OpenClaw vs HermesAgent 对比分析（一）：记忆系统专题 — AI Agent 如何跨越"失忆"鸿沟

系列导读：本系列基于两个主流开源AI Agent项目的源码深度分析，从记忆系统、安全架构、多通道能力、技能插件体系、本地计算机控制五大维度进行横向对比。本文聚焦记忆系统

前置阅读：OpenClaw 架构分析 | HermesAgent 架构分析

---

一、问题的本质

AI Agent"失忆"问题是整个行业的痛点。没有记忆的Agent就像金鱼——每次对话都是全新的开始

OpenClaw 与HermesAgent都意识到了这个问题，但给出了完全不同的解决方案

---

二、架构对比总览

维度	OpenClaw	HermesAgent
设计理念	插件化记忆后端	内建多层记忆
核心存储	SQLite + 多后端扩展	SQLite（FTS5）
向量搜索	LanceDB（内置扩展）	无（FTS5关键词+LLM摘要）
用户建模	无显式建模	Honcho辩证建模
Agent策展	无	Agent自主决定
上下文管理	自动管理	自动压缩 + Anthropic缓存
技能作为记忆	无	从经验提取技能
记忆SDK	memory-host-sdk	无独立SDK

---

三、OpenClaw 的记忆系统

3.1 架构设计

OpenClaw 采用插件化记忆后端的设计，记忆系统通过扩展插件实现

┌────────────────────────────────────────┐
        Agent Engine                 
                                     
┌────────────────────────────────┐ ┌──┐
│    memory-host-sdk            │ │  │
│ (记忆系统统一接口)              │ │  │
└──────────┬─────────────────────┘ │  │
           │                       │
───────────┴── Plugin Interface ─  │
           │                       │
┌──────────▼─────────────────────┐ │
│ memory-core (118 文件)         │ │
│ 核心记忆引擎                    │ │
└──────────┬─────────────────────┘ │
           │                       │
┌──────────▼──────────┐           │
│memory-wiki (62 文件) │           │
│Wiki 风格知识库      │           │
└──────────────────────┘           │
┌──────────────────────┐           │
│memory-lancedb       │           │
│LanceDB 向量存储     │           │
└──────────────────────┘           │
└──────────────────────────────────┘

3.2 三层记忆架构

1. 短期记忆（Session Memory）

• 当前对话的上下文
• 存储在内存中
• 会话结束即清除

2. 长期记忆（Long-term Memory）

• 通过memory-core插件实现
• 持久化到SQLite
• 支持多后端存储

3. 知识库（Wiki Memory）

• memory-wiki插件
• 类似Notion的结构化知识库
• 支持标签、分类、链接

3.3 向量搜索

memory-lancedb扩展提供了基于LanceDB的向量搜索能力

优势：语义搜索准确度高，能理解意思相近的查询
代价：需要额外的LanceDB依赖+Embedding模型

3.4 Memory Host SDK

OpenClaw提供了独立的memory-host-sdk（6文件），允许外部程序读写Agent的记忆

---

四、HermesAgent 的记忆系统

4.1 五层架构

L5: 技能记忆     - 从经验提取的可复用技能
L4: 用户建模     - Honcho辩证用户建模
L3: Agent策展    - Agent自主决定保存的知识
L2: 会话搜索     - FTS5全文搜索 + LLM摘要
L1: 会话记忆     - SQLite原始对话记录

4.2 核心差异：Agent策展

HermesAgent最独特的设计是Agent策展记忆（Agent-Curated Memory）

• OpenClaw：记忆的创建和管理遵循预设规则
• HermesAgent：Agent自己决定什么值得记住

4.3 混合搜索策略

HermesAgent不使用向量数据库，而是采用FTS5 + LLM摘要的混合策略

方案	依赖	语义理解	部署复杂度
纯向量搜索	LanceDB/FAISS	高	高
纯关键词搜索	SQLite FTS5	低	低
FTS5 + LLM	SQLite + LLM API	中高	低

---

五、深度对比分析

5.1 记忆创建方式

维度	OpenClaw	HermesAgent
谁创建记忆	系统（规则驱动）	Agent（自主策展）
创建时机	对话过程中自动	Nudge触发 + 任务完成后
创建内容	原始对话 + 元数据	提炼后的结构化知识
人工干预	配置规则	编辑Markdown文件

