OpenClaw 與 Hermes 比較：記憶、技能、多 Agent 與媒體工具

OpenClaw 與 Hermes 核心都在解決同一個痛點：如何讓 Agent 不僅僅是完成單次對話，還能持續保留規則、重用技能、串接工具，並順暢地將任務傳遞給下一個工作流。

雖然兩者的官方文件並未明確將自己歸類為「平台」或「工作台」，但為了便於評估，本文將以這兩個概念作為選型框架：OpenClaw 的文件較著重於 workspace、agent 設定、skills、memory 與 gateway 工具的配置；而 Hermes 官方首頁則更強調 persistent memory、跨 Session recall、agent-created Skills、cron、isolated subagents 與 Tool Gateway 等特性。

為確保客觀，本文僅依據已查證的一手官方文件來呈現其產品功能。至於 Bug 率、升級風險、系統成熟度、維護成本以及「何者更節省 Token」等面向，由於缺乏可信的基準測試（benchmark）支持，將歸為作者的個人判斷，而非客觀事實。

先看已核實的定位

面向	OpenClaw	Hermes
設定核心	workspace、`agents.defaults`、`agents.entries.*`、per-agent skills 與 override	profile、persistent memory、Skills、cron、subagents 與 Tool Gateway
記憶	`MEMORY.md`、每日 notes、可選的 `DREAMS.md`、`memory_search` / `memory_get`，以及多種 backend	persistent memory、跨 Session 的 FTS5 recall 與 LLM summarization
技能	workspace / global skills 與 per-agent allowlist	可建立、重用及改進 Skills；詳細執行語義依版本文件為準
多 Agent	以 agent 設定、workspace 與 per-agent policy 管理長期角色	官方首頁列出 isolated subagents；本文不延伸未查證的 delegate 執行細節
媒體	`image_generate` 與 `video_generate` 文件	官方首頁列出 image generation 等 Tool Gateway 能力；未把未核實的 provider 命令寫入本文

OpenClaw 的記憶機制：檔案、搜尋與 Backend

OpenClaw 官方記憶文件規劃了多個層次的設計：

USER.md：用以記錄可選的使用者個人資訊。
MEMORY.md：保存長期記憶、偏好設定、決策脈絡與關鍵摘要。
memory/YYYY-MM-DD.md 或 slugged daily notes：記錄每日的執行軌跡。
DREAMS.md：可選的背景整理與重整機制。
memory_search 與 memory_get：提供搜尋與讀取記憶內容的介面。

在配置 Embedding 之後，系統採用的 OpenClaw memory hybrid search 機制，能將向量相似度與關鍵字搜尋相結合，而非僅依賴單一的向量搜尋。此外，官方也提供內建的 SQLite memory backend，並支援 QMD、Honcho、LanceDB 等多種後端路線。

作者認為，這套設計非常適合希望將記憶檔案直接納入 workspace管理，並透過設定細粒度控制 Agent 可見範圍的團隊。至於其管理便利性或配置成本是否真的高於其他方案，則高度取決於部署環境與團隊規範，不宜一概而論。

Hermes 的記憶機制：Persistent Memory 與 Session Recall

根據 Hermes 官方首頁目前可核實的描述，包含其主打的 Hermes persistent memory/FTS5/Skills/cron/subagents/Portal 特性，如 persistent memory、跨 Session 的 FTS5 recall，以及 LLM summarization。這意味著系統並未將長期規則、使用者資訊與歷史對話混為一談，而是區分為持續維護的記憶，以及需要時才從歷史 Session 檢索的資料。

在此需要特別指出的是，諸如「Frozen Snapshot」、「僅使用兩個 Markdown 檔案」或「本機 SQLite」等實作細節，仍須視具體版本的設定而定，不應視為 Hermes 的通用保證。因此，在評估記憶功能時，建議直接參考當前版本的 memory、session search 與 profile 官方文件。

Skills：權限清單與程序記憶

在技能管理方面，OpenClaw 官方文件確認支援 workspace skills、default skill allowlist 以及 per-agent skill override。這類設計相當適合用來界定不同 Agent 的工具授權範圍，並限制其在特定的 workspace 內運作。

相對地，Hermes 官方首頁將 Skills 描述為一種可建立、重用且能持續改進的能力，並融入其程序記憶（procedural memory）的架構中。這為「將成功的工作流轉化為可重用技能」提供了清晰的發展方向。不過，諸如「系統是否會自動生成 SKILL.md」或「能否直接與其他 Hermes 實例共享」等細節，則不應視為所有版本的標準行為。

