前言

大家好，我是咪的Coding。

最近我阅读了腾讯技术工程的公众号。

OPenClaw与Hermes：源码里的 AI Agent 架构知识大复盘

以下是做出的一些简单总结：

---

一、OpenClaw 核心设计（TypeScript 微内核）

定位：24/7 后台常驻、多 IM 通道、有人格长期记忆的个人 AI Agent 平台。
哲学：微内核 + 万物皆插件。核心只做编排（消息路由、安全、配置），所有能力由插件实现。

1. Gateway——系统心脏

• 五大角色：唯一长驻进程、消息总线、多 Agent 路由物理边界、认证与信任根、嵌入式 HTTP Host。
• 职责：所有 Client（TUI/App）和 Channel（IM 插件）的流量与操作都通过 Gateway 的 WebSocket RPC 统一调度（42 个 RPC 方法）。
• 认证：Challenge-Response + Ed25519 签名 + Device Identity；非回环强制 TLS 指纹 Pinning。

2. 插件系统与 Channel 契约

• Channel 契约：定义了 ChannelPlugin 接口，包含 25+ 个可选适配器（认证、消息、流式、命令、安全、Gateway 绑定等），将各 IM 平台的差异完全封装。
• 关键能力：Per-channel 流式适配、Channel Docking（跨平台会话迁移）、反向工具注入（Channel 给 LLM 提供工具）、精细化热重载。
• 插件分类：Channel、Provider、Tool、Memory、基础设施等，均通过 Plugin SDK 注册，安装时进行静态安全扫描。

3. Agent 执行引擎——调度 + 容错 + 预算

• 双路径执行：Embedded（直接调 Provider SDK）与 CLI Backend（把 Claude Code/Codex 当 Backend 用，通过 CliBackendConfig 适配私有协议）。
• 容错核心：
  • Auth Profile：不仅是 API Key 数组，而是带健康状态、冷却时间、磁盘持久化的凭证对象（支持 OAuth/Token 刷新，自动发现本地已登录 CLI 账号）。
  • FailoverError：将错误分类为 13 种闭合枚举（billing、rate_limit 等），驱动确定的降级策略（Profile 轮换→模型降级）。
• 上下文预算与压缩：三级 Compaction（L1 预防性、L2 超时触发、L3 溢出降级），Context Engine 可插拔，Bootstrap 文件按预算头尾保留截断，并注入“截断告警”让 LLM 自知信息不全。
• 并发车道（Lanes）：Default、Nested、Subagent、Cron 五种车道隔离，防 cron 递归死锁。
• 子 Agent（Subagent Spawn）：深度可控（spawnDepth + subagentRole），带注册表和生命周期管理。

4. 记忆系统——从静态文件到智能召回

• 双层架构：召回层（memory/ 每日文件，不自动注入）+ 静态层（MEMORY.md，每轮注入）。
• 核心机制：
  • 混合搜索：BM25 + 向量（权重 0.7）+ 时间衰减 + MMR 多样性重排。
  • Dreaming 三阶段晋升（核心亮点）：
    • Light Sleep：整理候选物料。
    • REM Sleep：提取跨日主题，产出“潜在真理”置信度信号。
    • Deep Sleep：基于 6 信号加权评分（相关性 0.30 最高）和 3 重门禁（总分≥0.75、命中≥3 次、不同 query≥2 个）决定是否写入 MEMORY.md。这是唯一写入路径，防止错误记忆污染。
  • Active Recall：对话前阻塞式检索记忆，以隐藏前缀注入。

5. 安全机制

• 五层纵深防御：网络（TLS）、认证（Ed25519）、命令执行（Allowlist+人工审批）、插件扫描、沙箱隔离。
• Exec Approval：危险命令需人工按钮审批，含混淆检测规则。

---

二、Hermes 核心设计（Python 单体）

定位：自我改进的个人 AI Agent，强调工具密度和技能自创建。
哲学：单体丰满 + 工具自注册 + 自我改进闭环。

1. AIAgent 单一体

• 将执行引擎、API 调度、记忆、工具编排集中于一个大型类中（run_agent.py），循环为经典的 ReAct 模式。
• 四种 API 模式：自动适配 Chat Completions、Codex Responses、Anthropic Messages、Bedrock Converse。
• 容错：Credential Pool（API Key 数组）优先于 Model Fallback 尝试。
• 上下文压缩：四步算法（工具裁剪→边界→摘要→组装），反抖动保护。
• Prompt 缓存：system_and_3 策略（4 个断点），首轮系统提示构建后“冻结快照”，保证整个会话缓存命中，以牺牲动态记忆注入为代价换取 ~75% 输入成本节省。

2. 工具与技能系统——渐进式披露与自创建

• ToolRegistry：模块导入时自注册全局单例。
• 技能（Skills）：数百个 Markdown 技能，采用 三级渐进式披露（skills_list 元数据 → skill_view 完整指令 → skill_view(name, file_path) 按需加载支撑文件），将技能成本从 O(N) 降到 O(实际使用的)。
• 技能自创建闭环（核心亮点）：Agent 从经验中通过 skill_manager 自主创建、编辑、patch 技能，经安全扫描后存入本地，实现 “经验自动复用”。

