Agent Hermes 与 OpenClaw 记忆系统深度解析

发表于 分类于 阅读次数：

Agent Hermes 与 OpenClaw（龙虾）记忆系统深度解析

Memory Systems in Agent Hermes & OpenClaw (Lobster): A Deep Dive

最后更新 | Last updated: 2026-06-05

一、设计哲学对比 | Design Philosophy Comparison

中文

记忆系统是个人 Agent「是否越用越懂你」的核心。两个框架在此采取了截然不同的路径：

维度 OpenClaw（龙虾） Hermes Agent
存储介质 纯 Markdown 文件 Markdown + SQLite + 可选外部 Provider
更新方式 Agent 按规则写入 MEMORY.md Agent 主动管理 + 闭环学习自动沉淀
检索方式 全量注入系统提示词 分层：冻结注入 + FTS5 按需检索 + 语义搜索
技能与记忆关系 Skills 与 Memory 分离 Skills 是「程序性记忆」的产出
容量策略 文件大小无硬限，但全量进 Prompt 持久记忆有字符上限，技能渐进式披露

English

Memory is central to whether a personal agent “knows you better over time.” The two frameworks take fundamentally different approaches:

Dimension OpenClaw (Lobster) Hermes Agent
Storage medium Plain Markdown files Markdown + SQLite + optional external providers
Update model Agent writes to MEMORY.md per rules Agent-managed + closed-loop auto-curation
Retrieval Full injection into system prompt Layered: frozen injection + FTS5 on-demand + semantic search
Skills vs memory Skills and memory are separate Skills are procedural memory output
Capacity strategy No hard file limit, but full content in prompt Char limits on persistent memory; progressive skill disclosure

二、OpenClaw 记忆架构 | OpenClaw Memory Architecture

中文

2.1 核心理念：文件即记忆

OpenClaw 将 Agent 的「身份」与「知识」完全外化为工作区中的 Markdown 文件。默认路径：~/.openclaw/workspace/。

1
2
3
4
5
6
7
8
9
10
~/.openclaw/workspace/
├── SOUL.md            # 人格（每次会话注入，通常人工维护）
├── AGENTS.md          # 操作手册（含记忆规则）
├── USER.md            # 用户偏好
├── MEMORY.md          # 长期记忆（Agent 可更新）
├── memory/            # 日记式记忆
│   ├── 2026-06-01.md
│   └── 2026-06-05.md
└── skills/            # 技能（与记忆分离）
    └── weather/SKILL.md

2.2 系统提示词注入顺序

OpenClaw 在会话启动时按固定顺序组装系统提示词：

  1. SOUL.md — 人格优先，影响模型注意力分配
  2. IDENTITY.md — Agent 身份信息
  3. USER.md — 用户上下文
  4. AGENTS.md — 工具与流程指令
  5. MEMORY.md — 持久知识（变化最频繁，靠后注入）

这种顺序设计确保人格指令优先于易变的记忆内容。

2.3 记忆类型划分

类型 文件 管理者 典型内容
人格记忆 SOUL.md 用户（可 Git 管理） 语气、边界、价值观
用户画像 USER.md 用户 + Agent 姓名、时区、沟通偏好
长期事实 MEMORY.md Agent 项目路径、约定、重要决策
日记记忆 memory/*.md Agent 按日归档的对话摘要
程序性知识 skills/*/SKILL.md 用户/社区 工作流、操作步骤

2.4 记忆更新机制

OpenClaw 的记忆更新依赖 AGENTS.md 中定义的规则。Agent 在会话中根据指令决定是否写入 MEMORY.md 或 memory/YYYY-MM-DD.md。没有内置的：

  • 自动技能生成
  • FTS5 历史检索
  • 记忆容量管理与整合

优势是透明、可审计；劣势是随记忆增长，系统提示词 Token 成本线性上升。

2.5 会话持久化

会话记录存储在 ~/.openclaw/agents/<agent>/sessions/*.jsonl，用于会话连续性和可选的记忆索引，但不等于结构化记忆检索层。磁盘访问权限即信任边界。

English

2.1 Core Idea: Files as Memory

OpenClaw externalizes agent identity and knowledge as Markdown in the workspace. Default path: ~/.openclaw/workspace/.

