文 | AI價值官，作者丨星 野，編 輯丨美 圻

最近一段時間，Hermes Agent的名字開始頻繁出現(xiàn)在開發(fā)者社區(qū)里，而且不再只是零散的“新項目推薦”，而是下一個OpenClaw的熱門候選者。

在英文技術社區(qū)、Reddit、X以及The New Stack等媒體的討論中，它被反復拿來和OpenClaw對比；在中文互聯(lián)網(wǎng)，從知乎、小紅書到技術社群，也開始出現(xiàn)越來越多真實的使用反饋。

伴隨討論度升溫的，是一組很難忽視的數(shù)據(jù)變化：Hermes的GitHub Star數(shù)在短時間內(nèi)持續(xù)攀升，目前已超過35k。OpenRouter上的token使用量從3月下旬開始明顯加速，單日使用量連續(xù)刷新新高，全球日排名一度進入前列。在 Productivity、Personal Agents、Coding Agents等多個榜單中同時靠前，這對于一個上線不到兩個月的Agent框架而言，并不常見。

更重要的是敘事的變化。討論Hermes的人，不再只是“它能不能用”“值不值得試”，而是開始出現(xiàn)一種判斷：它能否成為下一個OpenClaw。

這個說法并不意味著體量對等（畢竟，Hermes的星標數(shù)和OpenClaw差了一個數(shù)量級），而是一種角色上的類比——在 OpenClaw 之后，是否終于出現(xiàn)了一個足夠完整、足夠嚴肅、值得長期投入的Agent框架選擇。

OpenClaw瓶頸漸顯Agent生態(tài)或告別“一家獨大”

過去三個月，OpenClaw代表的是一種近乎共識的答案：多渠道接入、全天候運行、龐大的技能生態(tài)，讓 Agent從“會話工具”變成“常駐服務”。

然而，隨著使用規(guī)模擴大、使用周期拉長，一些更底層的問題開始被反復提起：架構復雜度是否會不斷外溢？長期運行的上下文和記憶如何管控？系統(tǒng)成本會不會隨著生態(tài)擴張線性上升？這些問題并非突然出現(xiàn)，而是在狂熱期之后自然浮出水面。

在此背景下，小米大模型負責人羅福莉4月初發(fā)表的文章進一步推波助瀾。當Anthropic宣布切斷OpenClaw等通過Claude訂閱接入的通道，她從工程成本角度拆解了第三方Agent框架的效率問題。

她觀察到，OpenClaw的上下文管理存在明顯浪費：一次用戶查詢往往被拆分為多輪低價值工具調(diào)用，每次API請求都攜帶超過10萬token的上下文窗口。按 API 定價折算，單次任務的真實推理成本可能達到訂閱價格的數(shù)十倍——“這不是一個小差距，是一個巨坑”。

她同時指出，這種壓力短期內(nèi)會倒逼框架開發(fā)者改進上下文管理，而更根本的出路在于“更高token效率的Agent 框架”與“更強大高效的模型”的協(xié)同進化，而不是單純壓低token價格。

羅福莉的文章之所以在開發(fā)者圈子里引發(fā)共鳴，是因為它把許多用戶長期使用中感受到的問題，以及行業(yè)不斷攀升的token成本壓力，擺在了面上。

從OpenRouter的使用數(shù)據(jù)來看，OpenClaw依然是體量最大的Agent框架，但已經(jīng)開始從3月底的峰值回落。結合Anthropic收緊第三方調(diào)用路徑帶來的沖擊，部分開發(fā)者已開始重估單一框架路徑依賴的風險，Agent生態(tài)正進入一輪新的開放競爭階段。

正是在此背景下，Hermes的熱度開始上升。它受到關注，不是因為提供了更多平臺接入或更龐大的技能市場，而是因為在架構層面給出了另一種回答：當Agent被設計為長期運行的系統(tǒng)，是否可以把復雜度更多地收斂進模型和學習循環(huán)本身，而不是不斷堆疊外部編排層？

也正是在這一刻，“Hermes會不會成為下一個OpenClaw”這個問題才真正成立——它比的不是規(guī)模，而是哪一種架構路徑，更有可能支撐Agent走得更遠。

Hermes的設計哲學有何不同？

如果只對照功能列表，Hermes和OpenClaw的重合度并不低：同樣支持多消息平臺接入，同樣具備持久化記憶、技能系統(tǒng)和多模型切換能力，也都采用MIT協(xié)議、自托管部署。真正拉開兩者差距的，是它們設計哲學上的顯著差異。

