Hermes Agent 评测：OpenClaw 的继任者，自带学习循环的多平台 AI 助手

Nous Research 在 Anthropic 切断 OpenClaw 的 Claude 订阅调用之后推出了 Hermes Agent，并内置了 OpenClaw 配置的自动导入工具，定位上就是 OpenClaw 的继任者。它不只是换了个名字，架构上有几处明显改进：自学习循环、跨平台统一网关、原生 MCP 支持。

本文梳理 Hermes Agent 的核心功能、适用场景和局限，帮你判断它是否适合自己的工作流。

核心功能

自学习循环

这是 Hermes Agent 区别于大多数 Agent 框架的关键特性。Agent 在使用过程中会：

从对话和任务执行中自动提炼技能（兼容 agentskills.io 开放标准）
在后续任务中复用和改进已有技能
通过 FTS5（SQLite 全文搜索扩展）检索历史对话，跨 session 回忆相关上下文
构建用户模型（基于 Honcho 记忆与用户建模库），记住用户的偏好和习惯

效果上，用的时间越长，Agent 对你的工作方式越熟悉，执行同类任务的效率越高。这套机制和 OpenClaw 的 MEMORY.md 手动记忆有本质区别——不需要你主动维护记忆文件，Agent 自己积累。

多平台消息网关

通过统一的 hermes gateway 进程管理所有平台的消息收发：

即时通讯：Telegram、Discord、Slack、WhatsApp、Signal
邮件：支持 Email 收发
跨平台连续性：在 Telegram 开始的对话，可以在 Slack 里继续，上下文不丢失

这个设计比 OpenClaw 和 claude -p 方案都更彻底——不需要为每个平台单独写桥接代码，网关统一处理。

内置 Cron 调度器

定时任务通过对话指令或配置文件设置，支持标准 cron 表达式，任务结果推送到指定平台。比手写 setInterval + markdown 配置文件的方案更简洁，不需要维护独立的调度脚本。

并行子 Agent

支持生成隔离的子 Agent 实例并行处理任务，通过对话指令触发。适合同时抓取多个数据源、并行执行多个代码分析任务等场景，也可以编写 Python 脚本通过 RPC 调用工具，把多步流水线压缩成单次对话。

官方声称 40+ 内置工具

工具集覆盖日常开发的主要操作，包括：文件读写、Shell 命令执行、网页抓取、全文搜索、数据库查询、代码编辑、Git 操作等。通过 toolset 系统可以按场景启用特定工具子集，也支持连接任何 MCP 服务器扩展能力。

灵活的模型选择

支持 10+ 供应商，运行时切换：

hermes model  # 交互式选择模型

Anthropic 直连：直接调用 Claude API
Nous Portal：Nous Research 自己的推理服务
OpenRouter：接入 200+ 模型（Claude、GPT、Gemini、Llama 等）
OpenAI API：直连 OpenAI
本地部署：Ollama/vLLM 等本地模型

同一套配置，随时切换模型，不需要改代码。

安装与配置

快速安装

支持 Linux、macOS、WSL2、Termux：

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

这是 Python 项目，开发者也可以 clone 源码安装。安装完成后运行配置向导：

hermes setup

向导会引导配置 LLM 供应商、消息平台 API Key、工作目录等。

从 OpenClaw 迁移

内置迁移工具，自动导入 OpenClaw 的设置、记忆和技能：

hermes claw migrate           # 交互式迁移（完整预设）
hermes claw migrate --dry-run # 预览会迁移哪些内容

能迁移的内容包括：SOUL.md 角色设定、MEMORY.md 和 USER.md 记忆条目、用户自建技能、命令白名单、平台配置及 API Key。不需要手动重建配置。

启动

hermes          # 启动交互式 CLI
hermes gateway  # 启动消息网关（后台监听各平台）

适用场景

个人 AI 工作流自动化

有固定的日常任务（写作、代码 review、信息整理），希望 Agent 随时间学习你的偏好和工作风格，逐渐减少重复指令。Hermes 的自学习循环在这个场景下优势明显。

多平台统一入口

同时在 Telegram、Slack、Discord 等多个平台工作，希望 Agent 跨平台保持上下文连续性，而不是每个平台各自独立。

轻量化部署

不想维护复杂的服务器基础设施。Hermes 支持无服务器部署（Modal，一个 serverless GPU/CPU 平台，按调用计费），空闲时接近零成本，有请求时自动唤醒。也可以跑在 5 美元的 VPS 上。

OpenClaw 用户迁移

已有 OpenClaw 配置的用户，迁移成本最低——现有的 workspace 目录直接复用。

局限与不足

自学习的不可控性

自动提炼技能听起来很好，但实际上 Agent 总结出的”技能”质量参差不齐。它可能把某次偶然的操作提炼成固定技能，导致后续任务产生不符合预期的行为。目前没有直观的界面查看和管理已有技能，需要一定的维护成本。

依赖外部服务

跨平台连续性、用户建模（Honcho）等高级功能依赖 Nous Research 的云端服务。本地完全离线运行时，这些功能不可用。

社区和文档还在完善中

项目相对较新，文档覆盖不够完整，部分高级功能（比如自定义技能格式、MCP 集成细节）需要查源码或社区 issue 才能搞清楚。与 OpenClaw 成熟的文档体系相比还有差距。

macOS 后台进程限制

Hermes 本身不依赖 Claude Code CLI，模型调用走 API 不受 Keychain 限制。但若在 macOS 上通过 launchd 设置开机自启，网关进程可能因为环境变量未加载（如 API Key 未读取）导致认证失败。稳妥做法是从交互 Shell 手动启动 hermes gateway。

并发控制需注意

多个平台同时发消息时，并发调用可能导致 session 状态混乱。文档中对并发场景的处理方式描述不够清晰。

Hermes Agent vs OpenClaw vs 自建方案对比

维度	Hermes Agent	OpenClaw	claude -p + Node.js 自建
上手成本	低（setup 向导）	低（图形界面）	高（需要自己写桥接代码）
自学习	内置，自动	手动维护 MEMORY.md	需要手动维护记忆文件
多平台支持	内置网关，开箱即用	内置多平台支持	每个平台需单独对接
可控性	较低（黑盒行为多）	中等（配置文件可控）	高（代码完全自己掌控）
定制灵活性	受限于框架设计	技能系统 + 配置	完全自由
调试难度	较高（学习循环行为难追踪）	中等（日志相对清晰）	较低（日志清晰）
依赖外部服务	部分功能依赖云端	被 Anthropic 切断	可完全本地运行

如果你的需求是”快速搭起来用”且愿意接受自学习的不确定性，Hermes 明显更省事。如果你需要深度定制或对 Agent 行为有强控制需求，自建方案更合适。

总结

Hermes Agent 在 OpenClaw 之后补上了几个关键短板：自学习循环省去了手动维护记忆文件的麻烦，统一网关解决了多平台对接的重复工作，OpenClaw 迁移工具降低了切换成本。

目前最大的问题是成熟度——自学习的行为可预测性不足，文档和社区还在建设中。适合愿意接受一定不确定性、希望快速搭建个人 AI 工作流的用户。追求稳定可控的场景，自建方案仍然是更可靠的选择。

延伸阅读：

Hermes Agent 文档
NousResearch/hermes-agent
用 Claude Code CLI 构建多 Agent 自动化系统 - 自建方案的完整实现，与 Hermes 方案形成对比