3. 记忆系统——全量可搜与周期性反思

• MemoryManager：“内置（MEMORY.md/USER.md）+ 最多一个外部提供者”架构，支持 8 种插件（Honcho 辩证建模等）。
• Memory Nudge：每 10 轮触发后台 review，提醒 Agent 写记忆。
• Session Search：基于 SQLite FTS5 的全量对话历史全文搜索（双索引覆盖中英文），搜索时用辅助 LLM 生成摘要（25% 前文+75% 后文截断），支持子会话溯源。

4. 安全模型——LLM 分诊 + 广泛沙箱

• Smart Approval（核心亮点）：在执行前使用辅助 LLM 评估命令风险，三态输出：APPROVE（自动放行）、DENY（直接阻止）、ESCALATE（降级人工审批）。相当于在规则和人工之间加了一个 AI 审查员。
• Tirith 安全扫描：Rust 编写的外部扫描器，执行前检测内容威胁，带供应链签名验证。
• 8 种沙箱后端：Local、Docker、SSH、Modal、Daytona、Singularity、Vercel Sandbox 等。

---

三、Part III：架构对比与落地延伸思考

1. 核心分歧

• OpenClaw：微内核平台。为多团队、长期演进设计，通过强契约插件 SDK 保证可扩展性，代价是上手陡。
• Hermes：单体工具。为个人开发者极速闭环设计，通过自注册和自创建不断丰富能力，代价是核心耦合难演进。
• 共同判断：两者都把 记忆 作为一级主战场，投入巨大设计复杂度，认为这是 Agent 长期价值的关键。

2. 面向落地的 7 个延伸方向

1. 协议互通：OpenClaw 已能同时扮演 MCP Server/ACP Server/HTTP API/CLI Backend 驱动者，实现“任意位置可插拔”。
2. 记忆分层与千人千面：可将 Dreaming 延伸，为记忆打类型标签（事实/偏好/程序），并基于用户行为数据隔离，让同一算法为不同用户沉淀个性化长期记忆。
3. 上下文工程（引入 Anthropic 理论）：
   • 上下文焦虑症：长周期任务中，模型因窗口逼近极限而遗忘、注意力崩溃、提前收工。
   • 上下文重置（Context Reset）：比压缩更激进，直接起新 Agent，通过结构化 Handoff 文件（状态快照、决策日志等）传递关键状态，彻底清除噪声。
   • 提出从“等 overflow 才压缩”转向 预防性两阶段 Session 轮换（60% 同步，80% 切换）。
4. 能力管理：Hermes 的渐进式披露可直接迁移至后台云端 Skill 体系，实现能力 O(1) 成本加载。
5. 确定性编排：将已验证的稳定流程从 Skill（指引式）固化为 Workflow（确定性图编排），LLM 只在决策节点介入。
6. 多 Agent 协作：
   • 借鉴 Anthropic 的 GAN-like 架构：Planner（定规划与 Sprint Contract）→ Generator（执行）→ Evaluator（用 Playwright 等动态测试进行对抗性验证）。
   • 关键目标：消除自我评估偏差，通过角色分离和“物理现实锚点”打破幻觉闭环。
   • 提出在现有子 Agent 机制上叠加独立的 Evaluator Agent 角色。
7. Harness Engineering（全链路治理）：
   • 本质：系统性地缩小“依赖模型自觉性”的面积。通过执行前拦截、执行中约束（预算/重置）、执行后对抗性验证，构建可靠的执行环境。
   • 模型-脚手架动态平衡：模型越强，Harness 可越简化，但核心原则（角色分离、对抗验证、上下文管理）不变。
   • 模型能力决定上限，Harness 设计决定能否落地。

3. 模式坐标系

以 Google《Agentic Design Patterns》的 21 个模式为尺，度量两框架的覆盖与空白，暴露出共同的短板：Goal Setting and Monitoring 较弱，Evaluation and Monitoring 缺少对抗性评估，Exploration and Discovery 不在定位内——而这些正是延伸思考要补齐的方向。

---

总结

OpenClaw 与 Hermes 不是同个目标的两种实现，而是两类场景的成熟取舍：前者是平台架构师的范本（微内核、强契约、可演进），后者是个人开发者的瑞士军刀（一体化、自创建、极速闭环）。无论哪种路径，记忆系统都是 Agent 长期价值的核心战场，而“上下文焦虑症”和“自我评估偏差”是长周期任务必须直面的工程难题。构建可靠的 AI Agent，不仅需要更聪明的模型，更需要精心设计的 Harness（治理框架） 来提供手、眼、记忆和安全边界。

感谢你看到这里，如果喜欢咪的Coding的话可以点个关注支持一下吧！也欢迎各位在评论区留言！