Agent Hermes 与 OpenClaw（龙虾）：架构、应用与对比

发表于 分类于 阅读次数：

Agent Hermes 与 OpenClaw（龙虾）：架构、应用与对比

Agent Hermes & OpenClaw (Lobster): Architecture, Applications, and Comparison

最后更新 | Last updated: 2026-06-05

一、背景与定位 | Background & Positioning

中文

2026 年初，个人 AI Agent 领域出现两个现象级开源项目：

  • OpenClaw（龙虾）：吉祥物是太空龙虾 Molty 🦞，GitHub Star 超 35 万，社区称其为「养虾」——在本地或服务器上长期运行一只个人助理。
  • Hermes Agent（爱马仕）：由 Nous Research 发布，定位是 “The agent that grows with you”（与你共同成长的智能体），核心差异是内置 闭环学习系统（Learning Loop）。

二者均为 MIT 协议、可自托管、支持多渠道消息，但设计哲学不同：

维度 OpenClaw（龙虾） Hermes Agent
核心问题 连接 — 让 AI 接入工具与聊天渠道 进化 — 让 AI 从经验中学习并自我改进
架构重心 Gateway 控制平面 Agent Engine + 学习闭环
技能来源 用户/社区手动编写 SKILL.md 任务完成后 自动生成 + 自我迭代
记忆模式 Markdown 工作区文件 分层记忆 + SQLite FTS5 检索

English

In early 2026, two standout open-source personal AI agent projects emerged:

  • OpenClaw (Lobster): Mascot Molty the space lobster 🦞, 350K+ GitHub stars; Chinese communities call it “raising a lobster” — running a persistent personal assistant locally or on a server.
  • Hermes Agent: Built by Nous Research, positioned as “The agent that grows with you”, with a built-in closed learning loop.

Both are MIT-licensed, self-hostable, and multi-channel — but their design philosophies diverge:

Dimension OpenClaw (Lobster) Hermes Agent
Core problem Connectivity — tools + chat channels Evolution — learn and improve from experience
Architecture focus Gateway control plane Agent engine + learning loop
Skills User/community-authored SKILL.md Auto-generated + self-improving after tasks
Memory Markdown workspace files Layered memory + SQLite FTS5 search

二、OpenClaw（龙虾）架构设计 | OpenClaw Architecture

中文

OpenClaw 的核心理念是：Gateway 即产品。单一 TypeScript 进程监听默认端口 18789，统一管理所有渠道连接、会话路由与工具执行。

flowchart TB
    subgraph Channels["消息渠道"]
        WA[WhatsApp]
        TG[Telegram]
        DC[Discord]
        SL[Slack]
        IM[iMessage]
        SG[Signal]
        MORE[50+ 渠道...]
    end
    subgraph Gateway["OpenClaw Gateway :18789"]
        ROUTE[会话路由]
        TOOLS[工具执行]
        MEM[记忆读写]
    end
    subgraph Runtime["Agent Runtime"]
        WP[工作区文件注入]
        SK[Skills 加载]
        LLM[LLM 推理]
    end
    Channels --> Gateway
    Gateway --> Runtime
    Runtime --> Gateway
    Gateway --> Channels

2.1 工作区文件体系（Workspace Bootstrap）

Agent 的「人格」与「知识」以纯 Markdown 文件存在，默认位于 ~/.openclaw/workspace/：

文件 作用
SOUL.md 人格、语气、价值观、行为边界
AGENTS.md 操作手册：工作流、记忆规则、多 Agent 协作
USER.md 用户偏好与身份信息
TOOLS.md 工具使用指南
MEMORY.md 长期记忆（Agent 可周期性更新）
HEARTBEAT.md 主动巡检任务（如晨间简报）
IDENTITY.md Agent 名称、头像等元数据
skills/*/SKILL.md 可扩展技能包

每次会话启动时，这些文件按固定顺序注入系统提示词：SOUL.md 优先（人格），MEMORY.md 靠后（变化最频繁）。

2.2 三层扩展体系

  1. Workspace 文件 — 人格与上下文
  2. Skills（SKILL.md） — 按需加载的能力包
  3. Channel Plugins — Matrix、Nostr、Twitch 等渠道插件

2.3 多 Agent 路由

Gateway 支持按发送者、工作区或 Agent 实例隔离会话，适合「一个 Gateway、多个专职 Agent」的场景。

English

OpenClaw’s core idea: the Gateway is the product. A single TypeScript process on port 18789 manages all channel connections, session routing, and tool execution.