2.2 System Prompt Injection Order

At session start, files assemble in fixed order: SOUL.md → IDENTITY.md → USER.md → AGENTS.md → MEMORY.md. Persona instructions precede volatile memory content.

2.3 Memory Type Taxonomy

Type File Maintainer Typical content
Persona memory SOUL.md User (Git-managed) Tone, boundaries, values
User profile USER.md User + agent Name, timezone, preferences
Long-term facts MEMORY.md Agent Project paths, conventions, decisions
Diary memory memory/*.md Agent Daily conversation summaries
Procedural knowledge skills/*/SKILL.md User/community Workflows, procedures

2.4 Update Mechanism

Updates follow rules in AGENTS.md. No built-in auto-skill generation, FTS5 history search, or capacity management. Transparent and auditable, but prompt token cost grows linearly with memory size.

2.5 Session Persistence

Transcripts live in ~/.openclaw/agents/<agent>/sessions/*.jsonl for continuity and optional indexing — not a structured memory retrieval layer. Filesystem access is the trust boundary.

三、Hermes Agent 记忆架构 | Hermes Agent Memory Architecture

中文

3.1 四层记忆模型

flowchart TB
    subgraph L1["第一层：工作记忆 Working Memory"]
        CTX[当前对话上下文]
    end
    subgraph L2["第二层：会话记忆 Session Memory"]
        DB[(SQLite state.db)]
        FTS[FTS5 全文索引]
        TRIG[Trigram 索引 CJK]
    end
    subgraph L3["第三层：持久记忆 Persistent Memory"]
        MEM[MEMORY.md ~2200 chars]
        USER[USER.md ~1375 chars]
    end
    subgraph L4["第四层：技能记忆 Skill Memory"]
        SKILLS[~/.hermes/skills/]
        PROG[渐进式披露]
    end
    subgraph EXT["外部记忆 Provider（可选）"]
        HON[Honcho 用户建模]
        MEM0[Mem0]
        OTH[OpenViking / Hindsight / ...]
    end
    CTX --> DB
    DB --> FTS
    MEM --> CTX
    USER --> CTX
    SKILLS --> PROG
    EXT -.-> CTX

3.2 第一层：工作记忆

当前会话中的消息、工具调用结果、压缩后的历史摘要。由 ContextCompressor 在上下文超阈值时进行有损压缩，触发会话分裂（parent_session_id 链）。

3.3 第二层：会话记忆（SQLite + FTS5）

存储位置：~/.hermes/state.db（WAL 模式）

核心表结构：

1
2
3
4
5
6
state.db
├── sessions          — 会话元数据、Token 统计、计费
├── messages          — 完整消息历史
├── messages_fts      — FTS5 全文索引（content + tool_name + tool_calls）
├── messages_fts_trigram — Trigram 分词器（中日韩子串搜索）
└── state_meta        — 键值元数据

检索工具：session_search

特性 持久记忆 MEMORY.md 会话搜索 session_search
容量 ~1300 tokens 固定 无限（所有历史会话）
速度 即时（已在 Prompt 中） ~20ms FTS5 查询
成本 每会话固定 Token 开销 按需，无 LLM 调用
用途 关键事实常驻 「上周我们讨论过 X 吗？」

FTS5 查询语法：

语法 示例 含义
关键词 docker deployment 隐式 AND
引号短语 "exact phrase" 精确匹配
布尔 OR docker OR kubernetes 任一匹配
前缀 deploy* 前缀匹配

