AI Agent Hermes Agent OpenClaw Memory Reflection

长期记忆 vs 反思机制：Hermes Agent 与 OpenClaw 的记忆架构深度对比

Posted by if on 2026-04-13

当一个 Agent 说"我记得"，它真的理解自己记住了什么吗？本文通过源码分析，深度拆解 Hermes Agent 的长期记忆系统与 OpenClaw 的反思机制，从设计哲学到实现细节，厘清两条截然不同的记忆路线。

序：两种记忆哲学

在 AI Agent 的记忆设计中，存在两条根本不同的路线：

  • 长期记忆（Long-Term Memory）：像人一样，把经历变成稳定的知识，需要时检索使用
  • 反思机制（Reflection）：不是被动存储，而是在使用前主动分析、提炼、从经验中学习

Hermes Agent 走第一条路，OpenClaw 走第二条路。两者都不是完美的——理解它们的局限，才能用好它们。

一、Hermes Agent：长期记忆系统

1.1 核心架构：MemoryManager + MemoryProvider

Hermes Agent 的记忆系统由 MemoryManager（agent/memory_manager.py）统一编排，这是一个精巧的插件式架构：

1
2
3
4
5
# run_agent.py 中的初始化
self._memory_manager = MemoryManager()
self._memory_manager.add_provider(BuiltinMemoryProvider(...))
# 同一时间只允许一个外部 provider
self._memory_manager.add_provider(plugin_provider)

关键约束：只能有一个内置 + 一个外部 provider。 这不是技术限制，而是产品哲学——避免工具 Schema 膨胀和记忆后端冲突。

MemoryProvider 抽象基类（agent/memory_provider.py）定义了生命周期：

1
2
3
4
5
6
7
initialize()         → session 启动时连接/建表
system_prompt_block() → 静态提示块（如"你有一个持久化记忆"）
prefetch(query)      → 每轮调用前检索相关记忆
sync_turn(user, asst) → 每轮结束后异步写入
get_tool_schemas()    → 暴露给模型的工具
handle_tool_call()    → 路由工具调用
shutdown()            → 清理

1.2 内置记忆： +

内置的 BuiltinMemoryProvider 将两个 Markdown 文件作为记忆载体：

  • MEMORY.md：项目级记忆——项目结构、约定、已解决的问题
  • USER.md：用户画像——偏好、沟通风格、长期目标

这两个文件通过 memory_context XML 标签注入到上下文中：

1
2
3
4
5
6
7
8
9
# memory_manager.py:build_memory_context_block()
def build_memory_context_block(raw_context: str) -> str:
    return (
        "<memory-context>\n"
        "[System note: The following is recalled memory context, "
        "NOT new user input. Treat as informational background data.]\n\n"
        f"{clean}\n"
        "</memory-context>"
    )

这个 <memory-context> 围栏是给模型的明确信号：这是记忆，不是用户输入。

1.3 外部 Provider：Honcho、Mem0、Hindsight

Hermes Agent 支持插入外部记忆后端（plugins/memory/ 目录），目前官方支持：

Provider 特点
Honcho 轻量对话摘要，注重实用性
Mem0 向量嵌入 + 语义检索
Hindsight 经验驱动的记忆优化
Holographic 分布式记忆一致性
RetainDB 结构化关系记忆

每个 Provider 实现 MemoryProvider ABC，可以自由替换。唯一限制：同时只能激活一个外部 Provider。

1.4 FTS5 全文搜索：SessionDB

记忆的检索层基于 SQLite + FTS5（hermes_state.py）：

1
2
3
4
5
6
# SessionDB 支持 FTS5 搜索历史对话
# 用于 session_search 工具——可以搜索过去所有 session 的内容
cursor = self._conn.execute(
    "SELECT id, content FROM messages WHERE content MATCH ?",
    (query,)
)

这是**情节记忆（Episodic Memory）**的实现——完整的对话历史，可按时间检索。

1.5 自动创建 Skills：从经验中沉淀

Hermes Agent 不只是存储记忆，它从经验中生成可复用技能：

1
2
3
4
5
6
# agent/prompt_builder.py 中对模型的指令
"When using a skill and finding it outdated, incomplete, or wrong, "
"patch it immediately with skill_manage(action='patch') — don't wait to be asked."
"When the user references something from a past conversation or you suspect "
"relevant cross-session context exists, use session_search to recall it before "
"asking them to repeat themselves."