2.1 Workspace Bootstrap Files

Agent identity and knowledge live as plain Markdown under ~/.openclaw/workspace/:

File Purpose
SOUL.md Persona, tone, values, behavioral boundaries
AGENTS.md Operating manual: workflows, memory rules, multi-agent coordination
USER.md User preferences and identity
TOOLS.md Tool usage guidance
MEMORY.md Long-term memory (periodically updated by the agent)
HEARTBEAT.md Proactive checks (e.g., morning briefings)
IDENTITY.md Agent name, avatar, metadata
skills/*/SKILL.md Extensible skill packages

At session start, files inject into the system prompt in a fixed order: SOUL.md first (persona), MEMORY.md last (most volatile).

2.2 Three-Layer Extension System

  1. Workspace files — persona and context
  2. Skills (SKILL.md) — on-demand capability packs
  3. Channel plugins — Matrix, Nostr, Twitch, etc.

2.3 Multi-Agent Routing

The Gateway isolates sessions per sender, workspace, or agent instance — one Gateway, many specialized agents.

三、Hermes Agent 架构设计 | Hermes Agent Architecture

中文

Hermes 的架构重心是 AIAgent 同步编排引擎（run_agent.py），而非微服务。CLI、Gateway、ACP（IDE 集成）、Cron、Batch Runner 共用同一 Agent 核心。

flowchart TB
    subgraph Entry["入口层"]
        CLI[CLI / TUI]
        GW[Gateway 20+ 平台]
        ACP[ACP - VS Code/Zed]
        CRON[Cron 调度器]
    end
    subgraph Core["AIAgent 核心引擎"]
        PB[Prompt Builder]
        PR[Provider 解析 18+ 模型]
        TD[Tool Dispatch 70+ 工具]
        CC[上下文压缩]
    end
    subgraph Memory["记忆与学习"]
        WM[工作记忆]
        SM[会话记忆 SQLite+FTS5]
        PM[持久记忆 MEMORY.md/USER.md]
        SKM[技能记忆 Skills]
        HON[Honcho 用户建模]
    end
    subgraph Exec["执行环境"]
        T1[Local]
        T2[Docker]
        T3[SSH]
        T4[Daytona/Modal Serverless]
    end
    Entry --> Core
    Core --> Memory
    Core --> Exec
    Memory -->|闭环学习| SKM

3.1 Agent 循环（Agent Loop）

标准流程：

1
2
3
4
用户消息 → 构建 Prompt（系统提示 + 记忆 + 上下文）
         → 调用 LLM（支持 chat_completions / codex_responses / anthropic_messages 三种 API 模式）
         → 解析工具调用 → 执行工具 → 结果回注上下文
         → 循环直至 LLM 不再请求工具 → 返回最终响应 → 持久化会话

设计原则包括：提示词稳定性（会话中不突变，保护前缀缓存）、可观测执行（每次工具调用对用户可见）、可中断（用户可随时取消）。

3.2 四层记忆体系

层级 机制 特点
工作记忆 当前对话上下文 即时可用
会话记忆 SQLite + FTS5 全文检索 跨会话搜索历史对话，session_search 工具按需召回
持久记忆 MEMORY.md（2200 字符）+ USER.md（1375 字符） 会话启动时冻结注入系统提示词
技能记忆 ~/.hermes/skills/ 下的 SKILL.md 渐进式披露：索引仅含名称/描述，全文按需加载

此外支持 8 种外部记忆 Provider（Honcho、Mem0、Hindsight 等），用于知识图谱、语义检索、跨会话用户建模。

3.3 闭环学习（Learning Loop）

Hermes 最核心的差异化能力：

  1. 策划记忆 — 任务完成后，Agent 自主判断什么值得记住
  2. 创建 Skill — 复杂任务（通常 5+ 次工具调用）成功后，自动生成 Markdown 格式 Skill
  3. Skill 自改进 — 执行失败或发现更优路径时，通过 skill_manage 工具 patch 更新
  4. 周期性微调（Periodic Nudge） — 会话间隙触发自我反思与优化
  5. FTS5 召回 — 按需检索历史，经 LLM 摘要后注入相关片段

