深度对比OpenClaw,Claude Code与Hermes Agent的AI Agent记忆系统架构设计

目录

• 一、为什么记忆系统是 Agent 架构的核心瓶颈
• 二、OpenClaw：文件优先的本地记忆架构
• 2.1 双层记忆拓扑
• 2.2 混合检索算法
• 2.3 企业级扩展：memory-agentcore
• 2.4 2026.4.11 升级：主动记忆型运行时
• 三、Claude Code：工程化的上下文压缩记忆
• 3.1 记忆文件体系
• 3.2 多级上下文压缩机制
• 3.3 记忆查询流程
• 3.4 claude-mem：第三方长期记忆扩展
• 3.5 后台 Dream 整合机制
• 四、Hermes Agent：自主进化的记忆系统
• 4.1 Memory：声明式事实存储
• 4.2 Skill：程序性记忆与自主进化
• 4.3 三层记忆架构
• 4.4 闭环系统：Nudge Engine
• 五、三种架构的对比分析
• 5.1 设计哲学对比
• 5.2 核心差异：信息密度的处理
• 5.3 适用场景对比
• 5.4 三种架构的可组合性
• 六、总结与展望

记忆是 Agent 从“无状态工具”进化为“持续智能体”的核心基础设施。如果说大模型是 Agent 的大脑，那么记忆系统就是它的硬盘——决定了 Agent 能否跨会话记住用户偏好、从过往经验中学习、以及在复杂任务中保持一致性。

本文将深入对比三个代表性项目的记忆系统设计：OpenClaw（通用 Agent 框架）、Claude Code（编程 Agent）和 Hermes Agent（自进化 Agent）。它们分别代表了三种不同的设计哲学——文件优先的本地记忆、工程化的上下文压缩、以及自主学习的闭环系统。

在深入对比之前，有必要先理解记忆系统要解决的根本问题。大语言模型本质上是无状态的推理引擎——每次调用都从零开始，Session 内有效，Session 外失忆。这导致三个工程级问题：

1. 1. 上下文污染：长对话会引入冗余指令、过期决策和错误假设残留，模型越聊越不稳定
2. 2. 经验无法复用：用户每次都要重复解释项目结构、编码规范和个人偏好
3. 3. 成本指数上升：上下文越长，Token 成本越高、推理延迟越大，质量反而下降

一个设计良好的记忆系统，需要在速度、成本和保真度之间寻求动态平衡。但不同场景对记忆的需求差异巨大——个人助手需要记住用户偏好，企业客服需要多客户隔离，编程 Agent 需要压缩长对话，自进化 Agent 需要从经验中提炼技能。

三个对比项目的定位差异如下：

项目	定位	核心场景	设计哲学
OpenClaw	通用 Agent 框架	多工具编排、本地自动化	文件优先、透明可控
Claude Code	编程 Agent	代码生成、项目维护	工程化、上下文压缩
Hermes Agent	自进化 Agent	自主学习、技能沉淀	闭环进化、认知压缩

OpenClaw 代表了“逆数据库”的设计思潮——拒绝将记忆黑盒化存入向量数据库，而是用本地 Markdown 文件作为真理来源。这种设计的核心优势是透明、可控、可审计。

OpenClaw 的记忆体系分为两个独立但协同的层次：

瞬时情境层：memory/YYYY-MM-DD.md 格式的每日日志，采用“仅追加”模式记录当天所有对话。这一层不做任何过滤或压缩，保留原始对话流用于后续回溯。

持久知识层：MEMORY.md 作为长期记忆的入口文件，存储经过筛选、压缩和固化的高价值信息。Agent 通过严格的“隐私门控”决定哪些瞬时记忆值得晋升到持久层。

这种分层设计的核心价值在于预压缩——当会话 Token 触及软阈值时，触发静默的“智能体回合”，强制模型在遗忘前进行主动认知结晶。换句话说，OpenClaw 不会等到上下文爆满才被动处理，而是在关键节点主动触发记忆沉淀。

OpenClaw 摒弃了传统的 RRF（倒数排名融合），采用保留原始分数幅度信号的混合检索策略：

• • 向量检索（70% 权重） ：利用 sqlite-vec 进行余弦相似度计算，捕获语义层面的相关性
• • 关键词检索（30% 权重） ：利用 SQLite FTS5 进行精准匹配，确保专有名词不被遗漏