5.2 记忆检索方式

维度	OpenClaw	HermesAgent
检索技术	向量搜索（LanceDB）	FTS5全文搜索 + LLM摘要
语义理解	依赖Embedding向量匹配	依赖LLM生成摘要
速度	快（向量索引）	中等（LLM推理有延迟）
额外依赖	LanceDB	无（SQLite内置）
离线能力	❌（需要Embedding模型）	部分（FTS5可离线）

5.3 用户建模

维度	OpenClaw	HermesAgent
是否有用户建模	❌无显式建模	✅Honcho辩证建模
建模方式	-	Thesis → Antithesis → Synthesis
更新策略	-	每次对话自动更新
建模深度	-	深入（偏好、习惯、风格）

5.4 技能作为记忆

维度	OpenClaw	HermesAgent
技能系统	❌无	✅agentskills.io标准
从经验创建技能	❌无	✅闭环学习
技能可编辑	-	✅Markdown格式
技能可共享	-	✅Skills Hub

5.5 记忆的可访问性

维度	OpenClaw	HermesAgent
外部访问	✅memory-host-sdk	❌Agent内部
人类可读	部分可读	✅Markdown + SQLite
人工编辑	通过SDK	直接编辑文件
API接口	✅有	❌无

---

六、不同场景的推荐

场景一：个人AI助手

推荐：HermesAgent的方法

个人助手最需要的是"越用越懂你"。Agent策展+用户建模+闭环学习，让助手能持续进化

场景二：企业知识管理

推荐：OpenClaw的方法

企业场景需要记忆被多个系统共享。memory-host-sdk + Wiki风格知识库 + 向量搜索，更适合多用户协作

场景三：AI数字分身（Avagent）

推荐：HermesAgent的核心 + OpenClaw的可访问性

• ✅从HermesAgent借鉴：五层记忆架构、Agent策展、用户建模
• ✅从OpenClaw借鉴：memory-host-sdk的外部可访问性设计
• 升级方向：后期增加向量搜索，替换FTS5

---

七、Avagent记忆系统的设计建议

基于两个项目的分析，Avagent的记忆系统可以这样设计

┌─────────────────────────────────────┐
        Avagent 记忆系统             
                                   
┌─────────────┐ ┌──────────────┐   │
│SQLite FTS5 │ │向量搜索引擎  │   │
│(关键词搜索)│ │(语义搜索)   │   │
└──────┬──────┘ └──────┬───────┘   │
       └──────┬──────────┘        │
              │混合排序            │
       ┌──────▼──────┐           │
       │记忆检索引擎 │           │
       └──────┬──────┘           │
              │                   │
┌─────────────┼─────────────┐    │
│            │            │    │
│会话记忆    Agent策展记忆    用户画像 │
│(SQLite)    (Markdown)     (结构化)  │
│                                 │
┌──────────────────────────┐   │
│   技能记忆(agentskills) │   │
└──────────────────────────┘   │
│                                 │
│ ┌──────────────────────────┐  │
│ │   Memory API (HTTP/SDK)  │  │
│ └──────────────────────────┘  │
└─────────────────────────────────┘

设计原则：

1. 初期：FTS5 + LLM摘要（零额外依赖）
2. Agent策展记忆（自主决定记住什么）
3. 深度用户建模（偏好、习惯、风格、思维模式）
4. 技能从经验中提取（闭环学习）
5. 提供Memory API（让外部系统可访问）
6. 后期增加向量搜索（升级而非替换）

---

八、小结

记忆系统是AI Agent的"灵魂"所在。两个项目展示了不同的设计哲学

• OpenClaw：工程化的插件架构，通过可插拔的后端+SDK实现灵活的记忆管理
• HermesAgent：以Agent为中心的策展机制，让Agent自己决定"记住什么"

对于"AI数字分身"场景，HermesAgent的Agent策展+用户建模更贴合需求，但OpenClaw的memory-host-sdk提供了更好的可访问性。两者的融合才是最优解

---

系列导航

• 下一篇：安全架构专题对比（即将发布）

前置阅读

• HermesAgent深度拆解系列（全六篇）
• OpenClaw架构分析

---

*本文基于OpenClaw (2026.4.16) 与HermesAgent (v0.10.0) 源码分析