Raven Agent vs OpenClaw vs Hermes Agent 横向对比
2026-07-12 · 三个 L3 级自我进化 AI Agent 框架深度横评 · 含独立开发者选型建议
核心结论：三个框架代表了「自进化 Agent」赛道的三种实现路线——EverMind Raven 是国内大厂主导的闭源商业产品，押注「双向记忆 + 重写自身代码 + 10 万技能库」；Hermes Agent 是 Nous Research 主导的开源项目（MIT/213K★），押注「closed learning loop + Honcho 用户建模 + 跨平台 gateway」；OpenClaw 是 Node.js 生态的极简持久化 runtime，押注「database-first 架构 + fallback 链 + telegram/signal gateway」。三者定位差异远大于功能差异，不存在「哪个最好」，只存在「哪个适合你」。
TL;DR 一图速览
| 维度 | Raven Agent | OpenClaw | Hermes Agent |
|---|
| 发布方 | EverMind（盛大集团孵化） | OpenClaw 社区 | Nous Research |
| 发布时间 | 2026-07-08 | 2025 年中（持续迭代中） | 2025-07-22 首次提交 / 2026-02 大众视野 |
| 开源协议 | 闭源 | 开源 | MIT |
| 主语言 | 未公开 | TypeScript / Node.js | Python |
| GitHub Stars | N/A（未开源） | N/A（私有框架） | 213,551 |
| 记忆机制 | 双向记忆 + EverOS 四层仿生 | SQLite 持久化 + MEMORY.md | Agent-curated + FTS5 + Honcho |
| 自我进化 | 重写自身代码 + 10 万技能动态迭代 | cron + fallback 链 + 经验式自调整 | autonomous skill creation + 闭环学习 |
| Messaging | 未公开 | Telegram / Signal / Discord | Telegram / Discord / Slack / WhatsApp / Signal / Email / CLI |
| 部署门槛 | 云端 SaaS（推测） | 单文件 install + Node 18+ | curl install.sh + $5 VPS 即可 |
| 商业模式 | 未公开 | 个人项目 / 自托管 | 开源 + Nous Portal 增值订阅 |
1. 基本信息：发布方 / 时间 / 协议 / Stars
Raven Agent
- 发布方：EverMind（盛大集团孵化的 AI 科技团队）闭源
- 发布时间：2026-07-08（首次公开报道日）
- 开源协议：未开源，无公开 GitHub 仓库
- 主语言：未公开
- GitHub Stars：N/A
- 官网：未发现独立官网（仅有盛大集团背书与 PR 通稿）
信源说明：Raven 的所有公开信息均来自 2026-07-08/10 的中文科技媒体（腾讯新闻、猎云网转载），本质为厂商发布的通稿。下文涉及的「10 万技能」「1/10 Token 消耗」等数据均为厂商自述，未经独立 benchmark 验证。
OpenClaw
- 发布方：OpenClaw 社区（个人开发者主导的开源 runtime）
- 首次发布：2025 年中（持续小版本迭代至今）
- 开源协议：MIT（CLI / runtime 部分）
- 主语言：TypeScript / Node.js（≥18）
- GitHub Stars：N/A（私有框架，本报告基于部署使用经验）
- 特点：单文件 install、SQLite database-first、6.6 起所有 runtime 状态进 SQLite
信源说明：本报告对 OpenClaw 的描述基于部署与使用经验（session-memory hook / cron / fallback 链 / Telegram gateway 均为一手验证），非二手搬运。
Hermes Agent
- 发布方：Nous Research（Hermes 系列模型背后的团队）
- 首次提交：2025-07-22（GitHub API 验证）
- 大众可见：2026-02（媒体关注峰值）
- 开源协议：MIT