这种权重分配背后的洞察是：在多数 Agent 场景中，“意思相近”比“用词相同”更重要，但完全放弃关键词匹配会导致技术术语丢失。

OpenClaw 基础版是为单用户设计的——所有客户的偏好混在同一个 MEMORY.md 里。这在多客户服务场景下会引发严重问题：客户 A 的“喜欢素色”和客户 B 的“喜欢鲜艳”相互污染，Agent 召回的信息一团乱麻。

Amazon 开源的 memory-agentcore 插件解决了这个问题，在原有双层架构上叠加了云端共享层：

能力维度	memory-core（内置）	memory-lancedb（内置）	memory-agentcore（企业扩展）
存储引擎	本地 Markdown 文件	本地 LanceDB 向量库	AWS AgentCore 云端
自动召回	需手动调工具	before_agent_start 钩子	before_prompt_build 钩子
自动捕获	Agent 主动写文件	正则触发词匹配	Amazon 4 策略自动提取
多用户隔离	共享文件	共享 dbPath	actorId → 命名空间
跨 Agent 共享	不支持	不支持	命名空间 + agentAccess

该插件的核心创新是层级命名空间 + actorId 驱动的权限隔离。在多客户面客模式下，通过 peerId 实现记忆按客户自动隔离，同时支持跨 Agent 天然共享。导购 Agent 记录的“客户对化纤过敏”可以被客服 Agent 直接访问，但客户 B 永远看不到客户 A 的偏好。

2026 年 4 月，OpenClaw 完成了一次架构层面的重大升级，从“被动查询”转向“主动推送”模式：

架构维度	旧版	新版
记忆访问模式	被动查询（On-Demand）	主动推送（Proactive）
上下文准备	主智能体同步处理	独立子智能体异步处理
平均响应时间	320ms	185ms
CPU/内存占用	45% / 1.2GB	32% / 980MB

新增的 Dreaming 模块 实现了三大突破：

1. 1. 多源数据适配层：通过标准化适配器接口，支持 JSON、CSV、Markdown 等 12 种常见对话格式的自动解析
2. 2. 语义对齐算法：采用 BERT+BiLSTM 混合模型，将不同平台的对话片段映射到统一语义空间
3. 3. 增量记忆更新：支持每秒处理 500+ 条历史记录的实时导入

Memory Palace（记忆宫殿）模块 引入了三维空间记忆模型——用户可以创建多达 200 个独立记忆场景，通过 R-Tree 空间索引实现毫秒级检索，甚至提供 Web 端 3D 编辑器进行可视化布局。

Claude Code 是 Anthropic 推出的编程 Agent，其记忆系统设计的核心挑战是：如何在极长的代码生成会话中，在不丢失关键信息的前提下控制上下文窗口？  答案是一套精密的“多级压缩 + 按需检索”架构。

Claude Code 的记忆文件采用分类存储策略：

类型	用途	作用域	示例文件
user	用户身份、角色、目标	private/team	技术栈偏好、沟通风格
feedback	用户反馈、偏好、纠正	private/team	“别用 TypeScript，用 Python”
project	项目信息、决策、截止日期	private/team	架构选型、依赖版本
reference	外部系统指针	team	Linear 工单链接、Slack 频道

每个记忆文件都是 Markdown 格式，通过 frontmatter 记录类型、描述、修改时间等元数据。系统配置了严格的容量上限：

• • MEMORY.md 最大 200 行 / 25KB
• • 最大记忆文件数 200 个
• • 单次最多召回 5 条相关记忆

这些限制不是随意的——200 行约等于 5-10 分钟阅读量，25KB 约 6000-8000 tokens，正好是 LLM 高效处理的甜区。

这是 Claude Code 记忆系统最具工程价值的部分。当 Token 使用量达到预设阈值时，系统按顺序执行四种压缩模式，每种模式由独立的 feature gate 控制：

