Appearance
Hermes Agent 和 OpenClaw 是目前开源 AI Agent 中功能最重叠的两个项目。本文从源码角度对比了四个关键维度：子代理并发（同步阻塞树 vs 异步推送树）、记忆改进时机（实时主动写入 vs 定时批量合成）、安全防护层（提示注入扫描+MCP 包 CVE 检查 vs 上下文压缩时的安全剥离）、以及 API 成本控制（per-turn 智能路由 vs 精确缓存分区）。两者各有所长，适合不同场景。
Hermes Agent vs OpenClaw：我读了两个开源 AI Agent 的源码，找到了真正的差距
2026年4月
OpenClaw 和 Hermes Agent 是目前开源 AI Agent 领域被讨论最多的两个项目。两者功能高度重叠：都支持十几个消息平台、都有记忆系统、都能自定义技能、都支持子代理并发。如果只看功能列表，你可能觉得差距不大。
但社区里持续出现一个声音：用过 Hermes 之后，很难回去用 OpenClaw。
我把两个项目都 clone 下来读了核心源码，试图找到差距真正在哪。以下是我的分析，包括 Hermes 比 OpenClaw 强的地方，以及 OpenClaw 比 Hermes 强的地方。
核心对比速览
| 维度 | Hermes Agent | OpenClaw |
|---|---|---|
| 子代理并发 | 同步阻塞树（ThreadPoolExecutor，最多3并发，嵌套深度2） | 异步推送树（lane queue，父代理不阻塞，配置控制深度） |
| 记忆改进时机 | 任务完成后立即写入技能库，自我修复 | 定时批量合成（Light/Deep/REM Dreaming，每6h/日/周） |
| 提示注入防护 | 10种正则 + Unicode隐形字符检测，直接过滤 | 压缩时剥离 toolResult.details，防恶意负载传入 LLM |
| API 成本控制 | Per-turn 智能路由（短消息自动降级廉价模型） | 缓存分区标记（稳定 section 与动态内容分层） |
| MCP 安全 | OSV 漏洞库扫描安装包 CVE | 无对应实现 |
| RL 数据飞轮 | 轨迹自动写入 JSONL，与 Atropos RL 框架集成 | 无 |
子代理并发：两种根本不同的哲学
这是两个项目在架构层面差异最大的地方，几乎决定了各自适合什么样的使用场景。
Hermes 的子代理是同步阻塞树。父代理调用 delegate_task(tasks=[...]) 之后，通过 ThreadPoolExecutor(max_workers=3) 启动最多 3 个子代理，然后阻塞等待所有子代理完成，再把汇总结果放回对话历史。父代理的上下文只看到最终摘要，中间过程完全隔离。最大嵌套深度硬编码为 2，子代理被剥夺的工具列表也是硬编码的（delegate_task、memory、send_message、execute_code）。
OpenClaw 的子代理是异步推送树。每个 session 有自己独立的 lane queue，父代理发出 spawn 指令后立即返回，子代理在自己的 lane 里独立运行，完成后通过推送事件异步通知父代理。父子代理真正并发，互不阻塞。嵌套深度通过配置控制，cron job 内部操作有专门的 nested lane 避免死锁。
两种设计没有绝对优劣：
- Hermes 的同步树更安全可预测，父代理始终掌控全局状态，适合需要严格协调的任务
- OpenClaw 的异步推送树在长时间异步任务上更高效，但复杂度更高，需要开发者理解 lane 类型（
main / cron / subagent / nested）
记忆改进：主动写入 vs 睡眠合成
OpenClaw 有一套叫 Dreaming 的机制，设计思路明确在模拟人类睡眠期间的记忆巩固：
- Light Dreaming：每 6 小时，提炼近期会话短期记忆
- Deep Dreaming：每天凌晨 03:00，深度整合历史记忆
- REM Dreaming：每周日 05:00，发现跨时间段的规律
每种 dreaming 有独立的 speed / thinking / budget / model 配置，还有 health score 驱动的自动恢复机制（health < 0.35 触发 Recovery Dreaming）。这套系统工程上做得相当扎实。
Hermes 的逻辑完全不同。代理的系统 prompt 里有明确的行为要求（写在 SKILLS_GUIDANCE 和 MEMORY_GUIDANCE 里）：完成复杂任务后，立刻把解决思路提炼成技能文件写进 ~/.hermes/skills/；发现已有技能过时，执行 skill_manage(action='patch') 立刻修复。改进发生在当下，不在凌晨的批处理任务。
两种做法的取舍很清晰：
- Dreaming 擅长从大量历史数据里发现宏观规律，适合长期积累的知识整合
- Hermes 的实时写入更精准，今天解决的问题今天就进技能库，而且有自我修复能力——技能文件不会因为长期不维护而腐化
安全防护层
这是两个项目差距比较明显的一个方向，但各有侧重。