多 Agent 機制：長期設定與 Isolated Subagents

對於多 Agent 的協同，OpenClaw 目前的官方文件已採用 agents.defaults 與 agents.entries.* 作為配置標準，過往常見的 agents.list[] 格式則不再建議使用。現階段已核實的設定包含 workspace、技能清單與 per-agent override，而 Agent 的長期角色、路由規則與權限劃分，仍需遵循最新的 config reference 進行配置。

而 Hermes 官方首頁則標榜支援 isolated subagents。這項能力為「將部分任務拆分並交付給隔離的子 Agent 執行」提供了官方背書，但讀者不應過度解讀為其內建特定的 delegate_task 指令、獨立的 Terminal Session、僅回傳摘要或 Context 絕不回流等具體行為，這些細節仍有待特定版本的官方文件核實。

Context Compression 參數配置

在 Hermes 的 Context 壓縮機制中，官方文件提供了以下 compression YAML threshold 0.50 target_ratio 0.20 protect_last_n 20 的參數配置範例：

compression:
  enabled: true
  threshold: 0.50
  target_ratio: 0.20
  protect_last_n: 20

根據文件說明，當 Context 長度達到 threshold × context_length 時便會觸發壓縮，並透過 protect_last_n 保留最近的訊息。在實際應用中，context_length 與 max_tokens 應根據所選的 Provider 和模型文件來規劃，避免將特定數值套用到所有場景。

此外，值得注意的是，protect_first_n 參數在目前的官方資料中屬於 protect_first_n hardcoded 3 的設計，並非可以任意設定為 0 的通用 YAML 選項。因此，本文已主動移除先前版本中未經核實的 protect_first_n: 0、CLI 設定命令以及 hot reload 等保證。

媒體工具：聚焦官方已核實的整合途徑

針對影像生成，OpenClaw 官方文件確認了 OpenClaw image_generate gpt-image-2/Codex OAuth 的支援與整合途徑，指出 ChatGPT 與 Codex OAuth 可以使用同一個模型 Ref。作者提醒，這並不等同於提供免費額度或免除額外開銷，實際使用時仍須釐清個人的帳號權限、配額上限與相關服務條款。

在影片生成方面，OpenClaw 文件列出了非同步的 video_generate 任務與 xAI grok-imagine-video，且目前認證方式載明只用 XAI_API_KEY。由於缺乏官方文件對 xAI OAuth、SuperGrok 訂閱通道或裝置碼（device-code）登入的支持證據，本文不將這些管道列為已驗證能力。

對於 Hermes，官方首頁目前已核實的功能包括 Portal、Tool Gateway 以及 image generation。鑑於 Hermes 未核實 provider 命令與成本/成熟度 boundary，本文在此處保持克制，不再列出未經證實的 hermes tools、FAL、Codex 插件、xAI OAuth 或特定的影片生成指令。

作者的選型建議

以下是基於目前已核實功能所整理的選型與工作流建議，不代表官方的絕對排名：

傾向 OpenClaw 的場景：若您的架構設計著重於 workspace、per-agent 設定、skills allowlist、各式 memory backend，以及 image/video generation 的整合，建議優先研讀 OpenClaw 的現行官方文件。
傾向 Hermes 的場景：若您更看重 persistent memory、跨 Session recall、可重用 Skills、cron、isolated subagents 以及 Portal Tool Gateway 等原生特性，則應以 Hermes 的當前文件為主要參考。
需額外評估的面向：如果您的決策高度依賴多租戶管理、審批流程（approval）、沙箱隔離（sandbox）、provider entitlement，或者是系統升級風險與長期維護成本，由於目前缺乏足夠的一手資料進行橫向對比，建議針對這些成本與成熟度的邊界（boundary）另外設計專屬的測試帳陣。

參考文獻

OpenClaw memory overview：https://docs.openclaw.ai/concepts/memory
OpenClaw agents configuration：https://docs.openclaw.ai/gateway/config-agents
OpenClaw image generation：https://docs.openclaw.ai/tools/image-generation
OpenClaw video generation：https://docs.openclaw.ai/tools/video-generation
Hermes Agent documentation：https://hermes-agent.nousresearch.com/docs/
Hermes context compression：https://hermes-agent.nousresearch.com/docs/developer-guide/context-compression-and-caching/