。
一个很容易踩的坑：自学习功能默认是关闭的。很多第一次用的人都在这里栽了跟头。必须在
~/.hermes/config.toml里手动开启持久化记忆和技能生成。跳过这一步，Hermes 就跟普通的单会话 Agent 没区别，"越用越聪明"的承诺根本不会兑现。
上手配置
Hermes 对运行环境要求很低，从 5 美元的 VPS 到 Serverless 都能跑，空闲状态下几乎没有成本——只有 Agent 真正在思考的时候才会消耗 LLM API 费用。对独立开发者来说，跑一个复杂任务通常只需要 0.3 美元左右（用预算模型的话）。
# 安装 Hermes Agentpipinstallhermes-agent# 或者从源码安装gitclone https://github.com/NousResearch/hermes-agentcdhermes-agent&&pipinstall-e.# 初始化工作区hermes init ~/my-hermes-workspacecd~/my-hermes-workspace最关键的配置——开启学习循环：
# ~/.hermes/config.toml — 最重要的文件 [model] provider = "anthropic" # 或 openai, google, openrouter 等 model = "claude-opus-4-5" base_url = "https://api.anthropic.com" # 改这一行就能切换模型供应商 [memory] enabled = true # 必须开启 — 默认是关闭的 skill_generation = true # 必须开启 — 启用学习循环 user_modeling = true # 构建持久用户画像 episodic_archive = true # SQLite FTS5 冷存储召回 backend = "sqlite" # 或 "honcho"、"pinecone"、自定义 [agent] workspace = "~/my-hermes-workspace" skill_eval = true # 入库前验证技能质量 max_skills = 500 # 上限，超过后淘汰低频技能 reflection_depth = "standard" # "light" | "standard" | "deep" [integrations] slack = false discord = false telegram = false从 OpenClaw 迁移
Hermes 自带迁移工具，可以把 OpenClaw 的 persona、记忆、技能、配置和 API Key 一并导入：
# 先做 dry run——预览会导入什么hermes claw migrate --dry-run--source~/.openclaw# 执行实际迁移hermes claw migrate--source~/.openclaw# 验证导入结果hermes skills list hermes memory status代码示例
跑任务 + 观察技能生成
importasynciofromhermes_agentimportHermesAgentasyncdefmain():agent=awaitHermesAgent.create(config_path="~/.hermes/config.toml")# 第一次：Agent 从头推理result=awaitagent.run("Review this PR diff and flag any security issues: {diff}",context={"diff":open("pr_diff.txt").read()})print(result.response)print(f"新生成技能:{result.skills_created}")print(f"调用技能:{result.skills_used}")print(f"反思内容:{result.reflection_summary}")asyncio.run(main())第一次运行的输出：
新生成技能: ["pr-security-review-v1.md"] 调用技能: [] 反思: "在第47行发现SQL注入风险。已创建技能用于未来SQL审查任务。"做了 20 个类似 PR 之后的输出：
新生成技能: [] 调用技能: ["pr-security-review-v1.md", "sql-injection-patterns.md"] 任务完成速度提升40%——技能库直接处理了模式匹配查询技能库
asyncdefinspect_skills():agent=awaitHermesAgent.create()# 列出所有自生成技能skills=awaitagent.skills.list(source="self-generated")forskillinskills:print(f"{skill.name}: 调用{skill.use_count}次, "f"成功率={skill.success_rate:.1%}")# 查看用户模型user_model=awaitagent.memory.get_user_model()print(f"偏好:{user_model.preferences}")print(f"常见任务类型:{user_model.frequent_task_types}")print(f"会话记录数:{user_model.session_count}")两者的全面对比
