Hermes Agent 与 OpenClaw 都是 2026 年受到广泛关注的开源 AI Agent 项目。二者虽然都可以调用工具、执行任务、连接外部服务，但设计思路并不完全相同。
本文结合两者当前的官方文档和项目资料，从定位、技能系统、记忆机制、安全、自动化、部署方式等方面进行对比。
一、Hermes Agent 和 OpenClaw 是什么？
1. Hermes Agent
Hermes Agent 是由 Nous Research 开发的开源 AI Agent，官方定位是：
The agent that grows with you
也就是一个能够通过使用过程不断积累经验、保存记忆并创建和改进 Skill 的智能体。
Hermes 的一个重要特点是 Self-Improvement（自我改进）：
- 可以从复杂任务中提炼 Skill；
- 可以根据错误和用户纠正改进 Skill；
- 可以保存跨会话的长期记忆；
- 可以搜索历史对话；
- 支持多个模型和多种工具；
- 支持 Telegram、Discord、Slack、WhatsApp、Signal 等消息渠道；
- 支持本地、Docker、SSH、Singularity、Modal 等运行方式。
Hermes 官方将其核心能力概括为：
Memory + Skills + Learning Loop + Tools + Messaging Gateway
2. OpenClaw
OpenClaw 则更强调个人 AI 助手、工具调用、自动化以及多渠道接入。
它的核心架构包括：
- Gateway
- Agent
- Sessions
- Skills
- Tools
- Channels
- Cron
- Memory
OpenClaw 可以连接 Telegram、WhatsApp、Discord 等多种渠道，并通过 Gateway 统一管理 Agent 和任务。
因此，如果简单概括：
Hermes 更强调“让 Agent 从使用过程中学习和积累”。
OpenClaw 更强调“让 Agent 成为一个可以连接各种渠道、工具和服务的个人自动化中枢”。
需要注意的是，这只是帮助理解的概括，并不意味着 OpenClaw 没有学习和记忆能力，也不意味着 Hermes 不适合自动化。
二、核心区别
| 对比维度 | Hermes Agent | OpenClaw |
|---|---|---|
| 开发语言 | Python | TypeScript / Node.js |
| 核心定位 | 自我改进型 AI Agent | 多渠道个人 AI Agent / 自动化中枢 |
| Skill | 支持 Agent 自动创建、修改 Skill | 支持丰富的 Skill 体系，也支持 Agent 创建 Skill |
| Skill 加载 | 渐进式加载，按需读取 | Skill 元数据进入上下文，具体 Skill 按需读取 |
| 长期记忆 | MEMORY.md + USER.md |
MEMORY.md + USER.md + memory/*.md |
| 记忆管理 | 有明确的容量限制和记忆工具 | 文件型记忆 + 搜索 + 压缩前 Memory Flush |
| 自我改进 | 核心卖点之一 | 也支持 Skill Workshop / Agent 创建 Skill |
| 多渠道 | Telegram、Discord、Slack、WhatsApp、Signal 等 | 支持大量消息渠道 |
| 定时任务 | 内置调度能力 | Gateway 内置 Cron |
| 多 Agent | 支持 | 支持 |
| 沙箱 / 安全 | 支持命令审批、容器隔离等 | 支持 Sandbox、Exec Approval 等 |
| 生态特点 | 强调 Agent 自我成长 | 强调渠道、工具和自动化生态 |
| 迁移 | 提供 OpenClaw → Hermes 迁移工具 | — |
三、最大的区别：Skill 系统
这是理解 Hermes 与 OpenClaw 差异最重要的地方之一。
3.1 OpenClaw 的 Skill
OpenClaw 的 Skill 本质上是一个包含 SKILL.md 的目录。
例如：
skills/
└── github/
└── SKILL.md
Skill 中通常包含：
- Skill 名称；
- Skill 描述；
- 使用条件；
