【AI前沿】83K Star，6种后端，从零长出技能——Hermes Agent凭什么抢走OpenClaw的用户？

同样是开源AI Agent，OpenClaw选择「接入一切」，Hermes Agent选择「记住一切」。两条路线之争的背后，是AI Agent从工具到伙伴的范式跃迁。

PART 1：先讲一个时间线

2026年2月25日，Nous Research在GitHub上安静地推了一个仓库：hermes-agent。

没有Product Hunt首发，没有YC Demo Day，没有KOL集体喊单。就一个README和一行安装命令。

然后事情失控了。

• 第1周：Star破1万。社区的反应是"又一个Agent框架？"
• 第2周：Star破3万。反应变成"等等，这东西怎么越用越聪明？"
• 第6周：Star破6万。开始出现「从OpenClaw迁移到Hermes」的教程。
• 截至4月13日：83.3K Star，424位贡献者，4113次Commit。

作为对比：OpenClaw用了近一年才稳定在247K Star（现在涨到355K+）。Claude Code的开源替代品Claw Code两小时破5万，但那靠的是事件驱动（源码泄露+热度爆炸）。

Hermes Agent的增长曲线完全不同——它是被用出来的，不是被炒出来的。

这很罕见。

PART 2：为什么我一个养虾人要写这篇文章

写了13篇养虾系列的读者应该知道，我的整个工作流深度绑定在Claude Code + OpenClaw（龙虾）生态里。从晨间港股监控到公众号批量生产，龙虾是核心引擎。

所以当我看到越来越多开发者从OpenClaw迁移到Hermes Agent时，第一反应是：这东西到底哪里比龙虾强？

花了两天研究完，结论是——

它不是"比龙虾强"。它根本就是另一种生物。

如果说OpenClaw是一个能力极强的工具箱，Hermes Agent更像一个会成长的实习生。工具箱装满了扳手螺丝刀，拿来就用；实习生刚来什么都不会，但三个月后它比你还懂你的项目。

这不是好坏之争。这是路线之争。

PART 3：三层记忆——Hermes Agent的核心武器

先说最关键的差异点：记忆系统。

OpenClaw的路线：全量持久化 + 向量检索

OpenClaw的记忆策略是"什么都存"。所有对话、上下文、文件操作记录全部灌进向量数据库。需要回忆时，用embedding做语义检索，拉出最相关的几条。

优点显而易见：不丢信息，上下文窗口理论上无限大。

但我在实际使用中遇到过一个很具体的问题：用到第三个月，噪音太大了。

你让它回忆"我上周对股票分析系统做了什么修改"，它可能把三个月前一次无关的调试记录也拉出来，因为语义上确实沾点边。向量检索的精度随数据量线性下降——这不是bug，这是架构的天生缺陷。

Hermes Agent的路线：有限记忆 + 主动压缩

Hermes Agent的设计哲学完全相反。

它的记忆系统分三层：

注意那个数字：1300 tokens硬上限。

这不是限制。这是设计。

Hermes Agent的设计者认为：对LLM来说，少量精准的记忆比大量模糊的记忆更有价值。当记忆接近上限时，Agent会自动做三件事：

1. 合并相似条目
2. 删除过时信息
3. 压缩多条记录为一条摘要

用CSDN一篇对比文章的原话说：

“更像是人在整理笔记，而不是数据库在堆数据。”

讽刺的是，我在WorkBuddy里的MEMORY.md机制，跟这个设计理念几乎一模一样。

我的MEMORY.md不超过1KB，记的都是"港股自选股列表"“企业微信Webhook Key”"养虾系列存放路径"这种高复用信息。日志文件按日存、30天后蒸馏。这套机制是我自己在实践中摸索出来的——而Hermes Agent把它做成了产品级的内置能力。

这说明一件事：好的Agent记忆系统应该是有限的、可压缩的、主动管理的。全量存储反而是懒惰的做法。

PART 4：自学习循环——最让我警觉的功能

记忆系统是基础设施。真正让Hermes Agent从"又一个Agent框架"变成"有点东西"的，是它的闭环自学习机制。

运作原理：

1. 触发条件：完成一个需要5次以上工具调用的复杂任务
2. 自动产出：生成一份SKILL.md——包含操作步骤、踩过的坑、验证方法
3. 自检机制：每15次工具调用，Agent主动暂停做一次自检（“我做到哪了？有没有偏离目标？”）
4. 持续迭代：下次遇到类似任务时调用已有Skill，用完后根据新经验更新它