技能库可从几十个增长到上百个，而上下文 Token 成本几乎不变（仅加载索引 + 按需全文）。

3.4 工具与执行环境

  • 70+ 工具，28 个 toolsets，模块级自注册（registry.register()）
  • 6 种终端后端：Local、Docker、SSH、Daytona、Modal、Singularity
  • 5 种浏览器后端 + MCP 双向支持（既可作 MCP 客户端，也可被 Cursor/VS Code 接入）
  • 子 Agent 委派：delegate_tool 生成隔离子代理并行处理

3.5 Gateway 与多渠道

单一 Gateway 进程支持 20 个平台适配器：Telegram、Discord、Slack、WhatsApp、Signal、Matrix、钉钉、飞书、企业微信、QQ 等。与 CLI 共享斜杠命令（/model、/skills、/compress 等）。

English

Hermes centers on the AIAgent synchronous orchestration engine (run_agent.py) — not microservices. CLI, Gateway, ACP (IDE), Cron, and Batch Runner share one agent core.

3.1 Agent Loop

1
2
3
4
User message → Build prompt (system + memory + context)
            → Call LLM (3 API modes: chat_completions / codex_responses / anthropic_messages)
            → Parse tool calls → Execute → Inject results
            → Loop until no more tool calls → Final response → Persist session

Design principles: prompt stability (no mid-session mutations, preserves prefix cache), observable execution, interruptibility.

3.2 Four-Layer Memory

Layer Mechanism Trait
Working memory Current conversation context Immediate
Session memory SQLite + FTS5 full-text search Cross-session recall via session_search
Persistent memory MEMORY.md (2200 chars) + USER.md (1375 chars) Frozen into system prompt at session start
Skill memory SKILL.md under ~/.hermes/skills/ Progressive disclosure: index only, full content on demand

Plus 8 external memory providers (Honcho, Mem0, Hindsight, etc.) for knowledge graphs and semantic search.

3.3 Closed Learning Loop

Hermes’s key differentiator:

  1. Curate memory — after tasks, decide what’s worth remembering
  2. Create skills — auto-generate Markdown skills after complex tasks (typically 5+ tool calls)
  3. Self-improve skills — patch via skill_manage on failure or better paths
  4. Periodic Nudge — self-reflection between sessions
  5. FTS5 recall — search history, LLM-summarize, inject relevant snippets

Skill libraries can grow from dozens to hundreds with near-flat context token cost.

3.4 Tools & Execution Environments

  • 70+ tools, 28 toolsets, self-registering at import time
  • 6 terminal backends: Local, Docker, SSH, Daytona, Modal, Singularity
  • 5 browser backends + bidirectional MCP (client and server for Cursor/VS Code)
  • Sub-agent delegation via delegate_tool

3.5 Gateway & Multi-Channel

One Gateway process, 20 platform adapters: Telegram, Discord, Slack, WhatsApp, Signal, Matrix, DingTalk, Feishu, WeCom, QQ, etc. Shares slash commands with CLI (/model, /skills, /compress).

四、典型应用场景 | Typical Use Cases

中文

OpenClaw（龙虾）擅长

场景 说明
口袋里的个人助理 手机 Telegram/WhatsApp 发消息，Gateway 在本地/服务器响应
多渠道统一入口 一个 Gateway 同时服务 Discord + Slack + iMessage
开发者编码助手 与 Claude Code / Cursor 等 Agent Runtime 集成
主动巡检 HEARTBEAT.md 定义定时检查（邮件、日历、服务器状态）
多 Agent 分工 不同工作区/发送者路由到不同专职 Agent
社区生态 海量 Skills 市场、插件、教程

Hermes Agent 擅长

场景 说明
长期个人进化 用得越久，技能库越丰富，越贴合个人习惯
自动化 Cron 任务 自然语言描述日报、备份、周审计，无人值守投递到任意平台
研究 / RL 轨迹 批量生成 ShareGPT 格式轨迹，用于训练工具调用模型
低成本 Serverless Daytona/Modal 后端：空闲休眠、按需唤醒，接近零闲置成本
从龙虾迁移 hermes claw migrate 一键导入 SOUL.md、记忆、技能、API Key
企业级安全审批 危险命令强制审批、容器隔离、DM 配对白名单

English

OpenClaw Excels At

Scenario Description
Pocket personal assistant Message from Telegram/WhatsApp; Gateway responds locally/on server
Unified multi-channel hub One Gateway for Discord + Slack + iMessage simultaneously
Developer coding assistant Integrates with Claude Code / Cursor agent runtimes
Proactive monitoring HEARTBEAT.md defines scheduled checks (email, calendar, servers)
Multi-agent specialization Route by workspace/sender to dedicated agents
Community ecosystem Large skills marketplace, plugins, tutorials

