I recenti articoli su Hermes Agent hanno suscitato una discussione produttiva riguardo alla memoria persistente, all'astrazione dell'uso degli strumenti e ai cicli di riflessione negli agenti autonomi.

Invece di aggiungere al clamore, voglio confrontare l'architettura proposta da Hermes con un'implementazione che è in produzione da oltre un anno: OpenClaw.

L'obiettivo non è rivendicare la priorità, ma mostrare dove gli schemi convergono — e dove OpenClaw ha già risolto diversi degli stessi problemi ingegneristici.

Architettura della memoria

Hermes propone una memoria persistente tra sessioni con recupero vettoriale e meccanismi di decadimento.

OpenClaw implementa questo utilizzando Honcho come livello di memoria programmabile e locale-first. Scelte tecniche chiave:

• Decadimento temporale: i ricordi più vecchi ricevono punteggi di recupero esponenzialmente inferiori. Questo impedisce che il contesto obsoleto domini la memoria di lavoro.
• MMR (Massima rilevanza marginale): il recuperatore bilancia la similarità rispetto alla query corrente con la diversità tra i ricordi restituiti. Nessun passaggio duplicato quasi identico.
• Zero chiamate API: l'intero sistema di memoria viene eseguito localmente—nessun viaggio di andata e ritorno verso database di vettori a pagamento o servizi di embedding esterni.

Ragionamento vs. uso degli strumenti

Hermes descrive una separazione pulita tra il nucleo di ragionamento dell'agente e la sua superficie di chiamata degli strumenti.

OpenClaw ha avuto questa separazione fin dalla sua prima versione:

• Il ciclo di ragionamento opera su una vista compatta della “working memory”.
• Gli strumenti sono definiti come funzioni modulari, tipizzate, con schemi espliciti.
• L'agente non chiama mai direttamente gli strumenti; emette una richiesta di strumento strutturata “tool request” che l'orchestrator instrada e valida.

Questo permette di scambiare i modelli (ad esempio, da un modello locale piccolo a GPT-4) senza modificare l'interfaccia degli strumenti—uno schema che mantiene l'inferenza economica per il 95% dei passaggi.

Cicli di riflessione

Hermes introduce un «ciclo di riflessione» per l'autocorrezione.

OpenClaw lo implementa come vincolo esclusivo per il debugger:

• L'agente viene eseguito principalmente su modelli piccoli e veloci (Ollama, llama.cpp).
• Un modello a pagamento (OpenAI, Anthropic) viene invocato solo quando l'agente raggiunge una soglia di confidenza o si verifica un errore di esecuzione—and solo per riflettere sul fallimento e produrre un piano corretto.
• Questo impedisce che i cicli di riflessione diventino un moltiplicatore di costi.

Orchestrazione multi-agente

Hermes propone la delega di sottagenti con contesti isolati.

OpenClaw utilizza le pipeline Lobster—grafi di task basati su DAG:

• Ogni subagente viene eseguito nel proprio contesto di memoria e strumenti.
• L'agente padre delega tramite un passaggio strutturato (trasmettendo solo la porzione rilevante dello stato).
• Le pipeline possono essere composte, memorizzate nella cache e riprodotte per un ripristino dagli errori a costo zero.

Nei test di produzione, ciò riduce il consumo di token del 70-80% nelle attività a più passaggi rispetto a un singolo agente che gestisce tutto.

Dove Hermes è genuinamente nuovo

Per essere onesti, Hermes formalizza la distribuzione e la gestione del ciclo di vita di tali agenti (versioning, rollback, test A/B dei parametri di memoria). OpenClaw attualmente manca di quella raffinatezza—è un toolkit orientato agli sviluppatori, non una piattaforma gestita.

Questa è una direzione utile per l’intero settore.

In sintesi

Se stai costruendo un agente oggi, non devi aspettare un'implementazione a sorgente chiusa di Hermes.

I pattern principali—memoria persistente con decadimento temporale, recupero MMR, livelli di ragionamento/strumento separati, cicli di riflessione a costo controllato e orchestrazione di sottagenti basata su DAG—sono già implementati in OpenClaw, con file di configurazione completi ed esempi disponibili.

Puoi clonarlo, eseguirlo su un laptop e iniziare a modificare l'architettura in un pomeriggio.

L'articolo che documenta tutto questo è qui: Building OpenClaw su un budget a zero dollari: Memoria ibrida multi-agente con decadimento temporale e MMR

Manteniamo la conversazione tecnica. Quale parte di questa architettura ti piacerebbe approfondire?