OpenClaw的核心是一套Gateway架構。它的設計重心在于連接和協(xié)調(diào)：統(tǒng)一管理會話、路由和渠道，把Telegram、Slack、WhatsApp 等入口匯聚到一個調(diào)度中心，再將請求分發(fā)給模型和工具。這種架構非常適合快速擴展生態(tài)，也解釋了為什么OpenClaw能在短時間內(nèi)積累起龐大的技能市場和第三方集成網(wǎng)絡。

自我進化

Hermes走的是另一條路線，圍繞“Agent 如何在長期使用中變得更強”來構建。整個系統(tǒng)的核心不是網(wǎng)關，而是Agent自身的執(zhí)行循環(huán)，官方稱之為closed learning loop（閉環(huán)學習循環(huán)）。這意味著，Hermes并不試圖通過不斷疊加外部編排層來解決問題，而是實現(xiàn)agent的自我進化，真正實現(xiàn)“grows with you”的愿景。

這種差異首先體現(xiàn)在技能系統(tǒng)上。Hermes的技能不是預先編寫的功能模塊，而是在任務完成后，由Agent自行生成和維護的操作文檔。當一次任務涉及多次工具調(diào)用并形成相對穩(wěn)定的解決路徑時，Agent會把整個過程沉淀為一份結構化的Markdown技能文件。下次遇到類似問題，它不會重新從零推理，而是直接加載技能，并在執(zhí)行過程中持續(xù)修訂它。

有用戶統(tǒng)計，連續(xù)使用一個月后，同類任務的工具調(diào)用次數(shù)從20多次壓縮到八到十次，模型本身沒有變化，變化的是Agent已經(jīng)積累了一套可復用、可改進的“操作手冊”。

相比之下，OpenClaw也擁有龐大的技能生態(tài)，但技能更多是由他人編寫、為通用場景服務，本身并不會隨著某一個用戶的使用而自動進化。一個更像公共教材，一個更像私人工作筆記。

有限記憶

Hermes在設計哲學上與Openclaw的另一重分歧，在于對于“記憶”這件事的不同理解。

OpenClaw的策略是“什么都存”，所有對話，所有上下文，全部持久化到數(shù)據(jù)庫里。需要的時候全量檢索。好處是信息不會丟，壞處是token消耗大，而且噪音會隨時間指數(shù)級遞增。

圖片來源：Inside Hermes Agent: How a Self-Improving AI Agent Actually Works，Daily AI Insights

Hermes Agent選了一條反直覺的路：有限記憶。它并沒有采取“什么都存”的策略，而是有意為長期記憶設置上限。MEMORY.md和 USER.md的字符數(shù)被嚴格限制。設計者的判斷是：對大模型來說，少量精準的記憶比大量模糊的記憶更有用。

記憶文件在每個session開始時注入系統(tǒng)提示詞，占的token是固定的，不會隨著使用時間越來越膨脹。而且因為空間有限，agent被迫學會做信息的篩選和壓縮，只保留真正重要的東西。記憶滿了怎么辦？agent會自己合并舊條目、刪掉過時信息、把多條相關記錄壓縮成一條。更像一個人在整理筆記，而不是一個數(shù)據(jù)庫在堆疊數(shù)據(jù)。

在這一限制之上，Hermes通過分層結構來解決記憶難題：所有歷史對話被完整存儲在 SQLite 中，通過FTS5全文檢索按需召回；技能文件承擔程序性記憶的角色；向量索引用于長期語義搜索；可選的 Honcho用戶建模模塊，則用于捕捉用戶偏好和認知變化的趨勢，而不是簡單堆疊事實。

這種設計的結果是，上下文不會隨著使用時間失控膨脹，但Agent依然能夠“記得住事”。對用戶而言，最直觀的體驗是不再反復解釋背景，不同會話、不同入口之間的理解保持一致。

模型解耦

此外，Hermes在模型切換這件事上也走得更徹底。OpenClaw官方雖然也支持多模型，但在實際使用中仍然更推薦搭配自家模型，而Hermes從一開始就把“模型可替換”當作前提條件來設計。

目前Hermes開箱即用地支持18個以上的LLM提供商，切換模型只需要一條命令，所有記憶、技能和歷史數(shù)據(jù)都保存在本地，幾乎不存在遷移成本。

這意味著用戶可以根據(jù)價格、穩(wěn)定性或具體任務特性自由切換模型。對于不希望被長期綁定在某一個模型或某一家廠商生態(tài)里的開發(fā)者來說，這種自由度本身就是一種安全感。

綜合來看，Hermes的這些設計并不是為了在某一次任務中顯得更聰明，而是圍繞一個更長期的問題展開：當Agent被持續(xù)使用數(shù)周甚至數(shù)月之后，它是否還能保持穩(wěn)定、可控，并且越來越貼合用戶自身的工作方式。正是在這個時間維度上，Hermes與OpenClaw拉開了差異。

