分析师/智涵
校对/Tina
策划/Eason
现在年轻人的第一只“爱马仕”，会是什么？答案或许让你意外：不一定是价格昂贵的奢侈品，而是一个免费开源的AI Agent。
短短两个月，斩获7.7万颗GitHub Star——这个名为Hermes的Agent，正成为开源社区的新宠。它并非又一个“龙虾”克隆，而是一个名叫Hermes的开源AI Agent框架。自2月底发布以来，它的热度一路飙升，4月8日v0.8.0版本更新后，单日新增超过6400星。社交媒体上，有人高呼“从OpenClaw迁移到Hermes是最明智的选择”，也有人把它比作“爱马仕”，暗示它比“龙虾”更高阶。
但Hermes的火爆，靠的不是又一个连接微信、飞书的聊天机器人。它解决了一个更底层的问题：当所有人都在讨论Agent能做什么，没人注意Agent用完归零、什么也没留下。Hermes的核心卖点就一句话——它会自己长大。每次完成任务，它自动提炼可复用的技能，下次遇到类似问题直接调用，不用重新分析。这听起来像科幻，但GitHub上7.7万颗星和数百名贡献者，证明很多人正在认真押注这个方向。
那么，Hermes到底是OpenClaw的“平替”，还是一次真正的进化？ 它的记忆系统、学习闭环和Web3背景，又能给AI Agent赛道带来什么启示？
从学习机制来说，Hermes与OpenClaw最本质的区别，在于它内置了一套完整的“学习循环”。
简单来说，OpenClaw的配置是静态的——你把信息写进配置文件，它读取，会话结束，它不会主动地从执行过程里提炼什么。而Hermes每次完成一个复杂任务，会自动检查这次执行值不值得写下来。触发条件非常具体：工具调用超过5次、中途出过错然后自己修复了、用户做过纠正、或者走了一条不明显但有效的路径。满足任何一条，它就在~/.hermes/skills/目录里生成一个Skill文件，名称、描述、步骤、工具调用全部写清楚，遵循agentskills.io开放标准。
这些技能不是一次写死的。Hermes在后续执行中发现更好的路径会直接修改——修改优先用补丁方式，只替换有问题的部分，而不是整体重写，这样既安全又省token。
这种学习能力带来的实际效果非常明显。例如，你第一天让它研究一个话题，得到的是通用摘要；第30天让它做同样的事，输出会更紧凑、更相关，格式也正合你意——因为它通过观察你回应什么、忽略什么，学会了你的偏好。
目前已有多个真实案例验证了Hermes的自我进化能力。开发者实测，让Hermes跑每日简报，两周后它就学会了哪些邮件的发件人你会回复、哪些会议你会准备，简报直接变成私人助理。更夸张的是，有人给了Hermes券商API密钥，让它构建自动交易策略，Agent真的就在Solana上自主运行自动化交易——当然，这需要极度谨慎。
如果只会学不会记，那学到的东西也会白费。Hermes的记忆系统分四层，每一层负责不同的事。相比OpenClaw每次会话从零开始，这种设计让Agent真正“越用越懂你”。
第一层是常驻提示记忆，强制你筛选最重要的信息。两个文件MEMORY.md和USER.md，存放每次会话自动加载的上下文，总字符上限只有3575个——这是故意收窄的，目的是强迫你筛选，而不是什么都往里塞。
第二层是会话归档，通过检索和摘要按需注入历史上下文。每次对话写入SQLite数据库，用全文索引检索，需要历史上下文时主动查询，经过一次LLM摘要，只把相关部分注入进来。
第三层是技能文件，按需加载让技能库无限扩展而不增加成本。上面说的技能文件，默认只加载名称和简短描述，全文按需调入。这个设计的效果是，技能库可以从40个增长到200个，而上下文成本几乎不变。
第四层是用户建模层，适合长期个人助理场景。可选的用户建模层Honcho，会被动地在跨会话之间积累你的偏好、沟通风格和领域知识。
这四层的分工原则非常清晰：如果某件事每次对话都要出现，放第一层；如果只在特定话题有用，留在第二层等检索；如果是可复用的操作流程，交给第三层；长期画像，交给第四层。
除了这四层，Hermes还有一个“周期性微调”机制。在没有用户输入时，系统自动向Agent发一条内部提示，要求它回顾最近操作，判断哪些值得写入记忆。完全不需要用户触发，Hermes自己决定什么值得保留。这种设计，让Agent从“用完就忘”变成了“越用越懂你”。
很多人问：Hermes会取代OpenClaw吗？绝大多数开发者的共识是——两者互补，而非替代。
相同点体现在“数字主权”上。两者都是本地优先、隐私至上；同时也都通过Telegram、飞书、微信等消息通道交互，支持全天候自动化。
但底层哲学不同。OpenClaw追求“确定性”，能力边界由人类预设；Hermes追求“进化式”，能力通过经验涌现。用社区的话说：OpenClaw负责“干活”，Hermes负责“动脑”。两者之间的迁移已经非常顺畅：一条命令hermes claw migrate就能将现有的OpenClaw技能、记忆、设置一键平滑迁移到Hermes中。有人同时跑两个Agent：Claude Code写代码，Hermes处理研究、简报，共用一套MCP服务器，各司其职反而比单一框架更灵活。
一个真实案例很有说服力：一位金融科技创始人曾尝试多智能体方案——五个专门的Agent分别管营销、销售、工程、社区和简报，结果48小时就崩了，因为智能体之间无法共享上下文。后来他把所有东西合并到一个Hermes实例里，统一记忆让每个功能都为其他功能提供上下文。最终，一个Agent跑营销时能用上销售的数据，复利效应明显。
除了架构优势，Hermes还有一个容易被忽视的优点：省钱。
它内置了Auxiliary Models模块，专门处理侧任务——图像分析、网页提取、Skill匹配、记忆处理等，自动分配不同的轻量模型（默认优先使用Gemini Flash）。主模型则可以用Claude、DeepSeek、Qwen等高端模型，两者各司其职，大幅降低token消耗。这种“多模型编排”的设计，和Anthropic最近推出的advisor功能异曲同工。
另外，Hermes空闲时会自动“放假”，几乎不消耗token，官方称租个5美元的VPS就能7×24小时运行。对个人开发者和中小企业来说，这比跑OpenClaw的token成本低得多。
Hermes的真正价值，不在于比OpenClaw多几个功能，而在于它重新定义了Agent的生命周期。过去我们看一个模型，问的是“当下能做什么”；Hermes提供了一种新标尺：看它“在时间里变成了什么”。
能积累经验、优化技能、记住偏好的Agent，用越久越值钱。你的Hermes跑了三个月，知道你的代码风格、沟通习惯、常用工作流——换一个就得从头教起。这种迁移成本，就是比融资更深的护城河。
不过，Hermes也伴随着争议，主要来自其背后的Web3基因。核心成员多来自加密领域，团队累计融资约7000万美元。官方尚未发行任何代币，但链上已出现非官方的“NOUS”代币，社区开始围绕空投预期讨论。这意味着任何与之相关的交易承诺，都需要极度谨慎。
当然，Hermes远未成熟。记忆噪音、技能质量、部署门槛（需选对模型，忍受偶尔的bug）、安全与多智能体协作，都还在早期探索阶段。
但方向已经清晰：让“私有、持续进化、可积累”的Agent变得具体可感。未来我们评估Agent，不再问“它能做什么”，而是问“它跟你多久了，学到了什么”。那个能让Agent成为普通人日常基础设施的形态，大概已经不远了。