写入争用处理：Gateway 多平台并发写入时，采用 1 秒超时 + 最多 15 次随机抖动重试（20–150ms）+ BEGIN IMMEDIATE 事务。

3.4 第三层：持久记忆

两个受字符上限约束的文件，位于 ~/.hermes/memories/：

文件 用途 上限
MEMORY.md Agent 个人笔记：环境事实、约定、经验教训 2,200 字符（~800 tokens）
USER.md 用户画像：偏好、沟通风格、期望 1,375 字符（~500 tokens）

冻结快照模式：会话启动时将记忆渲染进系统提示词后不再变更（保护 LLM 前缀缓存）。Agent 在会话中通过 memory 工具增删改，变更立即落盘，但下次会话才进入 Prompt。

memory 工具操作：

1
2
3
memory(action="add",    target="memory", content="...")
memory(action="replace", target="user",  old_text="dark mode", content="...")
memory(action="remove",  target="memory", old_text="obsolete entry")

安全扫描：写入前检测 Prompt 注入、凭证外泄、不可见 Unicode 字符。

3.5 第四层：技能记忆（程序性记忆）

技能是 Hermes 闭环学习的核心产出，存储于 ~/.hermes/skills/。

渐进式披露（Progressive Disclosure）：

1
2
3
Level 0: skills_list()        → [{name, description}]     (~3k tokens)
Level 1: skill_view(name)     → 完整 SKILL.md 内容        (按需)
Level 2: skill_view(name, path) → 特定参考文件            (按需)

效果：技能库从 40 个增长到 200 个，上下文成本几乎不变。

自动创建触发条件（skill_manage 工具）：

  • 完成 5+ 次工具调用的复杂任务
  • 经历错误并找到正确路径
  • 用户纠正了 Agent 做法
  • 发现非平凡工作流

自改进：优先使用 patch（old_string / new_string）而非全量 edit，节省 Token。

3.6 外部记忆 Provider

Hermes 内置 8 种可选外部 Provider，与内置记忆并行运行（不替代）：

Provider 能力
Honcho 辩证式用户建模
Mem0 自动事实提取
OpenViking 知识图谱
Hindsight 长期回忆增强
Holographic 语义向量检索
RetainDB / ByteRover / Supermemory 各专精场景

配置：hermes memory setup / hermes memory status

3.7 闭环学习与记忆的协同

sequenceDiagram
    participant U as 用户
    participant A as AIAgent
    participant M as Memory Manager
    participant S as Skill Store
    participant DB as SQLite FTS5
    U->>A: 复杂任务请求
    A->>A: 执行工具（5+ 次）
    A->>M: 策划记忆（add/replace）
    A->>S: skill_manage(create)
    A->>DB: 持久化会话消息
    Note over A,S: 下次同类任务
    A->>S: skill_view（按需加载）
    A->>DB: session_search（历史召回）
    A->>U: 更高效响应

English

3.1 Four-Layer Memory Model

Working memory (current context) → Session memory (SQLite + FTS5) → Persistent memory (MEMORY.md / USER.md with char limits) → Skill memory (progressive disclosure in ~/.hermes/skills/). Optional external providers (Honcho, Mem0, etc.) run in parallel.

3.2 Layer 1: Working Memory

Current session messages and tool results. ContextCompressor summarizes when context exceeds thresholds, triggering session splits via parent_session_id chains.

3.3 Layer 2: Session Memory

Stored in ~/.hermes/state.db (WAL mode). FTS5 + trigram indexes for full-text and CJK substring search. session_search tool for on-demand recall. Write contention handled with short timeouts and jittered retries.

3.4 Layer 3: Persistent Memory

MEMORY.md (2200 chars) and USER.md (1375 chars) in ~/.hermes/memories/. Frozen snapshot at session start for prefix-cache stability. memory tool for add/replace/remove with security scanning.

3.5 Layer 4: Skill Memory

Procedural memory in ~/.hermes/skills/ with progressive disclosure (index → full content on demand). Auto-created after complex tasks; self-improved via skill_manage patch.

3.6 External Memory Providers

8 optional providers (Honcho, Mem0, OpenViking, Hindsight, etc.) complement built-in memory.