當然，這條路線的代價同樣清晰。Hermes在任務狀態(tài)管理、長流程穩(wěn)定性和子 Agent協(xié)作上仍然不成熟，對模型規(guī)模的要求更高，學習曲線也明顯陡于OpenClaw。

更關鍵的是，Hermes目前的生態(tài)成熟度與OpenClaw仍存在顯著差距，第三方平臺集成、社區(qū)教程、問題排查支持遠不完善，普通用戶的上手門檻遠高于常規(guī)開源工具。它并不適合只想 “裝好就用” 的用戶。但對于愿意長期運行一個agent、并期望它隨著時間減少重復勞動的人來說，Hermes提供的是一種完全不同的價值曲線。

Agent框架趨同進化分層架構正在形成

Hermes 的持續(xù)升溫，并非對 OpenClaw 的單向替代，而是整個Agent框架生態(tài)同步進化的一個關鍵信號。

事實上，OpenClaw早已意識到早期架構所面臨的瓶頸，并主動推進底層能力迭代。在模型解耦與記憶機制這兩個核心方向上，它正呈現(xiàn)出與Hermes異曲同工的進化趨勢。

早在被Anthropic政策收緊影響之前，OpenClaw就已經(jīng)開始為 “去單一模型依賴” 做全面準備。在3月的更新中，OpenClaw通過統(tǒng)一兼容層，抹平了不同模型在接口、認證方式和返回結構上的差異，用戶切換模型只需修改一個配置項，無需重新適配工具。這與 Hermes從設計之初就堅持的“模型可替換”思路高度一致。

在記憶機制上，針對早期“全量存儲”帶來的token浪費、上下文臃腫問題，OpenClaw在4月5日發(fā)布的 v2026.4.5 版本中，正式上線了 “夢境” 記憶系統(tǒng)。這套系統(tǒng)模擬人類睡眠中的記憶鞏固過程，在用戶不活躍的時段自動完成記憶的篩選、壓縮與提純，僅將高價值信息沉淀為長期記憶。

這套機制與Hermes的有限記憶設計，在目標層面高度一致——讓Agent越用越懂用戶，同時對長期運行的成本與噪音進行嚴格控制。

不過，底層架構的差異，依然決定了兩者的進化路徑與適用人群的分野。

OpenClaw的進化，是建立在原有Gateway架構之上的優(yōu)化升級：它依然保留全量數(shù)據(jù)作為兜底，夢境系統(tǒng)更多是一種上層的離線提純能力；模型解耦的重點，也放在兼容更豐富的生態(tài)與場景，而非從根本上重構執(zhí)行邏輯。

Hermes則從一開始就以“閉環(huán)學習循環(huán)”為核心，將復雜度直接內(nèi)化進Agent的執(zhí)行過程之中。這種底層設計基因的不同，使兩者天然服務于不同類型的用戶。

當用戶對Agent的需求從 “嘗鮮可用” 走向 “長期深度使用”，需求端已經(jīng)出現(xiàn)了清晰的分層，與之對應，Agent框架的三層結構正在逐漸成型。

OpenClaw是面向普通用戶的多渠道Agent平臺，核心價值在于生態(tài)深度與低上手門檻，更像“AI Agent的Android”，目標是讓用戶無需理解底層細節(jié)，也能直接使用成熟的 Agent能力。

Hermes定位于面向?qū)I(yè)開發(fā)者的Agent基礎設施，強調(diào)可編程性、記憶深度與長期進化能力，適合希望深度定制、追求長期效率的用戶；Claude Cowork則代表面向安全敏感場景的封閉生態(tài)，模型能力強、沙箱成熟，更符合對數(shù)據(jù)安全有嚴格要求的企業(yè)環(huán)境。

這三種定位并不互斥，邊界也在被主動打通。Hermes已支持從ClawHub安裝社區(qū)技能，也可以通過MCP協(xié)議接入Claude Desktop與Cursor。

不少用戶已經(jīng)形成組合使用的模式：OpenClaw負責多渠道消息路由與任務執(zhí)行，Hermes作為核心推理與記憶引擎。

這種分工協(xié)作的現(xiàn)實路徑，顯然比“誰取代誰”的線性敘事更貼近真實市場。

因此，與其追問“誰會成為下一個OpenClaw”，不如承認一個更清晰的現(xiàn)實：Agent框架正在從單點爆款時代，進入長期結構分化的階段。

真正決定未來走向的，是在模型快速更迭的時代，誰能讓Agent在時間維度上持續(xù)積累價值，并把這種積累牢牢掌握在用戶手中。