[亿邦原创]2026年5月，开源智能体领域迎来了一个具有里程碑意义的事件。根据OpenRouter平台最新数据，HermesAgent以日均2710亿Token的调用量登顶全球应用Token消耗榜榜首，正式超越此前长期领先的OpenClaw。这一排名的变化，立即引发了行业关于“Agent智能体时代”的诸多讨论。在中文技术社区，不少人将Hermes视为“下一代Agent的代表”甚至“颠覆性创新”。然而，从技术实现的纵深处审视，Hermes所做的并非一场革命，而是对OpenClaw开创的“可执行型Agent”范式的系统化优化与完善。
01OpenClaw：开创“可执行型Agent”范式
欲理解Hermes的创新所在，必先读懂OpenClaw的范式意义。本文作者曾在《也谈“养龙虾”：人们究竟在欢呼什么？》一文中，从数字服务创新的来对之加以分析指出，OpenClaw的贡献不在于某个具体技术模块的精巧，而在于它第一次将AI从“内容生成”系统推进到“任务执行”系统。OpenClaw的走红，标志着技术演进的核心驱动力已从“如何让AI更好地回答问题”转向“如何让AI真正帮人完成事”——即从“认知智能”向“执行智能”的范式转型。正如有学者将将OpenClaw定义为AI能力落地的“脚手架”，在基础模型之上搭建了一套牢固、灵活且低门槛的能力落地框架，让普通人无需掌握编程等专业技能，就能通过简单的自然语言交互调动顶尖大模型的能力完成复杂任务——这是AI落地层面的一次关键突破。它通过模块化设计，将一个宏大愿景分解为可部署、可执行的组件：消息网关解决用户入口问题，Skill系统解决任务标准化问题，本地部署解决数据隐私问题。这种面向执行场景的系统性构建，构成了OpenClaw作为“数字服务”的技术底座——它不是给AI加了一个工具调用能力，而是从服务架构设计的角度，搭建了一套可扩展、可迭代的人机协作体系。
02Hermes的三重优化：从“工具”到“伙伴”的价值深化
Hermes实际上是在OpenClaw确立的“可执行Agent”范式之上，从三个技术维度进行了优化，使Agent的价值从短期执行工具提升为长期认知伙伴：
第一，是对记忆系统的结构性重塑。Hermes的记忆管理不是OpenClaw那样简单的追加式记录，而是一套兼具“记忆量”与“记忆质”的系统工程。其Memory子系统设计得非常克制——两个纯文本文件，MEMORY.md（Agent的个人笔记）上限2200字符，USER.md（Agent对用户的认知）上限1375字符，通过字符限制倒逼Agent做信息压缩和优先级选择。对比之下，OpenClaw的MEMORY.md采用纯追加模式，一旦运行数月就可能膨胀成几万行的文件，信息的查找与维护极为低效。更关键的是，Hermes的超限处理机制不是简单的静默丢弃或自动压缩，而是让模型主动介入“该保留什么、该删除什么”的决策过程，通过返回current_entries让模型评估当前条目并决定保留或删除，将“信息整理”内化为Agent的一次“自我反思”。这套系统的另一项精妙设计就在于会话快照的冻结机制，即：每次会话启动时，Memory加载后立即捕获一份快照，整个会话期间系统提示词使用这份快照，而非实时更新的活跃条目。这种做法允许前端共享前缀缓存，有效节省Token成本；新写入的内容只修改磁盘，在下一个会话才刷新进来。可以说，Hermes让Agent在“记住什么”这件事上，从“大而全”走向了“少而精”与“适时遗忘”的精细化管理。
第二，Skill系统的自进化闭环：从“手写”到“自动生成”。Hermes真正的核心差异化在于它让Agent具备“通过工作经历自我进化”的能力。在OpenClaw的世界里，Skill是静态的手写配置文件，Agent干一百次部署，第一百零一次犯的错与第一次一模一样。而Hermes的“学习循环”包含了三个关键子系统的闭环：Memory（记人）、Skill（记事）、NudgeEngine（提醒学习）。从源码来看，Hermes的工作流程遵循“干活、反思、提炼、重用”的闭环机制。当Agent完成一次复杂任务后——例如调用工具超过5次、踩过坑再修复、用户纠正过做法等——ReviewAgent会在后台自动触发审查。审查过程独立于主对话，在后台以fork子进程的形式运行，用户完全无感知，同时通过限制最大迭代次数（默认8次）和禁用自身Nudge机制来避免资源消耗。审查Agent基于两套提示词判断是否值得创建Skill——重点关注非平凡的解题过程。一旦确认值得，它将自动生成结构化的Skill文件（含名称、描述、适用条件、步骤及踩坑记录等），将其写入技能库。更为关键的是，Hermes支持Skill的渐进式自我修补：当Agent按照已有Skill执行时，若中途发现步骤遗漏或踩了新坑，它会在任务完成后通过`_patch_skill`函数做精确的局部更新——使用`fuzzy_find_and_replace`模糊匹配容忍格式差异，并配备安全扫描机制确保修改符合安全标准，不通过则自动回滚。这超越了简单的“创建新Skill”，为技能系统的长周期可维护性奠定了工程基础。在技能加载方面，Hermes采用渐进式加载模式：默认上下文极度轻量，只放一个包含各Skill名字和一句话描述的轻量索引；只有Agent判断某个Skill与当前任务相关时，才通过`skill_view`加载完整内容。反观OpenClaw采用“重型背包”模式，每次会话把所有设定一股脑塞进上下文，设定越多背包越沉，Token浪费严重，模型注意力也被稀释。