3.7 Learning Loop Synergy

Task completion → memory curation → skill creation → FTS5 indexing → faster recall on similar future tasks.

四、关键差异总结 | Key Differences Summary

中文

场景 OpenClaw 做法 Hermes 做法
记住用户偏好 写入 USER.md，全量注入 写入 USER.md（有上限），冻结注入
回忆上周对话 依赖 MEMORY.md 摘要或重新阅读 jsonl session_search FTS5 按需检索
沉淀重复工作流 手动编写 SKILL.md 任务完成后自动生成 + patch 优化
控制 Token 成本 精简 Markdown 文件 字符上限 + 渐进式技能披露 + 压缩
跨会话用户理解 静态文件累积 Honcho 辩证建模 + 周期性微调
记忆可审计性 极高（纯文本 Git） 高（Markdown + SQLite 可导出）

English

Scenario OpenClaw Hermes
Remember user preferences Write USER.md, full injection Write USER.md (capped), frozen injection
Recall last week’s chat MEMORY.md summary or jsonl replay session_search FTS5 on demand
Capture repeated workflows Manual SKILL.md Auto-create + patch after tasks
Control token cost Trim Markdown files Char limits + progressive skills + compression
Cross-session user modeling Static file accumulation Honcho dialectic + periodic nudge
Auditability Very high (plain text Git) High (Markdown + exportable SQLite)

五、最佳实践 | Best Practices

中文

OpenClaw

  1. 职责分离：人格写 SOUL.md，流程写 AGENTS.md，事实写 MEMORY.md
  2. 版本管理：SOUL.md 和 AGENTS.md 纳入 Git；MEMORY.md 可让 Agent 自管
  3. 控制体积：MEMORY.md 定期人工审查，避免 Prompt 膨胀
  4. 日记归档：用 memory/YYYY-MM-DD.md 分离当日 ephemeral 内容

Hermes Agent

  1. 善用分层：关键事实放 MEMORY.md；历史细节靠 session_search
  2. 监控容量：MEMORY.md 超 80% 时主动整合条目
  3. 信任技能索引：不必手动维护大量 Skill，让闭环学习自动沉淀
  4. 选配 Provider：需要深度用户建模时启用 Honcho；简单场景用内置即可
  5. 从龙虾迁移：hermes claw migrate 导入 MEMORY.md / USER.md 条目

English

OpenClaw

  1. Separate concerns: SOUL.md (persona), AGENTS.md (procedures), MEMORY.md (facts)
  2. Version-control SOUL.md and AGENTS.md in Git
  3. Periodically audit MEMORY.md to control prompt size
  4. Use memory/YYYY-MM-DD.md for daily ephemeral content

Hermes Agent

  1. Use layers: critical facts in MEMORY.md; historical detail via session_search
  2. Consolidate when MEMORY.md exceeds ~80% capacity
  3. Trust the skill index — let the learning loop accumulate procedural memory
  4. Enable external providers (e.g., Honcho) only when deeper user modeling is needed
  5. Migrate from OpenClaw with hermes claw migrate

六、结语 | Conclusion

中文

OpenClaw 的记忆系统是 「透明文件柜」——简单、可读、完全由人掌控，适合重视可审计性与手动定制的用户。Hermes 的记忆系统是 「分层图书馆 + 自学习档案员」——通过 SQLite 检索、字符预算、技能渐进披露和闭环学习，在 Token 成本可控的前提下实现「越用越懂你」。选择哪套记忆架构，本质上是在 可控透明度 与 自动进化效率 之间做权衡。

English

OpenClaw’s memory is a transparent filing cabinet — simple, readable, fully human-controlled, ideal for users who value auditability and manual curation. Hermes’s memory is a layered library with a self-learning archivist — SQLite search, char budgets, progressive skill disclosure, and closed-loop learning deliver “knows you better over time” with controlled token cost. The choice is fundamentally a tradeoff between transparent control and automatic evolutionary efficiency.