由 Nous Research 开源的新一代 AI Agent 框架。上线不到两个月 GitHub 狂揽近 3 万星， 以"自进化"为核心能力重新定义了 AI Agent 的学习与记忆方式。
Hermes Agent 是由 Nous Research 开源的自进化 AI Agent 框架。 与传统的 Agent 框架不同，Hermes 的核心理念是让 AI 自主决定哪些经验值得被固化成"技能"（Skill）， 从而实现真正的"自我进化"。
在 Hermes 的哲学中，AI 不仅仅是执行工具的"手"，更是一个能够从交互中学习、总结、 并将经验转化为可复用能力的"大脑"。它内置了独特的 MemPalace（记忆宫殿） 系统， 能够存储丰富的交互历史并通过语义检索来辅助决策。
Hermes Agent 以自进化为核心，围绕记忆、技能、推理三大维度打造了独特的能力体系
AI 自主判断哪些经验值得被固化为 Skill，从日常交互中自动蒸馏可复用的能力模块，无需人工编写规则。
独特的全量记忆存储方案。不信任 AI 的判断力，而是将所有交互记录存储下来，通过语义检索在需要时精准调取。
从大量交互历史中自动提炼模式与最佳实践，将隐性知识转化为显性的、可执行的技能描述。
不绑定单一模型供应商，支持 OpenAI、Anthropic、本地模型等多种后端，灵活切换与组合使用。
内置长链条推理能力，能够处理复杂的多步骤任务，自动规划执行路径并在失败时自我修正。
提供细粒度的权限管理系统，对文件读写、网络访问、命令执行等操作进行分级控制，确保安全边界。
Hermes Agent 的核心工作流程：交互 → 反思 → 蒸馏 → 进化
Hermes 的设计基于一个核心假设：AI 的判断值得信任。 与"存储一切用检索解决"的 MemPalace 路线不同，Hermes 选择让 AI 自主决定哪些知识值得被提炼为 Skill。 这两种路线各有优劣 —— MemPalace 更安全（不丢失信息），Hermes 更高效（主动提炼核心能力）。
Hermes 与 OpenClaw 在记忆、技能、通道三个维度上的设计理念截然不同，下面深入拆解每个差异的技术实现
MemPalace 全量记忆 vs MEMORY.md 人工策展
Hermes 的核心设计哲学是 "不信任 AI 的判断，全部存下来用检索解决"。 MemPalace 是一个基于向量数据库的全量记忆存储系统，它将每一次交互的完整上下文（包括对话内容、工具调用结果、中间推理过程）都持久化存储。
优势：不丢失任何信息，通过语义检索在海量历史中精准找到相关记忆。
代价：需要向量数据库（如 ChromaDB / Qdrant），存储成本随交互量线性增长。
OpenClaw 采用 "人工策展"式记忆。 Agent 拥有一个 MEMORY.md 作为长期记忆（需要人工或 AI 主动更新），以及 memory/ 目录下的日期日志文件作为短期记录。
优势：轻量、透明、用户可完全控制记忆内容，无额外依赖。
代价：依赖 Agent 主动写入，容易遗忘或遗漏；语义搜索可选但非默认。
AI 自动蒸馏 vs 人工编写 SKILL.md
这是 Hermes Agent 最核心的创新 —— 自进化系统。 它的核心理念是：AI 在与用户的交互过程中，会自动识别出重复出现的模式、成功解决问题的方法论、以及有价值的行为模式， 然后将这些经验"蒸馏"（Distill）成结构化的 Skill，供未来复用。
Hermes 的自净化（Self-Purification）是自进化系统的重要子模块。当 Agent 在蒸馏新 Skill 时， 会自动检测与现有 Skill 的冲突和冗余，将过时或被新 Skill 覆盖的旧规则标记为"衰减"并逐步淘汰。 这确保了技能库的持续精简和高质量，避免无限膨胀。
OpenClaw 由用户或开发者手动编写 SKILL.md 文件来定义 Agent 的技能行为。 每个 Skill 包含触发条件、执行步骤、参数说明等，格式为 Markdown，Agent 通过语义匹配自动加载对应 Skill。 精确可控，但需要人工维护和迭代。
研究框架 vs 生产级 Agent 运行时
Hermes 的架构以 "自进化循环" 为核心设计， 更像一个研究实验平台。它的通道集成相对基础，主要通过 Web API 和 CLI 交互。
OpenClaw 是一个 "全通道 Agent 运行时"， 核心能力是将 AI Agent 连接到用户已有的通讯工具中，提供持久化的会话管理和丰富的工具编排。
Hermes 回答的是"AI 能不能自己变得更强"—— 它是一个以自进化为核心的研究框架，
让 Agent 在使用过程中自动提炼经验、生成技能、自我优化。
OpenClaw 回答的是"AI 能不能无缝接入我的生活"—— 它是一个生产级 Agent 运行时，
通过多通道集成、持久会话和丰富的工具生态，让 Agent 成为真正可用的日常助手。
两者并非替代关系，而是 互补的：一个让 Agent 更聪明，一个让 Agent 更有用。
两款 AI Agent 框架分别代表了不同的设计理念，各有侧重
| 维度 | 🟣 Hermes Agent | 🔴 OpenClaw |
|---|---|---|
| 开发者 | Nous Research | OpenClaw Team |
| 核心定位 | 自进化 AI Agent 框架 让 AI 自主学习、提炼技能 |
AI Agent 运行时平台 多通道连接、工具编排、长期记忆 |
| 开源状态 | 完全开源 | 开源（核心） |
| 记忆系统 | MemPalace：全量存储 + 语义检索 "不信AI判断，全部存下来" |
MEMORY.md + memory/*.md 人工策展 + 语义搜索（可选） |
| 技能管理 | 自动蒸馏 AI 自主决定什么值得固化 |
人工编写 用户创建 SKILL.md 定义行为 |
| 多通道集成 | 基础支持 以 Web/API 为主 |
深度集成 飞书/Telegram/Discord/Signal 等 10+ 通道 |
| 工具生态 | 基础工具集 自进化为主，工具为辅 |
丰富 浏览器控制、文件管理、日历、Notion 等 |
| 多 Agent 协作 | 有限支持 | 原生支持 子 Agent 编排、会话隔离、跨 Agent 通信 |
| 模型支持 | 多 LLM OpenAI / Anthropic / 本地模型 |
多 LLM OpenAI / 智谱 / Anthropic / 本地模型 |
| 部署复杂度 | 中等 Python 环境 + 向量数据库 |
中等 Node.js + 配置文件 |
| 适合场景 | 研究实验、知识型任务 需要 Agent 自我进化的场景 |
日常助手、多通道自动化 需要深度工具集成的场景 |
| 学习曲线 | 较低 AI 自动学习，用户干预少 |
较高 需要编写 Skill、配置工具 |
从诞生到爆火，Hermes Agent 的快速成长之路