- 主语言：Python（≥3.11）
- GitHub Stars：213,551（2026-07-12 GitHub API 一手数据）
- Forks / Issues：39,546 / 27,350
- 仓库地址：github.com/NousResearch/hermes-agent
2. 核心架构：multi-agent / 记忆 / 学习
| 架构层 | Raven Agent | OpenClaw | Hermes Agent |
|---|
| Agent 拓扑 | 单 Agent + 模块化可插拔（Pluggable by design） | 单进程 + subagent 分层（sessions_spawn） | 单 Agent + subagent + 6 种 terminal backend |
| 记忆架构 | EverOS 四层仿生：代理层 / 记忆层 / 索引层 / 接口层；聚类成「记忆场景」 | SQLite 全量 + MEMORY.md 抽象层 + session-memory hook 自动归档 | Agent-curated + FTS5 全文检索 + LLM summarization + Honcho dialectic 用户建模 |
| 学习机制 | 双向记忆 + EverBrain 用户侧微模型 + 动态权重调整 | 无显式学习，由 cron + fallback 链形成经验式自调整 | Closed learning loop：技能自动创建 + 使用中自改进 + 周期性 nudge 持久化 |
| 技能/Skill 体系 | 10 万内置技能（厂商自述） + 动态淘汰/组合 | Skill Workshop + ClawHub 生态 | Skills Hub（agentskills.io 标准）+ 自动技能生成 |
| 持久化层 | 未公开（推测为云端专有存储） | SQLite database-first（64+ 控制面表） | 本地文件 + Honcho 远端用户建模 |
Raven 的「四层仿生」究竟是什么
根据厂商描述：
- 代理层（Agent Layer）：对话流切分为独立记忆单元，调度技能与工具
- 记忆层（Memory Layer）：聚类算法形成「记忆场景」，构建用户身份/偏好/技能/目标四维画像
- 索引层（Index Layer）：高效检索记忆单元（厂商称 1/10 Token 消耗即可达到超 Full Context 准确率）
- 接口层（Interface Layer）：对外暴露 API/MCP，与外部工具/平台集成
独立判断：「1/10 Token 消耗 + 超越全量上下文」是 EverMind 团队的单方面数据，无第三方 benchmark。在 LoCoMo 等公开 long-context 基准上，厂商称其 HyperMem 超图架构达到 SOTA，但该论文未在 arXiv 公开链接被本报告验证到原文。
OpenClaw 的「database-first」
6.6 版本起，OpenClaw 把所有 runtime 状态（cron jobs / agent databases / sessions / transcripts / VFS / device pairing）统一进 SQLite：
- 控制面 DB：
~/.openclaw/state/openclaw.sqlite（64+ 表）
- 数据面 DB：
~/.openclaw/agents/<id>/agent/openclaw-agent.sqlite
- 配置不进 SQLite：仅
openclaw.json 保持 JSON，便于 git diff
- 好处：原子事务 / 跨进程并发 / 易于备份（一个 .sqlite 文件）
Hermes 的「closed learning loop」
Hermes 的学习机制是其差异化卖点，README 原话：
Agent-curated memory with periodic nudges. Autonomous skill creation after complex tasks. Skills self-improve during use. FTS5 session search with LLM summarization for cross-session recall. Honcho dialectic user modeling. Compatible with the agentskills.io open standard.