- 操作步骤；
- 工具调用方法；
- 注意事项；
- 相关脚本和资源。
OpenClaw 会从多个位置发现 Skill，包括：
<workspace>/skills
<workspace>/.agents/skills
~/.agents/skills
~/.openclaw/skills
内置 Skills
额外 Skill 目录
并且存在明确的优先级关系。
一个很重要的纠正
一些文章会说：
OpenClaw 会把所有 Skill 的完整内容一次性塞进上下文。
这是不准确的。
OpenClaw 官方文档明确说明：
默认情况下，系统提示词中只包含 Skill 的名称、描述和位置，具体的 Skill 指令并不会全部注入上下文，而是在需要的时候读取对应的
SKILL.md。
也就是说，它实际上采用的是一种**按需加载 / 渐进式披露（Progressive Disclosure）**机制。
这可以减少无关 Skill 对上下文窗口的占用。
四、OpenClaw Agent 的 Skill：更强调“自动积累”
Hermes 的 Skill 系统与其“自我改进”理念结合得更加紧密。
当 Agent 完成一个复杂任务、解决了错误，或者用户纠正了它的工作方式时，Hermes 可以把经验整理成可复用的 Skill。
官方文档列举了几类典型触发场景：
- 完成复杂任务；
- 遇到错误并找到解决方法；
- 用户纠正了 Agent；
- 发现了一个值得复用的非平凡工作流程。
生成的 Skill 保存在：
~/.hermes/skills/
Agent 可以通过 skill_manage 创建、修改和删除 Skill。
因此 Hermes 的一个重要理念是：
Skill 不只是用户手工写给 Agent 的说明书，也可以成为 Agent 从实践中积累下来的“程序化经验”。
五、Hermes 的 Skill 会自动进化吗？
可以，但这里也需要避免过度宣传。
Hermes 确实把 Skill 自我创建和自我改进作为核心能力之一。
例如：
用户提出任务
↓
Agent 执行任务
↓
发现有效工作流程
↓
保存为 Skill
↓
以后遇到类似任务
↓
加载 Skill
↓
执行效率提高
这形成了一个：
任务 → 经验 → Skill → 再利用
的循环。
Hermes 官方也将这种机制称为其 learning loop。
不过，这并不意味着：
“Hermes 每完成一个任务都会自动产生一个高质量 Skill。”
实际上，Skill 的自动生成和维护仍然存在质量控制、触发条件以及实际效果方面的问题，因此更准确的说法应该是：
Hermes 原生提供了更强的 Skill 自动创建和自我改进机制。
而不是简单说“完全自动进化、零人工干预”。
六、记忆系统对比
这是两个项目另外一个非常值得关注的区别。
6.1 Hermes 的长期记忆
Hermes 当前的长期记忆主要由两个文件组成：
~/.hermes/memories/MEMORY.md
~/.hermes/memories/USER.md
其中：
MEMORY.md
主要保存：
- 环境信息；
- 项目情况；
- 工作习惯；
- 长期事实；
- Agent 从过去任务中学习到的信息。
最大容量：
2200 字符
USER.md
主要保存：
- 用户偏好；
- 沟通习惯；
- 用户画像；
- 长期稳定的信息。
最大容量：
1375 字符
Hermes 特意限制记忆容量，是为了避免长期使用以后记忆文件无限膨胀。
这里有一个值得注意的地方：
达到容量上限并不会简单地“自动丢掉旧内容”。
当写入新内容导致超过限制时，Memory 工具会返回错误，Agent 需要主动整理、合并或删除旧条目后再写入。
因此，原文中“重要的信息留下，不重要的信息自然被挤掉”的说法并不严谨。
七、OpenClaw 的记忆机制
OpenClaw 的 Memory 系统实际上比“文件即记忆”这个说法复杂得多。
主要包括：
USER.md
MEMORY.md
memory/
其中：
USER.md
保存用户模型相关信息，例如：
- 用户偏好；
- 用户习惯；
- 稳定的个人配置。
MEMORY.md
保存：
- 长期事实；
- 持久决策；
- 重要项目状态；
- 需要长期保留的摘要。
memory/*.md
则更像工作记忆 / 日志层：
memory/
├── 2026-08-08.md
├── 2026-08-09.md
└── ...