安全层面的对比
这部分对 OpenClaw 来说有点难看。CVE-2026-25253（CVSS 8.8）暴露了一个 WebSocket 跨站劫持漏洞——/api/export-auth接口缺少鉴权，局域网内任何人都能从任何可访问的 OpenClaw 实例里拿走所有存储的 API Key。这只是 2026 年 3 月四天内爆出的九个 CVE 之一，同期安全研究员在全球 82 个国家找到了超过 13.5 万个公开暴露的实例。
根源不是技术能力不行，是架构问题。OpenClaw 最初是个消费者向的本地工具，后来慢慢长成了一个联网 Agent，很多安全假设在个人工具的场景下说得通，但在大规模部署时就成了隐患。
截至 2026 年 4 月，Hermes 没有任何已报告的 Agent 专项 CVE。它的架构包含容器隔离、子 Agent 的命名空间隔离，以及通过插件化记忆系统实现的凭证轮转。更重要的是：Hermes 的技能由 Agent 自己生成而非从社区市场下载，从架构上就规避了供应链攻击的风险——没有 ClawHub 那样的渠道，恶意包就没有分发的途径。
一个必要的注脚：Hermes 是 2026 年 2 月才发布的，OpenClaw 在更大规模上运行了更长时间。暴露时间短意味着发现的漏洞少——但这不等于架构上更安全。零 CVE 记录值得鼓励，不等于安全保证。企业级部署场景下，两个框架都需要认真做安全评审，不能光看公开漏洞记录。
一些局限性
自学习默认关闭。这是新用户吐槽最多的地方。"越用越聪明"的承诺必须在配置里手动开启持久化记忆和skill_generation才会生效。没开的话 Hermes 跟任何其他单会话 Agent 没什么两样。很多评价 Hermes"没什么特别的"评测者，其实根本没开过学习循环。
它不是代码生成工具。Hermes 明确定位是对话式 Agent 框架。写代码、调 Bug、重构这类软件工程任务，Cursor、Windsurf、Claude Code 的表现都比它强。如果主要需求是换掉 AI 编程助手，Hermes 不是合适的选项。如果要的是一个能在几个月里持续积累研究、分析、重复性工作流上下文知识的个人 AI，它是个有力的候选。
记忆不透明。OpenClaw 的记忆是透明的——每条记忆都是一个可以直接查看、编辑、删除的文件。Hermes 用便利性换掉了这种透明度。SQLite 的情节记忆档案对人来说不太好直接读。v0.10.0 加了一个hermes memory inspect命令，可以看到用户模型和最近的情节条目，但跟 OpenClaw 的每条记忆一个文件相比，还是差点意思。
集成平台少——这是有意为之。六个消息平台对比 OpenClaw 的 24 个以上。Nous Research 的态度很明确：宁愿把六个平台做深，也不愿把二十四个做浅。如果需要 WhatsApp + Telegram + Slack + Discord 全部接在同一个 Agent 实例上，OpenClaw 仍然是更强的选择。
项目还年轻，版本少。Hermes 发布了 10 个版本，OpenClaw 已经有 82 个。Reddit 上有人直说："Hermes 才 6 个版本对 OC 的 82 个，其中 3 个根本跑不起来。别信那些说它更稳定的话，它根本没经历过足够长的时间来证明这一点。"这条评论是基于更早的计数，v0.10.0 的稳定性已经改善了不少，但这个逻辑本身站得住脚——Hermes 还没在 OpenClaw 量级的规模上跑过。
到底该不该换
建议切到 Hermes 的情况：每天都在做同类任务——每周的代码审查、固定的调研工作流、重复的文档分析。学习循环的收益是按月计的，不是按天。在特定领域积累了 20 个以上自生成技能之后，40% 的任务提速是实实在在的。另外如果追求更简单的部署和更好的默认安全性，也值得考虑。
建议留在 OpenClaw 的情况：需要单个 Agent 实例接 24 个以上消息平台；在给团队或组织部署 Agent、生态广度比单实例学习能力更重要；重视透明的文件式记忆；需要 OpenClaw 成熟的多 Agent 编排能力；或者已经在 ClawHub 技能生态上投入了大量时间。
两个都用的情况：这是 Reddit 社区里复杂场景的主流答案。OpenClaw 负责多渠道编排层，Hermes 作为特定工作流的执行 Agent，在那些需要持续积累学习成果的场景里跑。两者与其说是竞争关系，不如说互补。
实际成本参考：Hermes 实例跑在 5 美元 VPS 上、配合 Claude Sonnet 使用，中等使用量每月 API 费用大约 30-65 美元。同等使用量的 OpenClaw 实例在自托管 Docker 环境下大约 40-80 美元。对独立开发者来说成本差距不大——真正的问题是：时间花在 Docker 配置上，还是花在跟 Agent 一起工作上，哪个对你更值得。
说到底：OpenClaw 证明了自托管 AI Agent 可以管收件箱、自动化工作流、全天候运行并接入所有常用应用。Hermes Agent 证明了 Agent 不必每次任务都从零开始。这两件事都是真实的进步，只不过走的是不同的取舍路线。问题不是哪个更好，而是哪种取舍更适合自己的实际工作方式。