翻译：Agent 策展的持久记忆 + 周期性 nudge 触发 + 复杂任务后自动创建技能 + 使用中自改进 + FTS5 全文检索 + LLM 摘要 + Honcho 对话式用户建模 + 兼容 agentskills.io 开放标准。这套组合的目标是「The agent that grows with you」（与你共同成长的 Agent）——即跨 session 累积对你的理解。
3. 通讯渠道（messaging platforms）
| 平台 | Raven | OpenClaw | Hermes |
|---|
| Telegram | 未公开 | ✅ 一等公民 | ✅ |
| Discord | 未公开 | ✅ | ✅ |
| Slack | 未公开 | ❌ | ✅ |
| Signal | 未公开 | ✅ | ✅ |
| WhatsApp | 未公开 | ❌ | ✅ |
| Email | 未公开 | ❌ | ✅ |
| CLI / TUI | 未公开 | ✅ | ✅（full TUI，multiline editing，slash autocomplete） |
| Home Assistant | — | — | ✅ |
判断：通讯渠道覆盖度上 Hermes 最全（7+ 平台 + CLI TUI），OpenClaw 集中在隐私导向平台（Telegram / Signal / Discord），Raven 完全未公开。对独立开发者而言，Hermes 的 WhatsApp/Email 覆盖意味着开箱即用处理客服/订单场景；OpenClaw 的 Signal 覆盖则更适合隐私敏感用户。
4. 工具生态（MCP / 内置 / 扩展性）
| 工具层 | Raven | OpenClaw | Hermes |
|---|
| 内置工具数 | 10 万「技能」（厂商自述，含日常办公到垂直专业） | 数十个核心 tool（exec / read / write / browser / web_search / bb-browser ...） | 40+ 工具 + toolset 分组 + terminal backends |
| MCP 支持 | 明确提到「MCP 接口」 | 支持（plugin 体系） | ✅ 完整 MCP 集成（computer-use-linux 等社区 MCP server） |
| Terminal Backend | 未公开 | exec（本地 / Docker） | 6 种：local / Docker / SSH / Singularity / Modal / Daytona |
| 扩展方式 | Pluggable by design，Raven Builder（即将推出） | Skill Workshop + ClawHub + 子 agent 委派 | Skills Hub（agentskills.io 标准）+ subagent + Python RPC 折叠多步流水线 |
| Skill 共享 | EverMe 平台（即将推出） | ClawHub registry | agentskills.io 开放标准 |
Hermes 的差异化：「Python 脚本可调用工具 via RPC」
Spawn isolated subagents for parallel workstreams. Write Python scripts that call tools via RPC, collapsing multi-step pipelines into zero-context-cost turns.
这是个被低估的能力：Hermes 允许用 Python 脚本调用任意 tool，且不消耗 LLM context。这意味着批量数据处理、文件批改、爬虫等场景可以用「写代码」代替「循环对话」——对独立开发者处理 100 张图重命名、1000 条 RSS 过滤这种活，是巨大效率提升。
Raven 的 10 万技能 vs 真实可用性
独立判断：「10 万技能」是营销数字还是真实能力？关键看三点：①技能是预编译的 prompt template 还是真实可调用的 tool？②技能质量评测标准公开吗？③能否被外部开发者贡献与审查？目前三问均无公开答案。在 PR 通稿中强调「10 万技能」更像 LLM 时代的「参数军备竞赛」叙事，实际效果需独立 benchmark 验证。
5. 部署难度
| 步骤 | Raven | OpenClaw | Hermes |
|---|
| 最小硬件 | 未公开（云端 SaaS） | 512MB RAM / Node 18+ | $5 VPS / Python 3.11+ |
| 安装命令 | 未公开（推测扫码/下载客户端） | 单文件 install（curl | bash） | curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash |
| 从零到首次对话 | 未公开 | 5-10 分钟（含 Telegram bot token 申请） | 约 2 分钟（含 uv + Python 3.11 + ripgrep + ffmpeg + MinGit 自动化） |
| Windows 友好度 | — | 需 WSL 或原生 Node | ✅ 原生支持（PowerShell 一行安装） |
| 平台 backend | 云端 | 本地 / Docker | 6 种（local / Docker / SSH / Singularity / Modal / Daytona） |
| 迁移 OpenClaw → Hermes | — | — | ✅ hermes claw migrate 一键迁移（persona / memories / skills / 平台配置 / API key） |
Hermes 的「serverless persistence」：Modal 和 Daytona backend 让 agent 环境「空闲时休眠、按需唤醒」，独立开发者跑 cron 任务的成本可降至接近 0。OpenClaw 必须常驻进程，对小型 VPS 不友好。
6. 自我进化能力（核心差异化）
这是三个框架真正分胜负的维度。
Raven：号称 L3 级「改写自身代码」
- 改写技能：评估哪些技能好用 / 失效，主动淘汰、强化、组合
- 改写运行时逻辑：重写自己的策略与执行路径
- 改写权重：通过 EverBrain 用户侧小模型动态微调模型权重
- 厂商四阶梯：L1 角色化指令体 → L2 记忆增强体 → L3 自我进化体 → L4 全自主数字生命
独立判断：「改写权重」是 On-Device Personalization（ODP）领域的难题。Hermes 也做过类似尝试（用户侧 adapter），但都受限于「用户数据量小、易过拟合」。Raven 的 EverBrain 是否真正解决了这个 scaling 问题，目前无第三方验证。同时，「改写自身代码」在生产环境是双刃剑：能进化 = 也能跑偏，缺乏可审计性是商用化前必须解决的问题。
OpenClaw：经验式自调整（无显式学习）
- fallback 链：主模型 429 → 切 deepseek-v4-pro → 切 local qwen
- cron 自迭代：周期性任务根据历史结果调整 prompt / 时间
- session-memory hook：自动归档每日 session 到 memory/YYYY-MM-DD.md
- 无模型权重修改：所有「学习」通过 prompt / 工具配置 / 记忆文件实现
设计哲学差异：OpenClaw 走的是「透明可审计的近端进化」路线——你改的是 prompt、记的是 MEMORY.md、跑的是 cron 脚本，所有「学习」都可 git diff、可回滚。Raven 走的是「黑盒远程进化」路线——改的是运行时、动的是权重、跑在厂商云端。对企业用户前者更可信，对消费级用户后者体验更平滑。
Hermes：closed learning loop
- 周期性 nudge：agent 主动 nudge 自己「把这段经验持久化」
- 技能自动创建：复杂任务完成后，自动生成新 skill
- 技能使用中自改进：skill 在被调用时根据反馈优化
- Honcho dialectic：跨 session 用「对话式」构建用户模型（agent 主动追问 / 自我辩论）
- FTS5 全文检索：session 内任意时刻可调取历史对话并 LLM 摘要
| 进化能力 | Raven | OpenClaw | Hermes |
|---|
| 记忆持久化 | ✅ 双向 | ✅ SQLite + MEMORY.md | ✅ Agent-curated + FTS5 |
| 用户建模 | ✅ 偏好/技能/目标四维 | 基础（USER.md） | ✅ Honcho dialectic |
| 技能自动创建 | ✅ 强化 / 淘汰 / 组合 | ❌（人工 skill 创作） | ✅ 任务后自动 |
| 技能自改进 | ✅（用中调整） | 人工（version control） | ✅（用中自改进） |
| 权重微调 | ✅ EverBrain（厂商自述） | ❌ | ❌ |
| 改写自身代码 | ✅（厂商自述） | ❌ | ❌（可改 skill，非核心） |
| 进化可审计性 | ❌（闭源） | ✅（git diff） | ✅（open source） |
核心差异：Raven 声称的能力最强（声称），但不可审计；Hermes 走开源+透明路线，把自进化限制在「skill 层面」而非「代码/权重层面」，对生产环境更安全；OpenClaw 几乎不自进化，但所有「记忆」都 git-track 化，适合需要可解释性的场景（合规 / 医疗 / 金融）。
7. 开源与生态