用户实测数据：一个月后，同类任务的平均工具调用次数从25次降到8-10次。

这个数字意味着什么？

意味着三件事：

• 成本下降70%（LLM API调用量直接打三折）
• 延迟降低（更少的tool call = 更快的响应）
• 准确率上升（因为它记住了什么路走不通）

作为对比，OpenClaw也有技能系统——ClawHub上有13000+社区共建的技能。但那是"通用教材"：写好了给所有人用，覆盖面广，但不一定适配你的具体环境。

Hermes Agent的技能是"私人笔记"：从你的操作中长出来的，包含你的项目结构、你的工具链偏好、你踩过的坑。

一个是标准化的SOP，一个是个性化的经验沉淀。两种路线，没有对错，但Hermes Agent的路线有一个碾压级优势——它的技能和你的使用时长正相关。用得越久，差距越大。

这就是为什么早期用户不愿意迁移出去。那篇腾讯新闻的文章写得很精准：

“那种感觉就像在养一只宠物，它会记住你教它的每一件事，然后变得越来越懂你。”

我怎么说呢——作为一个养了13篇龙虾的人，这句话很戳。

PART 5：完整规格对比——OpenClaw vs Hermes Agent vs Claude Code

说完理念，看硬指标。

几个值得单独说的点：

1. Python vs TypeScript

OpenClaw和Claude Code都是TypeScript系。Hermes Agent选了Python（93.1%），这意味着：

• AI/ML社区的开发者可以直接贡献代码（Python是AI领域的通用语言）
• 集成Hugging Face、PyTorch等生态零摩擦
• 但性能天花板比Rust/TypeScript低

2. 一键迁移命令

hermes claw migrate --dry-run# 先预览hermes claw migrate# 正式迁移

可迁移内容：SOUL.md人格文件、记忆、技能、命令白名单、消息平台配置、API密钥、TTS资源、工作区指令。

这一招非常狠。降低迁移成本是所有平台竞争的核武器。OpenClaw花一年攒的用户资产，Hermes一条命令就能搬走。

3. $5/月 VPS

通过Daytona或Modal后端，Hermes Agent可以在$5/月的VPS上运行，闲置时休眠、按需唤醒。对于个人开发者来说，这个价格约等于免费。

PART 6：为什么Hermes Agent能爆火——三个结构性原因

看完技术对比，回到那个最核心的问题：凭什么是它？

AI Agent框架2026年不下百个。AutoGPT、CrewAI、LangGraph、MetaGPT……为什么Hermes Agent能在6周内冲到83K Star？

原因1：卡位精准——OpenClaw太重，Claude Code太专

Claude Code只在终端/IDE里活着，不碰消息平台，不做定时任务，不持久化记忆。它是最好的编码助手，但你关掉终端它就"死"了。

OpenClaw走的是另一个极端——22个消息平台、13000个技能、全量持久化。功能极度丰富，但配置复杂度也极高。我自己用龙虾的前两周，80%时间花在调配置和排错上。

Hermes Agent恰好卡在中间：

• 比Claude Code多了持久记忆和消息平台（不用守着终端）
• 比OpenClaw轻得多（一行curl安装，5步配置）
• 比AutoGPT实用（不是"自主运行"的表演，而是实际能干活的工具）

不做最强的，做最趁手的。这种产品感觉非常Nous Research——他们做Hermes系列大模型也是这个路线：不追SOTA榜单，追"开发者用起来最舒服"。

原因2：可感知的成长性

大多数AI产品的能力曲线是这样的：📈第一天很惊艳→📉第三天就"也就那样了"。

Hermes Agent的曲线是反过来的：📉第一天啥也不会→📈第三十天已经能独立处理你80%的常规任务。

这种"越用越好"的体验在消费品领域有一个名字叫用户粘性。在AI Agent领域，它创造了一种前所未有的锁定效应——你不是因为沉没成本不想走，是因为你的Agent真的比别人的Agent更懂你。

