OpenClaw作者不想让你知道的3件事：Hermes Agent内置一键迁移命令，把35万Star对手的整套数据直接搬过来
我认真看 Hermes Agent，不是因为它2.9万Star，而是因为那条 hermes claw migrate。一个新框架敢把"把旧用户整套资产搬过来"做成默认入口，这事本身就很说明问题。
OpenClaw是个人AI Agent领域的事实之王。截至2026年4月7日，GitHub约35万Star、7万Fork，几乎成了"AI Agent"这个品类的代名词。但我自己用了半年下来，有些事情真的让人累——它能完成任务，却记不住经验；它有技能市场，但没办法把我自己的工作流沉淀下来。
NousResearch——这家以Hermes系列开源指令微调模型闻名的研究院——给出了另一种解法：Hermes Agent，截至2026年4月7日约2.9万Star，最贴心的设计是一条 hermes claw migrate 命令，能把整套OpenClaw数据直接搬过来。
核心理念：Agent的价值不应该随每次会话结束而归零。技能是结构化的经验，记忆是可检索的上下文，两者构成Agent的"成长曲线"。
如果让我用最短的话总结OpenClaw作者大概率不太想被强调的3件事：
1. 一个新框架默认提供了"如何离开旧框架"的入口（hermes claw migrate）
2. OpenClaw的记忆是会话级的，跨会话的事情每次都要重新讲
3. OpenClaw的技能是市场下载式的，不会从你的使用中自动生长
下面分章节展开。
先把话说清楚：Hermes Agent不是要取代OpenClaw，它解决的是OpenClaw用久了之后会撞到的几个工程问题。
我自己用OpenClaw的体感是这样的：
NousResearch是另一种气质：研究院出品，更新频繁，工程标准更接近生产级。这两种气质在AI开源社区里都有空间，但对"长期使用、持续积累"这件事，研究院的工程基线确实更让人放心。
二、自我进化闭环：Hermes最核心的差异点
OpenClaw的技能系统是"插件式"的——你从市场下载SKILL.md，安装到本地，按需调用。Hermes的技能系统是"自生长式"的——Agent完成一个复杂任务后，会主动把执行路径提炼成新的技能文件，存到你的技能库里。
技能文件遵循 agentskills.io 开放标准，结构包含三个核心要素：
触发条件（Trigger）：什么情况下调用此技能，支持关键词匹配和语义判断。
执行步骤（Procedure）：结构化的操作序列，包含工具调用、参数传递、分支逻辑。
成功校验（Validation）：任务完成的判断标准，Agent可以自主验证执行结果。
技能生成的触发逻辑是：当Agent完成一个复杂任务（涉及多工具调用或多步推理）时，系统会主动提示Agent将本次执行路径提炼为技能。Agent不只是被动记录，还会在后续使用中持续改进技能内容。
agentskills.io这个开放标准意味着技能文件具备跨Agent、跨项目的可移植性——理论上未来其他兼容这个标准的Agent框架都能复用你的技能资产。用户技能库与官方技能库完全独立隔离，框架升级不会覆盖个人积累的技能。
三、六种执行后端：覆盖从个人到HPC
OpenClaw主要面向个人本地部署。Hermes Agent则提供六种执行后端，针对不同场景：
Modal和Daytona的休眠机制是部署成本控制的关键设计：Agent只在被调用时消耗算力，空闲期几乎零成本。这意味着一个永远在线的个人Agent，月成本可以压到VPS级别。
四、模型与工具：和OpenClaw的兼容层
Hermes Agent内置40+工具，覆盖文件系统操作、代码执行、网络请求、系统管理、子Agent委派等主要类别。在模型支持上采用抽象层设计，通过一条命令即可切换提供商，无需修改任何业务代码：
# 一条命令切换模型
hermes model
# 支持的提供商
# Nous Portal / 主流聚合服务（200+模型）
# OpenAI / Anthropic / Kimi/Moonshot
# MiniMax / z.ai/GLM / 自定义端点
MCP（Model Context Protocol）协议支持允许接入任意外部工具服务器——这是Hermes和OpenClaw共享的设计基线，也是与Claude生态深度整合的关键接口。