这里可以保存更加详细的：
- 日常记录；
- 会话摘要；
- 临时信息；
- 历史上下文。
这些内容可以通过 Memory Search / Memory Get 进行检索。
因此，把 OpenClaw 简单描述为：
“MEMORY.md 纯追加，几个月后就会变成数万行”
已经不符合当前官方文档描述。
OpenClaw 当前明确将 MEMORY.md 定义为精简、整理后的长期记忆层，而不是完整聊天日志。
八、OpenClaw 的记忆刷新机制
OpenClaw 还有一个比较重要的机制：
Automatic Memory Flush
当会话接近上下文限制、准备进行 Compaction 时，OpenClaw 会先执行一个静默的记忆保存轮次，让 Agent 把重要信息写入 Memory 文件，然后再进行上下文压缩。
流程可以理解为：
对话不断增长
↓
接近 Context Window 上限
↓
Memory Flush
↓
保存重要信息
↓
Compaction
↓
压缩旧对话
↓
继续工作
官方文档明确说明，该机制默认开启。
所以，原文将 OpenClaw 描述成“只有上下文快满时才被动记录”也过于简单。
九、Skill 加载效率：两者其实都在解决 Token 问题
原文认为：
Hermes 四层渐进式加载，而 OpenClaw 全量塞入上下文。
这个结论需要纠正。
OpenClaw 当前也采用了渐进式 Skill 加载：
系统提示词
↓
Skill 名称 + 描述 + 位置
↓
模型判断需要某个 Skill
↓
读取 SKILL.md
↓
执行相关流程
而不是一开始就把所有 Skill 的完整内容放进 Context。
因此：
不能简单得出“OpenClaw Token 效率低、Hermes Token 消耗只有 OpenClaw 的 1/4”这样的结论。
如果没有统一：
- 模型；
- Prompt；
- 任务；
- Tool 数量；
- 上下文长度；
- Skill 数量；
- 执行次数；
- Token 统计方法；
就无法得出一个具有普遍意义的“1/4”结论。
这类数字最多只能作为某个特定测试环境下的实验结果，而不能作为项目的固有属性。
十、安全模型对比
安全是 AI Agent 非常重要的一环。
因为普通聊天机器人主要产生文本，而 Agent 可以：
读取文件
↓
执行命令
↓
访问网络
↓
调用 API
↓
发送消息
↓
修改数据
因此，一旦 Agent 获得较高权限，安全风险会明显增加。
10.1 Hermes 的安全机制
Hermes 官方提供：
- Command Approval
- DM Pairing
- Container Isolation
- Sandbox
- 多种执行后端
例如可以通过容器隔离 Agent 的执行环境。
官方文档将：
Command approval、DM pairing、container isolation
列为 Hermes 的安全能力。
10.2 OpenClaw 也并非“默认没有安全机制”
原文这里存在比较明显的问题。
原文写：
OpenClaw 本身没有默认内置这套机制，需要用户自己配置安全边界。
这个表述过于绝对。
OpenClaw 当前已经提供：
- Sandbox；
- Exec Approval；
- Allowlist；
- Denylist；
- 不同执行权限模式；
- Gateway / Node 权限控制；
- Skill Allowlist；
- Skill Workshop 审核机制。
例如 Exec Approval 会根据：
Policy
+
Allowlist
+
User Approval
共同决定某个命令是否可以在真实主机上执行。
因此，更准确的说法是：
OpenClaw 同样具有完整的安全控制机制，但由于它拥有非常强的本地执行和外部服务连接能力，因此安全配置的重要性尤其高。
十一、OpenClaw 的安全问题是否真实存在？
是的。
这也是为什么使用 OpenClaw 时必须特别重视权限和第三方 Skill。
2026 年已经出现多项针对 OpenClaw 的安全研究。
一项针对真实 OpenClaw 实例的研究发现，当攻击者能够污染 Agent 的能力、身份或知识等持久状态时，部分攻击场景的攻击成功率会从约 24.6% 上升到 64%～74%。
另外，也有研究针对 OpenClaw 的运行时安全属性进行了测试，指出其在某些特定的 F1～F4 安全检测场景中存在明显不足。
同时，OpenClaw 的第三方 Skill 生态也带来供应链风险。
此前安全研究人员发现 ClawHub 中出现过恶意 Skill，这些 Skill 可能诱导 Agent 执行恶意操作、窃取敏感信息等。
因此使用 Agent 时应该遵循一个非常重要的原则：
不要因为 Skill 是“Markdown 文件”就认为它是安全的。
Skill 本身虽然可能只是文本指令，但它可以指导拥有系统权限的 Agent 执行命令。
十二、OpenClaw 的定时任务
原文还有一个明显错误：
Hermes 内置 Cron，OpenClaw 依赖 Cron Skill 或 ACP 后台任务。
这个说法已经不准确。
OpenClaw 本身就内置 Cron 调度器。
官方文档明确指出：
Cron is the Gateway’s built-in scheduler.