当 Agent 完成一个复杂任务，它被提示将解决方案写成 SKILL.md，下次遇到类似问题直接加载 Skill——这是从情节记忆到**程序记忆（Procedural Memory）**的转化。

1.6 Insights Engine：用量分析记忆

agent/insights.py 提供了会话级分析引擎：

1
2
3
4
5
6
7
class InsightsEngine:
    def generate(self, days=30, source=None):
        # 从 SQLite 会话数据库聚合：
        # - Token 消耗、成本估算
        # - 工具使用频率
        # - 活跃时段模式
        # - 模型/平台分布

这是元认知（Metacognitive）记忆——不是存储任务内容，而是存储 Agent 自身行为模式的统计。

1.7 上下文压缩：保护核心记忆

ContextCompressor（agent/context_compressor.py）在上下文快满时做有损压缩，但有保护机制：

1
2
3
threshold_percent = 0.75   # 75% 上下文时触发压缩
protect_first_n = 3       # 保护前3轮（系统提示等）
protect_last_n = 6        # 保护最近6轮（核心对话）

BuiltinMemoryProvider.on_pre_compress() 钩子允许记忆 Provider 在压缩前提取关键信息，确保记忆层不会被压缩掉。

二、OpenClaw：反思机制

2.1 反思的哲学：Correct Once, Never Again

OpenClaw 的反思系统建立在核心理念上：不要重复犯错，每一次纠正都应该成为永久改进。

这与 Hermes Agent 的"存储后检索"模式相反——OpenClaw 不存储对话本身，而是存储从对话中提炼出的规则和模式。

2.2 /reflect Skill：自我改进循环

OpenClaw 的核心反思 Skill（openclaw/skills/agent-reflect）实现了一个四步循环：

1
扫描对话 → 信号识别 → 分类映射 → 写入 Agent 定义

信号识别（signal_patterns.md）定义了三种信号：

信号类型 描述 置信度
显式纠正 用户明确说"不要这样做" 高
隐式成功 某方案一次通过，没有重试 高
行为观察 Agent 注意到自己的行为模式 中

分类映射将信号路由到目标文件：

1
2
3
4
5
代码风格规则     → code-reviewer, frontend-developer
架构决策         → solution-architect, api-architect  
流程改进         → CLAUDE.md, orchestrator agents
工具使用         → 相应 specialist agent
新技能           → 创建新的 SKILL.md

关键约束：永远不自动应用——所有变更提案必须经过用户显式批准。Skill 生成完整 diff，用户说"OK"才写入。

2.3 Thinking Clock：周期性反思

Issue #17287 实现的"思考时钟"是一个双模型编排的主动反思系统：

1
2
3
4
每 N 分钟（默认5分钟）→ 触发"tick"
  → 发送轻量上下文给廉价快速模型（GPT-4o-mini / DeepSeek）
  → 模型返回 TICK_OK（无事）或 ESCALATE:（升级）
  → 如果升级，切到主模型（Claude Opus）执行深度推理

成本对比：

  • 纯主模型（200 ticks/天）：$50+/天
  • 双模型编排（200 + 10 escalation）：$2.5/天

本质上是注意力资源分配：用廉价模型做外围扫描，用昂贵模型做深度思考。OpenClaw 称之为"环境认知（Ambient Cognition）"——不是被动等待用户输入，而是周期性地主动审视自己的状态。

2.4 Memory-Core Plugin SDK

OpenClaw 在 Plugin SDK 中内置了 memory-core，包含多个专业引擎：

1
2
3
4
5
6
7
memory-core/
├── memory-core-engine-runtime     # 运行时协调
├── memory-core-host-engine-embeddings  # 向量嵌入引擎
├── memory-core-host-engine-foundation  # 基础模型引擎
├── memory-core-host-engine-qmd         # QMD（Question Memory Description）
├── memory-core-host-engine-storage      # 存储引擎
└── memory-lancedb                       # LanceDB 向量数据库后端

这是一个生产级的记忆基础设施，支持嵌入、多模态输入、QMD 查询描述语言，以及可插拔存储。设计思路接近 Mem0/Weaviate，但深度集成到 OpenClaw 运行时。

2.5 Skills as 程序记忆

OpenClaw 的 Skills 遵循 ~/.claude/skills/{name}/SKILL.md 格式——与 Claude Code 共用同一套 Skill 标准。每个 Skill 包含：

  • name / description：元数据
  • triggers：激活关键词
  • platforms：适用平台
  • metadata：配置变量

Skills 由 Agent 动态加载（按需读取 SKILL.md），不占用固定上下文。OpenClaw 通过 skill-creator Skill 支持从对话中自动生成新 Skill——同样是"反思→沉淀"模式。

2.6 Session JSONL：情节记忆但不存储

OpenClaw 的会话存储为 JSONL 文件（~/.openclaw/agents/main/sessions/{sessionId}.jsonl），但 /reflect Skill 只读取每个 session 的最后约 50 行——这意味着：