顺序	模式	作用	触发条件
1	HISTORY_SNIP	移除最早的消息	Token 超限
2	CACHED_MICROCOMPACT	清理过期工具结果，大结果替换为摘要	工具调用积压
3	CONTEXT_COLLAPSE	投影折叠视图，长对话压缩为紧凑表示	前两级不足
4	AutoCompact	调用压缩代理生成边界消息	Token 使用率 ≥87%

第四级压缩是最激进的——当上下文使用率达到 87% 时，系统会触发一个独立的“压缩代理”，由该代理读取当前完整上下文，生成一个 SystemCompactBoundaryMessage，然后用这个摘要消息替换原有上下文。这个设计的关键在于：压缩本身也是由 Agent 完成的，而不是简单的截断或摘要算法。

Claude Code 的记忆检索采用“清单 + 模型选择”模式，而非自动向量检索：

1.用户发起对话后，系统调用 loadMemoryPrompt() 加载记忆入口

2. scanMemoryFiles() 遍历记忆目录下所有 .md 文件，排除 MEMORY.md

3.解析每个文件的 frontmatter，提取 type、description、mtime 等字段

4.将扫描结果格式化为模型可读的清单，由模型自主选择最相关的 ≤5 条记忆

5.选中记忆与当前对话一起提交给模型生成回答

这种设计的优势是模型拥有选择权——只有模型自己知道当前任务需要哪些历史信息。缺点是每次都需要扫描所有记忆文件，但随着记忆文件数量增加，扫描开销也会线性增长。

除了 Claude Code 内置的记忆系统，社区还开发了 claude-mem 插件，为 Claude Code 增加长期记忆能力。其核心设计是“AI 压缩 + 精准注入”：

• 全量记录：捕获 Claude 在 coding session 中的所有行为（对话、修改、决策路径）
• AI 压缩：将 5000 tokens 的原始上下文压缩为 200 tokens 的高密度记忆片段，保留核心信息、丢弃冗余
• 精准注入：在未来交互中根据当前任务自动检索相关记忆并注入 prompt

claude-mem 与 Claude Code 的关系可以这样理解：Claude Code = 手，OpenClaw = 身体，claude-mem = 大脑记忆。它不是要替代 Claude Code 的内置记忆，而是在其之上叠加一层长期记忆能力。

Claude Code 还有一个独特的设计：Dream 整合（Dream Consolidation） 。对话结束后，系统在后台异步执行记忆整合：

• 读取会话记录（.jsonl 格式）
• 提取新知识存入对应类型的记忆文件
• 定期执行“Dream 压缩”——合并冗余条目、修剪过时信息、优化记忆结构
• 使用锁文件（.consolidate-lock）防止并发冲突

这个机制的命名致敬了人类睡眠中的记忆巩固过程——白天的经历在睡眠中被重新激活、筛选、固化到长期存储中。

Hermes Agent 代表了第三代 Agent 记忆系统的设计方向：Self-Improving——不仅记住信息，更从经验中提炼可复用的技能，让 Agent 越用越强。上线不到半年 GitHub 星标破 10 万，是目前增长最快的 Agent 项目之一。

Hermes 的 Memory 系统设计极为克制——只有两个纯文本文件，用 § 分隔条目：

~/.hermes/memories/
├── MEMORY.md    # Agent 的环境认知（项目约定、工具怪癖、环境细节）
└── USER.md      # Agent 对用户的认知（偏好、沟通风格、工作习惯）

关键设计决策是严格的字符上限：MEMORY 限 2200 字符，USER 限 1375 字符。这迫使 Agent 只能记录最高密度的信息，过时的条目会被新信息自然“挤掉”。

对比 OpenClaw 的纯追加模式——几个月后 MEMORY.md 可能膨胀成几万行的怪兽文件，找一句话需要通读全文——Hermes 的做法是“被动淘汰”而非“主动清理”。当添加新条目会超限时，add 操作直接失败，并返回当前所有条目给模型，由模型自己决定删什么、改什么、合并什么：

if new_total > limit:
    return {
        "success": False,
        "error": f"Memory at {current:,}/{limit:,} chars. Adding would exceed limit.",
        "current_entries": entries,  # 让模型看到现有内容，自己决定如何整理
    }