Hermes Excels At

Scenario Description
Long-term personal evolution Richer skill library and better habit fit over time
Cron automation Natural-language daily reports, backups, audits — unattended delivery
Research / RL trajectories Batch ShareGPT-format trajectories for tool-calling model training
Low-cost serverless Daytona/Modal backends: sleep when idle, wake on demand
Migration from OpenClaw hermes claw migrate imports SOUL.md, memory, skills, API keys
Enterprise-grade safety Dangerous-command approval, container isolation, DM pairing allowlists

五、优缺点对比 | Pros & Cons Comparison

中文

OpenClaw（龙虾）

优点

  • 社区体量极大，文档、教程、第三方 Skills 丰富
  • Gateway 架构简洁直观，「一个进程、一个端口」易于理解
  • 渠道覆盖广（50+），含 iOS/Android Nodes、Web Control UI
  • 工作区文件（SOUL.md 等）人类可读、可 Git 版本管理
  • 本地优先，数据主权在用户手中
  • 上手快：openclaw onboard 引导式安装

缺点

  • 记忆与技能主要靠人工维护，缺少内置自学习闭环
  • 技能不会随使用自动优化，重复任务仍需重新推理
  • 广泛文件/系统访问带来安全风险，需仔细配置 allowlist
  • 云模型 API 费用可能较高（$10–150+/月，视用量而定）
  • 静态配置为主，「越用越懂你」需额外 Skills 或手动维护 MEMORY.md

Hermes Agent

优点

  • 唯一内置完整闭环学习的 Agent 框架
  • 技能自动生成与自我迭代，重复任务效率显著提升
  • 四层记忆 + FTS5 按需检索，Token 成本可控
  • 模型无关，支持 18+ Provider（OpenRouter、NIM、Kimi、GLM 等）
  • 6 种执行后端 + Serverless，$5 VPS 到 GPU 集群均可
  • 官方提供 OpenClaw 迁移工具，降低切换成本
  • 研究友好：轨迹导出、批量 Runner、RL 环境支持

缺点

  • 生态较新，社区规模小于 OpenClaw
  • 学习闭环增加系统复杂度，调试需理解记忆/技能机制
  • 持久记忆有字符上限（MEMORY.md ~2200 字符），需主动整合
  • 企业集成与大型社区插件市场仍在建设中
  • Windows 需 WSL2，不支持原生 Windows

English

OpenClaw (Lobster)

Pros

  • Massive community, docs, tutorials, third-party skills
  • Simple Gateway: one process, one port
  • Broad channel coverage (50+), iOS/Android nodes, Web Control UI
  • Human-readable workspace files, Git-versionable
  • Local-first, user data sovereignty
  • Fast onboarding via openclaw onboard

Cons

  • Memory and skills mostly manual; no built-in self-learning loop
  • Skills don’t auto-improve; repeated tasks re-reason each time
  • Broad file/system access raises security risk; careful allowlist config needed
  • Cloud model API costs can be high ($10–150+/month depending on usage)
  • Static config; “knows you better over time” needs extra skills or manual MEMORY.md

Hermes Agent

Pros

  • Only major framework with a built-in closed learning loop
  • Auto-generated, self-improving skills; big gains on repeated tasks
  • Four-layer memory + FTS5 on-demand recall; controlled token cost
  • Model-agnostic, 18+ providers (OpenRouter, NIM, Kimi, GLM, etc.)
  • 6 execution backends + serverless; $5 VPS to GPU cluster
  • Official OpenClaw migration tool
  • Research-ready: trajectory export, batch runner, RL environments

Cons

  • Newer ecosystem, smaller community than OpenClaw
  • Learning loop adds complexity; debugging requires understanding memory/skills
  • Persistent memory has char limits (~2200 for MEMORY.md); active consolidation needed
  • Enterprise integrations and large plugin marketplace still maturing
  • Windows requires WSL2; no native Windows