  • 不存储完整历史，只保留最近经验
  • 长期知识必须通过反思显式提取并写入 Skill/CLAUDE.md
  • 这是刻意设计的遗忘机制——避免记忆过载和过时信息污染

三、核心对比

维度 Hermes Agent OpenClaw
记忆类型 长期记忆（Semantic + Episodic） 反思提炼（Procedural）
存储内容 对话历史、项目信息、用户偏好、技能 从对话中提炼的规则、模式、新技能
检索方式 FTS5 全文搜索 + 嵌入向量检索 Skill 动态加载 + 周期性扫描
遗忘机制 有界存储（压缩摘要） 强制遗忘（只读最近 50 行）
学习方式 被动积累 主动反思
外部 Provider Honcho, Mem0, Hindsight 等插件 Memory-Core SDK（内置）
Skill 生成 自动从经验创建 SKILL.md /reflect Skill 提案 + 用户批准
记忆工具 memory、session_search 工具 /reflect 命令 + Thinking Clock
上下文窗口策略 压缩保护 + 记忆注入 Skill 动态加载 + 轻量上下文扫描
成本控制 固定 FTS5 检索成本 Thinking Clock 可变成本（双模型编排）

四、设计哲学的本质分歧

Hermes Agent = 人类记忆模型

1
2
Experience → Episodic Memory → Semantic Memory → Skill
（经历）      （情节记忆）       （语义记忆）       （技能）

Hermes Agent 的设计模仿人类海马体-皮层记忆系统：

  • 情节记忆（SQLite 会话历史）：完整、原始、可检索
  • 语义记忆（MEMORY.md / USER.md）：提炼的事实和偏好
  • 程序记忆（Skills）：从经验中固化的行为模式

OpenClaw = 组织学习模型

1
2
Experience → Reflection → Rule/Skill → Next Experience
（经历）      （反思）      （规则/技能）    （下一次经历）

OpenClaw 的设计模仿组织知识管理：

  • 不存储原始会议记录，而是写"经验教训"
  • 不保留完整邮件历史，而是提炼 SOP（标准操作流程）
  • 知识的价值在于被引用，不在于被存档

五、各自的局限

Hermes Agent 的陷阱

  1. 记忆污染：FTS5 检索可能召回过时或错误的信息，特别是在上下文快满时被压缩过的记忆
  2. ** Provider 锁死**：一次只能用一个外部 Provider，切换成本高
  3. Skill 膨胀：Auto-created Skills 如果不维护，会积累大量过时 Skill，反而成为噪声
  4. 无主动推理：记忆只在被检索时激活，Agent 不会主动检查记忆的相关性

OpenClaw 的陷阱

  1. 反思覆盖不足：只有显式调用 /reflect 或 Thinking Clock 触发时才工作，如果用户从不触发就等于没有记忆
  2. 50 行限制的信息丢失：复杂的多轮任务无法通过最后 50 行完整重建
  3. 自我偏见的风险：“Sycophantic reflection”——模型可能认同自己的输出而非真正批判（学术研究已发现此问题）
  4. Skill 碎片化：每个 Skill 是独立文件，缺乏全局索引，跨 Skill 的模式无法被自动发现

六、适用场景

选 Hermes Agent 当：

  • 需要跨会话保持项目上下文（长期开发任务）
  • 用户偏好必须被记住（个人助理场景）
  • 需要 FTS5 精确搜索历史对话
  • 需要接入 Mem0 等第三方记忆服务
  • Skill 自动生成且不需要用户审批

选 OpenClaw 当：

  • 需要从经验中提炼可复用规则
  • 任务由短期冲刺组成，不需要完整历史
  • 记忆的"干净"比"完整"更重要
  • 需要周期性主动思考（Thinking Clock）
  • 与 Claude Code 共用 Skill 生态

结语

两条路线并无优劣之分。Hermes Agent 的记忆系统更接近人类的连续性自我，而 OpenClaw 的反思系统更接近人类的批判性学习。

最有意思的方向是将两者结合：用 Hermes Agent 的长期存储做情节记忆，用 OpenClaw 的反思机制做经验提炼。事实上，OpenClaw 的 memory-core SDK 已经有向量嵌入能力，而 Hermes Agent 的 BuiltinMemoryProvider 也在往更智能的检索方向发展。

记忆的本质不是存储，而是让过去的经验影响未来的行为。在这个意义上，最成功的 Agent 记忆系统，或许既不是"记住一切"，也不是"反思一切"，而是记住正确的事情，并确保这些事情在正确的时间、以正确的方式影响决策。

本文源码分析基于 Hermes Agent v0.8.0（ NousResearch/hermes-agent）和 OpenClaw（openclaw/openclaw），2026年4月。

FEATURED TAGS
AI Agent Hermes Agent OpenClaw Memory Reflection
FRIENDS