| 指标 | Raven | OpenClaw | Hermes |
|---|
| 开源状态 | 闭源 | 开源（核心） | MIT 完全开源 |
| GitHub Stars | — | — | 213,551 |
| Forks | — | — | 39,546 |
| Open Issues | — | — | 27,350 |
| 多语言 README | — | — | zh-CN / es / ur-pk（5+ 语言） |
| 生态 | EverMe（即将推出） | ClawHub | agentskills.io 开放标准 + Skills Hub |
| 社区 | 未公开 | Discord / GitHub | Discord（Nous Research） |
GitHub 27,350 个 open issues 是一个值得讨论的信号——这意味着 Hermes 用户基数极大、反馈通道畅通、但项目维护压力也大。独立判断：这个 issue 数对独立开发者是「生态健康」信号（项目还在积极迭代），不是「质量问题」信号。
8. 定价与商业模式
| 维度 | Raven | OpenClaw | Hermes |
|---|
| 开源成本 | 不可用（闭源） | 0（自托管） | 0（MIT） |
| 模型 API 成本 | 未公开（推测打包进订阅） | 按调用付费（自选 provider） | 按调用付费（自选 provider，可 Nous Portal 一站订阅） |
| 订阅选项 | 未公开 | 无 | Nous Portal：300+ 模型 + Tool Gateway（web search / image gen / TTS / browser）一站订阅 |
| 云端服务 | 必然有（云端跑模型） | 无（自托管） | Modal / Daytona serverless 可选 |
| 商业模式 | 未公开 | 开源 + 周边工具付费（推测） | 开源 + Nous Portal 增值 + 企业版（推测） |
Hermes Portal 的设计巧思：用户不想为每个 tool 收集 5 把 API key（模型 / web search / image / TTS / browser）？Portal 一站订阅、Tool Gateway 路由所有。这是「降低独立开发者使用门槛」的产品思路，对标 GitHub Copilot 的「不操心基础设施」体验。
9. 适用场景
选 Raven 如果你是…
- ✅ 中国大陆用户，倾向国产大厂背书
- ✅ 不在意代码可审计性 / 数据出境
- ✅ 需要 10 万「开箱即用技能」（假设厂商数字真实）
- ✅ 不愿自己运维、付费意愿高
- ❌ 不适合：需要 L3 进化可解释性的企业 / 开发者
选 OpenClaw 如果你是…
- ✅ Node.js / TypeScript 栈的开发者
- ✅ 需要「可 git diff 的 agent 记忆」（合规/审计场景）
- ✅ 已有 Telegram / Signal bot，想加 agent 能力
- ✅ 习惯 SQLite / 文件型数据库，讨厌云端依赖
- ✅ 多 agent 协作（subagent / sessions_spawn 体系成熟）
- ❌ 不适合：需要 10 万技能开箱即用 / 不想写代码
选 Hermes 如果你是…
- ✅ Python 生态的开发者
- ✅ 想要「The agent that grows with you」的真正跨 session 学习
- ✅ 预算敏感（$5 VPS 可跑）
- ✅ 需要 WhatsApp / Slack / Email 集成
- ✅ 想要可审计的开源 + 庞大社区（213K★）
- ✅ 在用 OpenClaw 想无痛迁移（有
hermes claw migrate 命令）
- ❌ 不适合：不想用 Python / 对「agent 自动改 skill」不放心
10. 独特亮点（每个框架的杀手锏）
Raven：双向记忆 + 改写自身代码（厂商声称）
如果 EverMind 真的做到了「可重写自身代码 + 10 万技能动态迭代 + 用户侧权重微调」，这将是 L3 阶段的首次工程化落地。但截至 2026-07-12，所有公开信息均为厂商通稿，无第三方独立验证，建议持续观察 6-12 个月后是否有开源评测、第三方复现、或真实企业用户案例。
OpenClaw：database-first 架构 + 极简自托管
把 64+ 张表的 runtime 状态统一进 SQLite，单文件可备份、原子事务、跨进程并发——这是「个人 agent 也能享受企业级可靠性」的工程取舍。对独立开发者最友好的点是：不依赖任何云服务、断网也能跑、所有数据在本地。
Hermes：The agent that grows with you