正是这套闭环系统，让Hermes越用越强——运行20-30个同类任务后，执行效率就会出现可测量的提升：错误更少、工具选择更精准。从“静态Skill配置”到“动态自进化知识资产”的转变，夯实了Hermes作为“数字服务”的价值根基。
第三，安全架构的系统性升级。安全性曾是Openclaw最受人诟病的地方。在安全维度，Hermes的零CVE记录与OpenClaw的严重RCE漏洞形成了鲜明对比。2026年初，OpenClaw被发现严重RCE漏洞，攻击者可通过WebSocket劫持localhost网关实现未授权远程控制；2月，OasisSecurity进一步披露，任何恶意网站都可以在开发者访问时静默连接本地OpenClaw网关并暴力破解密码。Hermes则通过零遥测默认、机密信息自动脱敏、WhatsApp默认拒绝陌生人消息等一系列设计，构筑了迄今零CVE的安全防线。不过也应看到，Hermes相对轻量化的用户基数和较晚的发布时间，以及OpenClaw作为执行平台的规模和复杂度显著更高，客观上增加了其攻击面和合规风险敞口；相比之下，Hermes在设计之初就以更现代的安全理念进行架构，规避了OpenClaw早期演进中积累的一些隐患。从这个角度看，Hermes的安全优势既是设计优化的结果，也是后来者的天然红利。
03审视Hermes：数字服务创新多维度的“完善者”而非“革命者”
一般而言，我们将服务创新区分为递增式创新（incrementalinnovation）、中间式创新（intermediateinnovation）和激进式创新（radicalinnovation）三个不同类型，主要依据创新的变革幅度和对客户/制造商的双重影响来判断。以此来审视一下Hermes，我们就可将Hermes的创新地位梳理得更清晰：它是对OpenClaw开创的“执行型Agent”范式的一次递进式深度优化，而非根本性的范式颠覆。
Hermes的演进方向集中在技术维度的“持续改进”，而非在服务流程、服务内容本质和商业模式层面的“颠覆”：它没有重新定义AI与用户交互的基本范式——用户仍是通过自然语言向Agent下达指令，Agent仍是通过工具调用来完成执行；OpenClaw构建的“执行型Agent”四层逻辑架构（交互层、认知层、执行层、记忆层）构成了Hermes的底层设计与运行逻辑的基石。Hermes的贡献在于，在OpenClaw的基础上，将系统的自我进化能力、记忆效率与安全可靠性推向了新的层级：它让Agent从“只会干的工具”升级为“越干越好的伙伴”；它通过渐进式技能加载和容量受限记忆，实现了对Token和内存的更高效管理；它通过零遥测与自动脱敏设计，在OpenClaw暴露的安全痛点基础上构筑了更完善的数据防护体系。然而，Hermes并未开创一种全新的“执行型Agent”范式——它所有的创新，本质上都以OpenClaw确立的架构的确认，其创新都是在对局部模块进行了创新迭代。
审视Hermes，它所完成的，是在OpenClaw“执行型Agent”框架之上的一次系统性、多层次的技术完善——它优化了Agent与人协作的长期价值兑现方式，但并未改变“Agent如何与人协作”这一服务的根本逻辑。因此，称Hermes为“Agent赛道的新一代标杆”，恰如其分；称其为“革命性创新”，则言过其实。
04未来趋势：可持续Agent生态的拓展
Hermes与OpenClaw的胜负交替，并不能简单地用“谁更先进”来概括。从宏观的生态格局来看，两者实质上代表的Agent赛道正走向分工明晰、融合驱动的新阶段。OpenClaw的模式定义了“行动型Agent”的工业标准；Hermes则在OpenClaw启发的生态基础上，探索了“反思型Agent”的技术路径。
如果进一步地从更宏观的数字经济视角审视，Agent的自我进化潜力使其成为数字经济基础设施中的“数字劳动力”。当一个Agent能通过技能积累与知识迭代，不断降低用户的长期运营成本，意味着AI对生产力的赋能效率将呈指数级增长。OpenClaw是开启这一趋势的第一扇门，Hermes则是沿着此门后的路径走得更远的探索者。
事实上，技术发展从来没有一步登天的捷径。Hermes正是在OpenClaw的“肩膀”上，用更长远的架构设计，把“执行型AI”带入了新的高度——它不是一次技术模式的颠覆，而是一次有价值的生态跃迁。对于AIAgent赛道的参与者而言，更重要的是理解两种路径的互补优势，并将其转化为产品落地和行业应用的核心优势。毕竟，在可执行Agent发展的马拉松竞赛中，真正的终点不是谁的架构喊得更响，而是谁能以更低成本、更高效率地交付用户看得见的价值，构建自己最适宜的应用生态。亿邦智库将持续关注龙虾Openclaw产业生态的构建、AI智能体和企业数据要素竞争力提升，并报道相关发展的新成果与新案例。联系邮箱为：huangbin@ebrun.com