Hermes 的优势：在 agent/prompt_builder.py 里有一个 _scan_context_content() 函数，在把工作目录里的配置文件（AGENTS.md、.cursorrules、SOUL.md 等）注入系统 prompt 之前，先对其内容做提示注入扫描：10 种正则 pattern + 隐形 Unicode 字符检测。发现可疑内容，整块替换为 [BLOCKED: ...]，不是警告，是直接过滤。
另外 Hermes 对 MCP 扩展包做 OSV 漏洞数据库扫描（tools/osv_check.py），安装第三方插件时检查已知 CVE。这在 OpenClaw 里都没有对应实现。
OpenClaw 的优势：在上下文压缩时，代码里有明确的 SECURITY 标注，专门剥离 toolResult.details 字段再送给摘要模型，防止把不可信的详细负载（可能包含恶意内容）传入 LLM。Hermes 没有等价的安全剥离。
随着 agent 获得越来越多的本地权限，这两个方向都会变成真实的攻击面。
提示缓存策略：两种不同的实现路径
Anthropic 的提示缓存（Prompt Caching）可以把 API 成本降低 90%，但条件苛刻：系统 prompt 在对话中必须保持不变。很多 agent 框架在设计时没有认真考虑这个约束，用户用着用着发现账单莫名高了一倍。
两个项目都认真对待了这个问题，但策略不同：
Hermes 的做法是"不让缓存失效"：架构规定对话进行中禁止任何修改上下文的操作，记忆更新、技能注入、工具集切换只在会话开始时发生，中途锁定。唯一例外是经过专门设计的上下文压缩流程。
OpenClaw 的做法是"让失效的范围尽量小"：在系统 prompt 里插入显式的 <!-- OPENCLAW_CACHE_BOUNDARY --> 分隔符，稳定的 section（工具能力、行为指导）放在边界上方，动态内容（heartbeat.md 等）放在下方，利用 Anthropic 的分层缓存机制最大化命中率。
两种方式都有效，Hermes 更激进（完全不动），OpenClaw 更灵活（精确控制哪部分可以变）。
Hermes 独有的两个设计
Per-turn 智能模型路由（agent/smart_model_routing.py）
对每条用户消息做轻量文本分析：消息短于 160 字符、词数少于 28 个、无代码块、无 URL、无复杂关键词——自动路由到配置的廉价模型。复杂消息才用主模型。
这是 per-turn 的动态切换，不是错误触发的 failover。日常闲聊用 Haiku，真正的代码任务用 Sonnet/Opus。对高频使用的人来说，这个差异在账单上会是可见的。OpenClaw 完全没有这个机制。
RL 数据飞轮
Nous Research 开发了 Hermes 系列大模型（在工具调用评测上长期排名靠前），这个背景解释了项目里一组不常被讨论的代码：
trajectory.py：每次成功对话以 ShareGPT 格式写入 JSONLtrajectory_compressor.py：对轨迹做 token 压缩，使其适合训练预算tinker-atropos/：与 Atropos RL 框架的集成层，直接把 agent 轨迹送入模型训练
OpenClaw 没有任何与 RL 训练相关的代码。Hermes 既是产品，也是 Nous Research 的训练数据收集渠道——用户在用它完成工作，也在为下一代工具调用模型贡献数据。
哪个更适合你
如果你需要：
- 丰富的插件生态和高度模块化的平台适配层
- 异步子代理（父代理不阻塞）
- 从长期历史数据里挖掘规律的记忆整合
→ OpenClaw 是更合理的选择。
如果你需要：
- 技能库有自我修复能力，可以长期不手动维护
- 主动的提示注入防护和 MCP 包安全扫描
- Per-turn 智能模型路由控制 API 成本
- 严格的提示缓存保护
→ Hermes 是更合理的选择。
两个项目都在快速迭代（Hermes v0.8.0 一个版本合并了 209 个 PR），功能差距会持续变化。但设计哲学上的差异——"定时批量合成 vs 实时主动改进"、"同步可预测 vs 异步高效"——不是一两个 PR 能弥合的。
FAQ
Q: Hermes Agent 和 OpenClaw 都是免费开源的吗？
A: 是的，两者都是开源项目。Hermes Agent 由 Nous Research 维护，OpenClaw 是独立开源项目。
Q: 从 OpenClaw 迁移到 Hermes 难吗？
A: 两者技能/记忆的存储格式不兼容，迁移需要手动整理。平台适配层的配置语法也不同。如果你只是想试用，建议并行部署一段时间再决定。
Q: 子代理并发数量上，Hermes 的 3 个限制是硬上限吗？
A: 是硬编码在 ThreadPoolExecutor(max_workers=3) 里的，不通过配置修改。OpenClaw 的 lane 数量理论上无上限，实际受宿主机资源约束。
Q: 提示注入攻击对 AI Agent 来说有多严重？
A: 当 agent 有写文件、执行命令等权限时，工作目录里的恶意 .cursorrules 或 AGENTS.md 就可能成为攻击载体。Hermes 是目前极少数在注入前做主动过滤的开源框架之一。
代码引用来自 hermes-agent v0.8.0 和 openclaw 截至 2026-04-10 的 main 分支。