子Agent委派机制允许把大任务拆解后分发给多个并行子Agent执行，在长任务和多步研究类场景下效率收益明显。
五、一键迁移：从OpenClaw无缝过渡
这是Hermes Agent最体贴OpenClaw用户的设计：内置 hermes claw migrate 命令，可以自动从OpenClaw导入整套资产。
支持的导入项包括：
• SOUL.md 人格文件
• MEMORY.md 记忆条目
• 用户自定义技能
• 命令白名单
• 消息平台配置和API密钥
提供三种迁移模式：
• dry-run预览：先看会迁什么，不实际写入
• 选择性导入：只导用户数据，不导密钥
• 完整预设：一次性全部迁移
整个过程无需手动复制粘贴，几分钟内即可完成。我真正按下回车的那一刻还是有点紧张的——半年攒下来的技能、记忆、配置全在里面，万一对面没接住就麻烦了。结果几分钟之后日志一行行刷过去，dry-run预览给得很清楚，实际写入也没出现冲突。这条命令的存在本身就说明Hermes团队对自己的定位很清楚：他们不是要打败OpenClaw，是要做"OpenClaw的下一站"。
安装与上手（Linux / macOS / WSL2）：
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
安装脚本自动处理Python 3.11、Node.js及所有依赖，无需手动配置环境。
核心命令速查：
hermes # 启动交互式CLI
hermes model # 切换LLM提供商/模型
hermes tools # 管理工具配置
hermes gateway # 配置消息平台接入
hermes setup # 完整配置向导
hermes claw migrate # 从OpenClaw一键迁移
六、定时任务与消息集成：让Agent真正"常驻"
cron调度器是Hermes Agent区别于多数Agent框架的功能之一。用户可以用自然语言描述定时任务，Agent自动解析并注册到内部调度器：
hermes> 每天早上8点，帮我整理昨天的GitHub通知，生成一份摘要发给我
Agent将此转化为cron表达式并持久化存储，即使用户不在线，任务仍会在设定时间执行。
消息集成方面，单一gateway进程可以统一管理多个消息平台的接入，实现跨平台对话连续性。这部分能力Hermes继承自OpenClaw的设计思路——但通过执行后端的多样性，让"常驻"这件事在云端和本地之间有了更多组合方式。
七、局限与适用边界
任何框架都有边界，Hermes Agent也不例外：
技能质量依赖底层模型：技能生成本质是模型对执行过程的归纳总结。使用能力较弱的模型时，生成的技能可靠性和泛化能力会显著下降，需要人工审查。
长期记忆管理成本：随使用时间增长，历史会话全文检索的索引规模持续扩大。当前基于LLM摘要的压缩机制在超长期使用场景下的性能表现尚未有公开数据。
Python 3.11强依赖：企业内网部署或存量Python环境迁移时，版本锁定会带来环境隔离工作量。
技能开放标准生态尚早期：agentskills.io社区规模目前有限，跨Agent技能复用的实际价值需要生态规模扩大后才能充分体现。
Star数远小于OpenClaw：截至2026年4月7日，Hermes约2.9万Star，OpenClaw约35万Star。社区规模、第三方教程、插件丰富度都不在一个量级，遇到问题在中文社区找答案的概率更低。
八、谁该选Hermes，谁该留在OpenClaw
OpenClaw和Hermes Agent的关系，其实更像同一颗种子长出的两棵树——一棵铺得够开（生态广、上手快），一棵扎得够深（自我进化、长期价值）。两者都装着对比一下，比只用一个有意思得多。
一个AI Agent的真正成熟，不是它第一次完成任务有多出色，而是它第100次完成同类任务比第一次快了多少。OpenClaw让AI Agent走入了普通人的工作流，Hermes Agent试图让这个工作流随着时间自我进化。
项目地址：github.com/NousResearch/hermes-agent
OpenClaw项目地址：github.com/openclaw/openclaw
技能开放标准：agentskills.io
License：MIT
数据截至：2026年4月7日
文章来自于"Tinker和你一起学AI Agent"，作者 "Tinker"。