Issue 354

据 The Batch 报道，由 Nous Research 于 2026 年 2 月推出的开源智能体 Hermes Agent，近期在 OpenRouter 统计的每日 token 消耗量排行榜上超越了此前占据主导地位的 OpenClaw。这一指标反映了用户实际使用量，但部分用户指出 Hermes Agent 的 token 效率较低，即完成相同任务可能消耗更多 token。

Hermes Agent 的功能与 OpenClaw 大致重叠，其核心差异在于记忆架构和自动构建技能的能力。它设计为可本地或云端运行，支持多种大语言模型，并与约 20 种消息服务集成。通过使用本地模型或浏览器登录生成新访问令牌，用户无需存储 API 密钥即可运行。

Hermes Agent 使用标准的 SKILL.md 格式指令文件，内置技能，并可从 Skills Hub 获取额外技能（目前规模远小于 OpenClaw 的社区技能库）。然而，其独特之处在于能自动创建新技能：当智能体长时间处理问题或修复错误并判定任务成功完成后，它会调用工具生成技能文件。

为防止自动生成的技能失控，后台系统 Curator 会归档超过 90 天未使用的技能，并使用 LLM 判断每个技能应保留、合并还是归档。记忆方面，Hermes Agent 维护两个通用记忆文件（用户偏好、工作流与经验教训），通过内置记忆工具添加内容，并在添加前检查是否值得添加以及应归入哪个文件。当文件长度超限时，它会合并相关条目。此外，它还维护一个可搜索的对话数据库，并支持外部记忆提供商 Honcho 进行身份分析。

Hermes Agent 的智能体循环与 OpenClaw 类似：基于个性、指令、工具、技能、记忆、用户知识和对话历史组装提示；若提示超限，则要求 LLM 总结旧消息；发送提示后调用工具、技能或直接响应用户。循环重复直至生成用户响应。

持久目标追踪功能允许用户在消息中指定目标，智能体在响应后调用评判模型评估目标是否完成，若未完成则继续工作，直至目标完成或达到最大轮次。Anthropic Claude Code、OpenAI Codex 和 OpenClaw（通过插件）也提供类似功能。

尽管 Hermes Agent 在 token 消耗量上领先，但其 token 效率较低的问题可能影响实际用户体验。Skills Hub 规模远小于 OpenClaw 的社区技能库，这意味着用户可用的预置技能较少。自动技能生成虽具创新性，但 Curator 系统的有效性（如 LLM 判断的准确性）尚未得到独立验证。

持久目标追踪依赖评判模型，其可靠性取决于模型质量。此外，Hermes Agent 与 OpenClaw 在具体任务上的性能对比（如成功率、延迟等）尚未有公开基准测试。