本文经原作者授权转载，版权归原作者所有。原作者：知野（@knoYee_）。查看原文 →
Hermes详细介绍｜面向新手小白
相信大家最近的社媒都被 Hermes agent 刷屏了吧。
那么 Hermes agent 到底是什么？它和前段时间大火的 OpenClaw 有什么关系？新手小白又该怎么选择？这篇我帮大家一次性捋清楚。
一、Hermes agent 为什么会火？
想搞清楚 Hermes agent 为什么会爆火，先要搞明白 Harness engineering 是什么。
AI 圈这几年其实经历了一条很清晰的演进路径：
- Prompt engineering（提示词工程）
- Context engineering（上下文工程）
- Harness engineering（驾驭工程）
本质上，是需求在变：
一开始，只要求agent能读懂提示词；后来，需要加入更多上下文，让它更好地理解任务；到了现在，已经演变成要求 agent 会调用 skills、会做策略选择、会自己复查纠错，来处理复杂任务。
Harness engineering 怎么理解？
一个类比：把 LLM 想象成一个智力极强、但极度健忘、极度自信、容易跑偏的新员工。
- Prompt engineering 是给他一张任务列表；
- Context engineering 是给他看完整的项目背景文档；
- Harness engineering，是给他配一套完整的工作系统：记忆系统（他做过什么）、技能库（他会什么）、纠错机制（他错了怎么被拉回来）、反馈回路（他怎么越干越好）。
Harness engineering 的核心逻辑是：不改变模型本身，而是在模型外围建立一套"环境"，让一个"容易出错的 LLM"变成一个"优秀员工"。
而 Hermes agent 的运行机制，正是这种思路的体现。
二、Hermes agent 和 OpenClaw 到底是什么关系？
它们是同一类逻辑下的不同实现。都是在做harness agent，但设计思路不同，由此导致了记忆系统、skills 机制、上下文管理的一系列差异。
接下来逐层拆解。
1. 记忆系统的差异
OpenClaw 的记忆系统
OpenClaw 的记忆系统有两个重点：
第一是 memory.md，用于刻画用户画像，整体相对稳定，但也会通过周总结、月总结持续积累和更新。
第二是记忆文件系统，它会把日常对话总结成类似"日记"的压缩内容写入文件，像一个数据库。当触发关键词时，会结合向量检索 + 关键词索引来召回相关内容。
向量检索的优势在于模糊匹配——你不需要记得当时用的是什么词，语义相近的内容都能被找回来。
Hermes agent 的记忆系统
Hermes agent 的记忆系统有三个重点：
第一是 memory.md，这部分主要记录的是工作经验。例如：我今天用 A 方法解决了这类问题，后续再遇到类似问题时，A 方法会被优先使用。
第二是 USER.md，这里刻画的是用户画像。在每轮对话结束后，Hermes agent 会总结哪些信息适合写入 memory.md 和 USER.md，再持续扩充进去。Hermes 会把这些内置记忆持续带入后续对话；如果启用了外部 memory provider，还会在每轮开始前预取相关记忆，并在会话结束后同步。
第三是检索机制，它同样会做总结、写入文件，但在触发关键词时，更偏向使用 FTS5 的全文精确索引。
两种检索方式的本质区别
FTS5 全文索引（Hermes） 向量检索（OpenClaw） 优势 精确、快、可控，边界清晰 语义模糊匹配，容错率高 劣势 表述方式不同时召回可能失败 可能召回不相关内容，造成上下文污染 底层假设 工作记录需要精确复现 用户的语言习惯会漂移
两种方式没有绝对优劣，而是对记忆系统的不同假设。至于哪种在实际长期使用中表现更好，更适合基于实测来说话，而不是先下结论。
2. Skills 的差异
OpenClaw 的 skills 机制
OpenClaw 的 skills 更像一套预装模块：用户需要先定义好技能，明确输入输出，技能才能被调用。ClawHub 上集成了大量现成的第三方 skills，这是它生态上的核心优势。
但这个优势也是风险点：生态越大，第三方 skills 的质量和安全性越需要甄别。不要把"安装 skill"理解成"安装提示词"，部分 skills 实质上是在向外部发送你的上下文数据。
Hermes agent 的 skills 机制
Hermes 的 skills 是从对话中生长出来的。它会在每轮结束后判断：这次解决问题的方式有没有可复用的价值？如果有，就把它沉淀成一个技能模板，供后续对话调用。
这意味着，你用 Hermes 的时间越长，它的技能库越贴合你自己的工作方式。但代价是：前期没有任何技能储备，什么都要从零积累，团队协作时也无法直接共享技能库。
本质差异
skills 的差异，本质上是封装方式的差异：
- OpenClaw 的 skills，更像是明确写好的标准操作流程——先结构化，再调用；
- Hermes 的 skills，更像是在持续使用中把有效做法慢慢固化下来——先跑出经验，再沉淀。
这个差异，决定了它们适合的不是同一种工作流。
3. 上下文窗口管理的差异
这是两者一个被忽视但非常关键的差异。
任何 agent 在执行长任务时都会面临同一个问题：上下文窗口满了怎么办？
- OpenClaw 的策略更偏向主动压缩：当上下文接近阈值时，会触发结构化摘要，把历史信息压缩后写回，腾出空间。好处是任务连续性强，坏处是压缩过程中可能丢失细节。
- Hermes 的策略更偏向分段归档：将历史对话阶段性地写入记忆文件，在下一轮需要时按需召回，而不是一次性塞回上下文。好处是保留原始信息，坏处是召回的延迟和准确性依赖检索机制的质量。
4. 二者并没有绝对优劣
从宏观角度看，二者并没有简单的优劣之分，关键还是看场景。
如果是团队做大项目
团队通常需要大量、明确、稳定的 skills。这时候如果只依赖 Hermes agent 的自总结，往往会拖慢项目进度。更合理的做法通常是：先在 OpenClaw 里创建好所需的技术 skills，再基于已有技能体系进行复用和协作。
如果是个人使用
如果是个人用户，没有那么严苛的流程和规模化要求，那么 Hermes agent 的自总结 skills 机制就会非常适合。你越用，它越懂你；不需要事先规划任何东西，上手即用。
5. 选型决策框架
不确定用哪个？问自己三个问题：
Q1：你的工作流是否已经固定？
- 是 → 倾向 OpenClaw，把固定流程标准化成 skills
- 否 → 倾向 Hermes，让它跟着你的工作方式生长
Q2：你是否需要和他人共享 skills？
- 是 → OpenClaw，技能库可以显式导出和共享
- 否 → 两者均可
Q3：你能接受多长的冷启动期？
- 不能接受 → OpenClaw，ClawHub 上的现成 skills 可以立刻用
- 可以接受 → Hermes，前几周积累期之后体验会快速上升
三、总结二者定位
在我看来：
- OpenClaw 更像：先搭框架，再装模块
- Hermes 更像：先上手使用，再边用边长
因此：
- 前者更适合目标明确、流程稳定、要规模化复用的团队
- 后者更适合个人用户，以及愿意让 agent 跟自己一起持续迭代的人
详细下载过程已更新在主⻚，包括下载准备、下载过程、模型选择，以及如何接⼊ Discord，感谢⼤家耐心阅读，有帮助的话辛苦点赞、转发、关注