OpenClaw的锁定靠生态（插件、技能、MCP服务器）。Hermes Agent的锁定靠经验积累（你用的越久，它学的越多）。

后者更可怕。因为生态可以迁移，经验不可以。

原因3：Nous Research的信任背书 + MIT协议

Nous Research不是一个刚成立的创业公司。他们训练的Hermes系列大模型（Hermes 1/2/3）是开源社区最受信赖的模型系列之一。Hermes 3的技术报告在arXiv上的引用量排在开源模型前五。

MIT协议意味着：零商业限制、零遥测、数据全本地。在Anthropic封杀OpenClaw的大背景下，"不被卡脖子"变成了一个非常有吸引力的卖点。

PART 7：一个养虾人的判断

说完分析，给我自己的判断。

判断1：Hermes Agent和OpenClaw不是替代关系

文章写到这里，可能有人以为我要"叛变"——从龙虾转投Hermes。

不会。

因为两个产品解决的问题根本不同：

• OpenClaw解决的是「我需要一个中枢来调度多个AI Agent协作」的问题。多渠道、多模型、多工具、多人协作——这是OpenClaw的领地。
• Hermes Agent解决的是「我需要一个长期陪伴的私人Agent」的问题。自学习、持久记忆、个性化技能——这是Hermes的领地。
• Claude Code解决的是「我需要最好的代码生成质量」的问题。SWE-bench榜首不是白来的。

三者完全可以共存。

事实上，社区已经有人在做混合方案——用Claude Code写代码，用OpenClaw做多渠道分发，用Hermes Agent做个人知识管理。

判断2：自学习是2026年Agent赛道的分水岭

2023年的Agent赛道，核心比的是"能调用多少工具"。
2024年的Agent赛道，核心比的是"上下文能塞多长"。
2025年的Agent赛道，核心比的是"能接入多少平台"。
2026年，核心比的是"能不能自己变强"。

Hermes Agent是第一个把自学习做成产品级体验的框架。不是学术Demo，不是"理论上可以"，是真的一个月后tool call从25次降到8次。

如果OpenClaw不跟进类似的自学习机制，它在个人Agent场景下会被Hermes越拉越远。如果Claude Code不做持久记忆，每次开会话都要重新解释项目背景，开发者迟早会烦。

自学习机制不是nice-to-have。它是接下来三年的主战场。

判断3：警惕"养宠物"心理

最后一个判断，泼一盆冷水。

“越用越懂你"的另一面是"越用越离不开”。

当你的Hermes Agent积累了半年的技能和记忆，你切换到另一个框架的成本就变得极高。这不是技术壁垒——hermes claw migrate能搬走SOUL.md和配置——但那些从你日常操作中自动生成的SKILL.md、从你的反馈中精炼的记忆压缩策略，这些是不可迁移的隐性知识。

某种程度上，这比OpenClaw的生态锁定更深。生态锁定你至少看得到（13000个技能在那摆着），经验锁定是无形的。

所以我的建议是：用Hermes Agent，但保持方法论的可迁移性。你的核心认知——怎么拆任务、怎么做质量验证、怎么设计工作流——必须存在于你自己的脑子里，而不是Agent的SKILL.md里。

这条建议其实对所有AI工具都适用。

最后

从ep10.5的OpenClaw被封杀，到ep13番外的Claw Code 4天重写，再到今天的Hermes Agent 83K Star。

2026年AI Agent赛道的节奏已经快到不讲道理了。

但节奏越快，越要抓住不变的东西。

OpenClaw教会我"接入一切"的能力。Hermes Agent教会我"记住一切"的价值。Claude Code教会我"执行一切"的底线。

三种哲学，三条路线，最终都指向同一个问题：

你要建造的到底是一个工具，还是一个伙伴？

我的答案是：两者都要。但如果只能选一个——

我选伙伴。工具会被淘汰，伙伴会成长。

关注「一深思AI」，看一个普通人怎么在AI时代活下去。

路易乔布斯 © 2026