六、架构哲学对比 | Architectural Philosophy Comparison

flowchart LR
    subgraph OpenClaw["OpenClaw 龙虾 — 广度优先"]
        OC_GW[Gateway 控制平面]
        OC_WS[Workspace Markdown]
        OC_SK[手动 Skills]
        OC_CH[50+ 渠道]
        OC_GW --> OC_WS
        OC_GW --> OC_SK
        OC_GW --> OC_CH
    end
    subgraph Hermes["Hermes — 深度优先"]
        HM_EN[Agent Engine]
        HM_LL[Learning Loop]
        HM_MEM[四层记忆]
        HM_SK[自生成 Skills]
        HM_GW[Gateway 20+ 平台]
        HM_EN --> HM_LL
        HM_LL --> HM_MEM
        HM_LL --> HM_SK
        HM_EN --> HM_GW
    end

中文总结

  • 龙虾 回答的是：「如何让 AI 连上我的世界？」— Gateway + 文件即配置。
  • Hermes 回答的是：「如何让 AI 在使用中变得更聪明？」— Engine + 学习闭环。

二者并非简单替代关系。Hermes 官方提供 hermes claw migrate，说明其定位是承接龙虾用户、并叠加自进化能力。社区也有 HermesClaw 等项目，尝试在同一微信账号上同时运行两者。

选型建议：

你的需求 推荐
多渠道聊天、快速上手、庞大社区 OpenClaw
长期运行、自动沉淀技能、研究轨迹 Hermes Agent
已有龙虾部署、想尝试自学习 hermes claw migrate
编码为主、IDE 深度集成 两者均可；OpenClaw 与 Cursor/Claude Code 生态更成熟

English Summary

  • OpenClaw asks: “How do I connect AI to my world?” — Gateway + files-as-config.
  • Hermes asks: “How does AI get smarter through use?” — Engine + learning loop.

They’re not simple replacements. Hermes ships hermes claw migrate to onboard OpenClaw users with self-evolution on top. Community projects like HermesClaw run both on the same WeChat account.

Selection guide:

Your need Recommendation
Multi-channel chat, fast start, large community OpenClaw
Long-running use, auto skill accumulation, research trajectories Hermes Agent
Existing OpenClaw setup, want self-learning hermes claw migrate
Coding-first, deep IDE integration Both work; OpenClaw + Cursor/Claude Code ecosystem is more mature

七、快速上手命令对照 | Quick Start Command Reference

操作 OpenClaw（龙虾） Hermes Agent
安装 npm install -g openclaw@latest curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
初始化 openclaw onboard --install-daemon hermes setup
启动服务 openclaw dashboard hermes gateway start
对话 Web Control UI 或聊天 App hermes 或 Telegram 等
人格配置 编辑 ~/.openclaw/workspace/SOUL.md /personality 或 SOUL 迁移
技能管理 skills/ 目录 + SKILL.md /skills + 自动生成 + Skills Hub
从对方迁移 — hermes claw migrate
诊断 Gateway 日志 hermes doctor

八、延伸阅读（完整 12 篇系列）| Further Reading (Full 12-Article Series)

# 主题 文档
1 总览 hermes-openclaw-overview.md
2 部署迁移 deploy-migrate-operations.md
3 工作区与 Prompt workspace-context-prompt.md
4 Gateway gateway.md
5 记忆系统 memory-system.md
6 技能与学习闭环 skills-learning-loop.md
7 工具与执行环境 tools-execution-environments.md
8 插件与 MCP plugins-mcp-ecosystem.md
9 多 Agent multi-agent-delegation.md
10 自动化调度 automation-cron-heartbeat.md
11 模型与成本 model-provider-cost.md
12 安全模型 security-model.md

知识点覆盖矩阵：knowledge-map.md

九、结语 | Conclusion

中文

Agent Hermes 与 OpenClaw（龙虾）代表了个人 AI Agent 的两条演进路线：连接广度 与 学习深度。龙虾用 Gateway 把 AI 带进你的消息应用和工作区；Hermes 用闭环学习让 AI 从每一次任务中沉淀经验。在实际部署中，二者可以共存、迁移、甚至互补——关键取决于你是更需要「随时随地的多渠道助理」，还是「越用越懂你的自进化伙伴」。

English

Agent Hermes and OpenClaw (Lobster) represent two evolution paths for personal AI agents: connectivity breadth vs. learning depth. OpenClaw’s Gateway brings AI into your messaging apps and workspace; Hermes’s closed loop turns every task into lasting experience. In practice they can coexist, migrate, and complement each other — the choice depends on whether you need an always-available multi-channel assistant or a self-evolving partner that knows you better over time.