最近的 Hermes Agent 论文引发了关于自主代理中的持久记忆、工具使用抽象和反思循环的富有成效的讨论。

我不想增加炒作，而是想将 Hermes 提出的架构与已经在生产环境中运行超过一年的实现进行比较：OpenClaw。

目标不是声称优先权，而是展示模式收敛的地方——以及 OpenClaw 已经解决的几个相同的工程挑战。

内存架构

Hermes 提出了具有向量检索和衰减机制的跨会话持久内存。

OpenClaw 使用 Honcho 作为本地优先的可编程内存层来实现这一点。关键技术选择：

• 时间衰减: 较旧的记忆获得指数级降低的检索得分。这可以防止陈旧的上下文主导工作内存。
• MMR（最大边际相关性）: 检索器在当前查询的相似性与返回记忆之间的多样性之间取得平衡。不会返回重复的近乎相同的段落。
• 零 API 调用：整个内存系统在本地运行——无需前往付费向量数据库或外部嵌入服务的往返。

推理 vs. 工具使用

Hermes 描述了代理推理核心与其工具调用表面之间的清晰分离。

OpenClaw 自首次发布以来就具备这种分离：

• 推理循环在紧凑的“工作内存”视图上运行。
• 工具被定义为具有显式模式的模块化、类型化函数。
• 代理永不会直接调用工具；它会发出结构化的“工具请求”，由编排器进行路由和验证。

这使得在不更改工具接口的情况下可以交换模型（例如，从小型本地模型切换到 GPT-4）——一种模式，使得 95% 的步骤的推理成本保持低廉。

反思循环

Hermes 引入了用于自我纠正的“反思循环”。

OpenClaw 将其实现为仅限调试器的约束：

• 代理主要在小型快速模型上运行（Ollama、llama.cpp）。
• 付费模型（OpenAI、Anthropic）仅在代理达到置信度阈值或出现执行错误时才被调用——并且仅用于反思失败并生成修正后的计划。
• 这可以防止反思循环成为成本倍增器。

多代理编排

Hermes 提出在隔离上下文中委托子代理。

OpenClaw 使用 Lobster 流水线——基于 DAG 的任务图：

• 每个子代理在其自身的内存和工具上下文中运行。
• 父代理通过结构化的交接进行委托（仅传递相关的状态片段）。
• 流水线可以被组合、缓存和重放，以实现零成本的故障恢复。

在生产测试中，与单个代理处理所有任务相比，这将多步骤任务的令牌消耗降低了 70-80%。

赫尔墨斯确实具有创新性

公平地说，赫尔墨斯正式化了此类代理的部署和生命周期管理（版本控制、回滚、内存参数的 A/B 测试）。OpenClaw 目前缺乏这种打磨——它是一个面向开发者的工具包，而不是一个托管平台。

这对整个领域来说是一个有用的方向。

结论

如果你今天正在构建一个代理，你不需要等待 Hermes 的闭源实现。

核心模式——带有时序衰减的持久内存、MMR 检索、分离的推理/工具层、受控成本的反思循环以及基于 DAG 的子代理编排——已经在 OpenClaw 中实现，并提供完整的配置文件和示例。

你可以克隆它，在笔记本电脑上运行它，并在一个下午开始修改架构。

记录这一切的文章在这里： Building OpenClaw on a Zero-Dollar Budget: Hybrid Multi-Agent Memory with Temporal Decay & MMR

让我们保持技术交流。你想深入了解此架构的哪一部分？