Die jüngsten Hermes Agent Papiere haben eine produktive Diskussion über persistentes Gedächtnis, Werkzeugnutzungs-Abstraktion und Reflexionsschleifen bei autonomen Agenten ausgelöst.

Statt zum Hype beizutragen, möchte ich die von Hermes vorgeschlagene Architektur mit einer Implementierung vergleichen, die seit über einem Jahr in Produktion läuft: OpenClaw.

Das Ziel besteht nicht darin, Priorität zu beanspruchen, sondern darauf aufzuzeigen, wo die Muster zusammenlaufen—and wo OpenClaw bereits mehrere derselben technischen Herausforderungen gelöst hat.

Speicherarchitektur

Hermes schlägt ein sitzungsübergreifendes persistentes Gedächtnis mit Vektor-Abruf und Verfallsmechanismen vor.

OpenClaw setzt dies mithilfe von Honcho als lokal-first, programmierbare Speicherschicht um. Wesentliche technische Entscheidungen:

• Temporaler Verfall: ältere Erinnerungen erhalten exponentiell niedrigere Abrufswerte. Dies verhindert, dass veralteter Kontext das Arbeitsgedächtnis dominiert.
• MMR (Maximale marginale Relevanz): der Retriever balanciert die Ähnlichkeit zur aktuellen Anfrage mit der Vielfalt der zurückgegebenen Erinnerungen. Keine doppelten nahezu identischen Passagen.
• Keine API-Aufrufe: der gesamte Speicher läuft lokal—keine Rundreisen zu kostenpflichtigen Vektordatenbanken oder externen Embedding-Diensten.

Reasoning gegenüber Werkzeugnutzung

Hermes beschreibt eine klare Trennung zwischen dem Reasoning-Kern des Agents und seiner Tool-Aufruf-Schnittstelle.

OpenClaw weist diese Trennung seit seiner ersten Veröffentlichung auf:

• Der Reasoning-Loop arbeitet auf einer kompakten „Arbeitspeicher“-Ansicht.
• Tools werden als modulare, typisierte Funktionen mit expliziten Schemata definiert.
• Der Agent ruft niemals Tools direkt auf; er gibt eine strukturierte „Tool-Anfrage“ aus, die der Orchestrator weiterleitet und validiert.

Dies ermöglicht das Austauschen von Modellen (z. B. von einem kleinen lokalen Modell zu GPT-4), ohne die Werkzeug‑Schnittstelle zu ändern – ein Muster, das die Inferenz für 95 % der Schritte kostengünstig hält.

Reflexionsschleifen

Hermes führt eine „Reflexionsschleife“ zur Selbstkorrektur ein.

OpenClaw implementiert dies als eine ausschließlich für den Debugger geltende Einschränkung:

• Der Agent läuft hauptsächlich auf kleinen, schnellen Modellen (Ollama, llama.cpp).
• Ein kostenpflichtiges Modell (OpenAI, Anthropic) wird nur aufgerufen, wenn der Agent eine Konfidenzschwelle erreicht oder ein Ausführungsfehler auftritt—and ausschließlich, um über das Fehlschlagen nachzudenken und einen korrigierten Plan zu erzeugen.
• Dies verhindert, dass Reflexionsschleifen zu einem Kostenfaktor werden.

Multi-Agenten-Orchestrierung

Hermes schlägt die Delegation von Subagenten mit isolierten Kontexten vor.

OpenClaw verwendet Lobster-Pipelines—DAG-basierte Task-Graphs:

• Jeder Subagent läuft in seinem eigenen Speicher- und Tool-Kontext.
• Der Eltern-Agent delegiert über ein strukturiertes Handoff (nur der relevante Zustandsabschnitt wird übergeben).
• Pipelines können zusammengesetzt, zwischengespeichert und wiedergegeben werden für eine kostenfreie Fehlerwiederherstellung.

In Produktions-Tests reduziert dies den Tokenverbrauch bei mehrschrittigen Aufgaben um 70-80% im Vergleich zu einem einzelnen Agenten, der alles erledigt.

Wo Hermes wirklich neu ist

Ehrlich gesagt formalisiert Hermes die Bereitstellung und das Lebenszyklus-Management solcher Agenten (Versionierung, Rollback, A/B-Testing von Speicherparametern). OpenClaw fehlt derzeit dieser Schliff—es ist ein Entwickler-orientiertes Toolkit, keine verwaltete Plattform.

Das ist eine nützliche Richtung für das gesamte Feld.

Fazit

Wenn du heute einen Agenten baust, musst du nicht auf eine proprietäre Implementierung von Hermes warten.

Die Kernmuster—beständiger Speicher mit zeitlichem Verfall, MMR-Abruf, getrennte Reasoning-/Tool-Schichten, kostengesteuerte Reflexionsschleifen und DAG-basierte Subagenten-Orchestrierung—sind bereits in OpenClaw implementiert, wobei vollständige Konfigurationsdateien und Beispiele verfügbar sind.

Du kannst es klonen, auf einem Laptop ausführen und die Architektur noch am Nachmittag anpassen.

Der Artikel, der all dies dokumentiert, ist hier: Building OpenClaw auf einem Zero-Dollar-Budget: Hybrides Multi-Agenten-Gedächtnis mit zeitlichem Verfall & MMR

Lassen wir das Gespräch technisch bleiben. Welchen Teil dieser Architektur möchtest du vertiefen?