也就是说，Cron 是 Gateway 自带的能力，而不是必须依赖某个 Skill。
例如：
openclaw cron list
查看任务。
或者创建定时任务：
openclaw cron create "0 7 * * *" \
"汇总夜间更新。" \
--name "晨间简报"
OpenClaw 的 Cron 任务运行在 Gateway 中，并且任务状态会持久化，因此 Gateway 重启后任务不会简单消失。
因此在“定时任务”这一点上，两者都具备原生能力。
十三、Hermes 支持从 OpenClaw 迁移
这是 Hermes 比较有意思的一个功能。
如果已经在使用 OpenClaw，可以通过：
hermes claw migrate
将 OpenClaw 配置迁移到 Hermes。
官方迁移工具支持迁移的内容包括：
- SOUL.md；
- USER.md；
- MEMORY.md；
- 用户创建的 Skills；
- 部分消息平台配置；
- Command Allowlist；
- API Keys；
- Workspace 配置；
- TTS 资源等。
还可以先执行：
hermes claw migrate --dry-run
查看迁移计划，而不立即修改数据。
所以原文中的：
hermes claw migrate
这个结论是正确的。
不过实际迁移时仍然建议：
hermes claw migrate --dry-run
先检查，再正式迁移。
因为不同版本之间可能存在配置结构变化和兼容性问题。
十四、两者应该怎么选？
选择 Hermes Agent，如果你更关注：
1. Agent 自我学习
希望 Agent：
任务
↓
经验
↓
Skill
↓
记忆
↓
下一次做得更好
那么 Hermes 很值得尝试。
2. 长期个人助手
如果你希望 Agent 长期了解：
- 你的项目；
- 你的工作方式；
- 你的偏好；
- 你的常用工具；
- 过去解决问题的方法；
Hermes 的设计理念会比较契合。
3. Python 生态
如果你熟悉 Python，并且希望进一步研究 Agent 的内部机制、工具调用和自我改进，那么 Hermes 会比较友好。
十五、选择 OpenClaw，如果你更关注：
1. 多渠道接入
如果你的核心需求是：
Telegram
WhatsApp
Discord
Slack
……
↓
OpenClaw
↓
Agent
那么 OpenClaw 的渠道和 Gateway 思路非常适合。
2. 自动化
例如：
定时任务
↓
Agent
↓
读取邮件
↓
分析数据
↓
生成报告
↓
发送到 Telegram
这类自动化场景是 OpenClaw 的强项。
3. 丰富的 Skill / 工具生态
OpenClaw 的 Skill 机制非常成熟，可以从多个来源加载 Skill，并且支持工作区级、个人级和共享级 Skill。
十六、一个更简单的理解
如果一定要用两个比喻来理解：
OpenClaw
更像：
一个拥有各种接口、工具和自动化能力的 AI 操作中枢。
它擅长：
连接
↓
调用
↓
执行
↓
自动化
Hermes Agent
更像：
一个强调长期记忆和经验积累的 AI Agent。
它更加关注：
使用
↓
学习
↓
记忆
↓
形成 Skill
↓
再次使用
↓
持续改进
十七、两者并不是简单的“谁更强”
这是理解这两个项目最重要的一点。
如果把 Agent 拆成几个核心能力：
AI Agent
│
┌─────────┼─────────┐
↓ ↓ ↓
推理 工具 记忆
│ │ │
↓ ↓ ↓
模型 Skills Memory
│
↓
自动化
Hermes 更强调：
Memory + Skill Learning + Self-Improvement
OpenClaw 更强调：
Gateway + Channels + Tools + Automation
但两者的能力实际上正在不断趋同。
OpenClaw 现在也在强化：
- Skill Workshop；
- Agent 创建 Skill；
- Memory；
- Memory Search；
- Dreaming；
- 多 Agent；
- Sandbox；
- Exec Approval。
Hermes 同样也拥有：
- Messaging Gateway；
- Cron；
- 多 Agent；
- MCP；
- Sandbox；
- 多种工具；
- 多渠道接入。
因此，与其说：
Hermes = 会学习
OpenClaw = 不会学习
不如说：
Hermes 从产品设计之初就把“持续学习和自我改进”放在更加核心的位置；OpenClaw 则更强调 Gateway、渠道、工具和自动化生态。
十八、最终总结
Hermes Agent 与 OpenClaw 可以看作当前 AI Agent 发展的两种不同方向。
Hermes Agent 更强调：
让 Agent 越用越懂你。
通过长期记忆、Skill 自动创建和学习循环，让过去的任务经验能够沉淀下来，并在未来的任务中继续发挥作用。
OpenClaw 更强调：
让 Agent 成为一个真正可以使用的个人自动化中枢。
通过 Gateway、Channels、Skills、Tools、Cron、Memory 等能力，把 AI 与消息平台、电脑、文件、网络服务以及各种外部工具连接起来。
所以，如果你只是问：
“哪个更先进？”
其实没有一个简单答案。
如果你关注：
个人长期助手 + 记忆 + 自我改进
可以重点体验 Hermes Agent。
如果你关注：
多渠道 + 自动化 + 工具生态 + Gateway
可以重点体验 OpenClaw。
而对于喜欢折腾 AI Agent 的开发者来说，实际上最值得做的事情不是简单二选一，而是：
把两者都跑起来，用自己的真实任务进行对比。
毕竟 Agent 的最终价值，并不是 GitHub Star 数量，也不是宣传中的“Token 只有 1/4”，而是：
它能不能真正替你完成事情，并且随着使用越来越好。
官方资料
- Hermes Agent：GitHub / 官方文档
- OpenClaw：官方文档
- Hermes OpenClaw Migration：官方迁移文档
本文根据项目官方文档及公开资料整理。由于 Hermes Agent 与 OpenClaw 都在快速迭代，具体功能、配置项和生态规模可能随版本变化，实际使用时建议以项目最新文档为准。