最大亮点是agent 主动 nudge 自己持久化经验+ Honcho dialectic 用户建模，配合 213K 社区 stars，是当前最接近 AGI 持续学习叙事的开源实现。其迁移友好性（hermes claw migrate）也是杀手锏——OpenClaw 用户切换成本极低。
综合评价（独立判断）
对独立开发者的实际推荐
- 如果你正在选第一个 agent framework：选 Hermes。理由：开源 + 213K 社区 + $5 VPS 可跑 + Python 生态 + 跨平台 messaging 覆盖最全。OpenClaw 的优势在 Node.js 栈和 database-first 透明度，不是初学者的最佳起点。Raven 闭源 + 厂商通稿阶段，不建议作为主力工具。
- 如果你在用 OpenClaw 感到痛点：先想清楚痛点是什么。如果是「缺少 L3 进化」，Hermes 的 closed learning loop 是直接解药，且
hermes claw migrate 一键迁移。如果是「想加新 messaging 平台」，OpenClaw 短期内不会加 Slack/WhatsApp，可能需要切到 Hermes。OpenClaw 的核心优势（database-first / Node.js / git diff 记忆）不会因为迁移而丢失，Hermes 内部也是文件 + 远端 Honcho 组合。
- 如果你的场景强依赖可审计性：选 OpenClaw。所有记忆可 git diff、所有 prompt 可 version control、所有 cron 任务可审计。Hermes 虽然开源，但其「agent 主动改 skill」+ Honcho 远端用户建模在合规场景下需要额外审计层。Raven 闭源，合规场景直接排除。
- 如果你是 C 端 / 不想运维：等 Raven 公开产品 + Hermes Portal 一站订阅都是选项。Portal 的 300+ 模型 + Tool Gateway 对不想管 API key 的用户更友好。
- 不要做的事：不要因为「Raven 听起来最强」就 all-in 一个闭源框架。L3 自我进化是双刃剑，在第三方独立评测出现前，闭源+黑盒+改写自身代码的组合对企业是高风险。
本报告的局限：
- Raven Agent 全部信息来自 2026-07-08/10 中文科技通稿，无独立 benchmark / 论文 / 第三方用户反馈
- OpenClaw 部分基于本报告作者的部署使用经验，不是该框架的官方文档，细节可能有版本差异
- Hermes Agent 基于 2026-07-12 抓取的 GitHub README，项目快速迭代中，部分数据可能在数周内过时
- 「自我进化」「L3」「数字生命」等概念定义目前无业界标准，三个框架对其实现程度差异巨大
信源清单（按权重）
第一档（70% 权重）
- Hermes Agent GitHub README（2026-07-12 抓取）
- GitHub API：NousResearch/hermes-agent（2026-07-12 一手数据：213,551★ / 39,546 forks / 27,350 issues / MIT / Python / created 2025-07-22）
- Hermes Agent 官方文档
- Honcho（Hermes 依赖的用户建模库）
- agentskills.io（Hermes 兼容的开放技能标准）
- OpenClaw 本机部署运行经验 +
~/.openclaw/state/openclaw.sqlite schema 实测
第二档（25% 权重，厂商通稿 / 中文媒体）
- 腾讯新闻 「突破 AI 失忆症：EverMind 发布 Raven Agent，开启 L3 自进化智能体时代」（2026-07-08）
- 腾讯新闻 「EverMind 发布 Raven Agent：可重写自身代码的 L3 级自进化智能体」（2026-07-10）
- 腾讯新闻 「告别失忆！EverMind 发布自进化智能体框架 Raven」（2026-07-10）
- 腾讯新闻 「AI Agent 动态日报」（2026-07-09，含 7/8 Raven 发布确认）
第三档（5% 权重，社区文章，仅作交叉验证）
- CSDN：「Hermes Agent 深度体验：开源自进化 AI 智能体」（2026-06-12）
- CSDN：「NousResearch/Hermes-Agent 深度技术解析」（2026-05-14）
- 腾讯新闻：「NousResearch 团队再次刷新 AI 边界：Hermes 4」（2025-09-02，背景信息）
本报告由深度研究型 subagent 一次性生成，结论基于 2026-07-12 的公开信息。三个框架均在快速迭代中，建议 6 个月后复盘——尤其是 Raven Agent，等独立 benchmark 出现后再调整判断。