这迫使模型进行主动的信息整理——本身就是一次“自我反思”过程。

另一个精妙设计是冻结快照机制：每次会话启动时，Memory 加载后立刻捕获一份快照，之后系统提示词里用的都是这份快照，而非实时内容。这样设计的原因是：系统提示词在会话内不变可以共享前缀缓存（Prefix Cache），大幅节省 API 成本。新写入的内容只改磁盘，下一个会话才刷新进来。

Memory 的写入遵循“声明式事实”原则——提示词中明确要求：

• ✓ “User prefers concise responses”（用户偏好简洁回复）
• ✗ “Always respond concisely”（始终简洁回复）

前者是可供推理的偏好，后者是僵硬的指令。Memory 只存前者，保持 Agent 的灵活性。

如果说 Memory 是“知道什么”，Skill 就是“会做什么”。这是 Hermes 与 OpenClaw 最核心的差异所在。

OpenClaw 也有 Skill 系统（SKILL.md + YAML frontmatter），但 Skill 要么是用户手写的，要么是从社区装的——Agent 本身不会从工作中学习任何东西。干了一百次部署，第一百零一次犯的错跟第一次一模一样。

Hermes 的设计是：Agent 在完成任务后，自动将踩坑经验提炼成可复用的 Skill。每个 Skill 是一个目录，核心是 SKILL.md 文件：

---
name: flask-k8s-deploy
description: Deploy a Flask app to Kubernetes with health checks
version: 1.0.0
---
# Flask K8s Deployment
## When to use
- User wants to deploy a Flask/Python app to Kubernetes
## Steps
1. Create Dockerfile with gunicorn (not dev server)
2. Build and push image to registry BEFORE creating deployment
3. Write deployment.yaml with livenessProbe pointing to /health
...
## Pitfalls
- MUST push image to registry before kubectl apply, otherwise ImagePullBackOff
- Flask 默认没有 /health 端点，需要手动添加

Pitfalls 这一节不是预先写好的，而是 Agent 踩坑后追加的——这就是 Skill 层面的“自我进化”。

创建 Skill 的触发条件在 skill_manage 工具的 schema 中明确定义：

• 复杂任务成功完成（工具调用超过 5 次）
• 成功克服了错误
• 用户纠正的方法验证有效
• 发现了非简单的工作流

同时有一条关键规则：如果使用 Skill 时遇到了 Skill 没覆盖的问题，立即用 patch 操作更新它，不要等用户提醒。  这确保了 Skill 会随着使用不断精化。

Skill 的更新不是简单的追加，而是版本化的差异管理——Agent 可以对比新旧版本，只更新变化的部分，保留完整的历史演进轨迹。

Hermes 官方文档中描述了三层记忆系统：

层次	存储介质	内容	生命周期
会话记忆	SQLite + FTS5	对话上下文、时序数据	30 天 + 时间衰减
持久记忆	向量数据库 + 知识图谱	用户偏好、系统配置	永久
技能记忆	Markdown 文件	方法 论、可复用流程	永久 + 版本控制

会话记忆使用时间衰减算法自动清理过期数据；持久记忆通过增量学习机制避免灾难性遗忘；技能记忆支持版本控制和差异比对，当检测到重复性任务时自动提炼为标准化技能模板。

连接 Memory 和 Skill 的是 Nudge Engine——一个定时运行的提醒机制，定期触发 Agent 进行“反思”：

• 回顾最近完成的任务
• 检查是否有值得提炼的操作模式
• 如果发现重复性工作，创建或更新相关 Skill
• 清理过时的 Memory 条目

这个闭环系统是 Hermes “自主进化”能力的工程化实现：Memory 提供事实基础 → 任务执行积累经验 → Skill 提炼可复用流程 → 下次任务更高效 → 继续发现新的可提炼点。

维度	OpenClaw	Claude Code	Hermes Agent
核心隐喻	个人笔记本	工程压缩工具	学习型伙伴
记忆载体	Markdown 文件	Markdown + JSONL	Markdown + SQLite + 向量库
检索方式	混合检索（向量+关键词）	清单+模型选择	语义检索+知识图谱
压缩策略	主动触发（智能体回合）	四级渐进压缩	认知压缩（Memory + Skill 分离）
进化能力	无（需手写 Skill）	有限（Dream 整合）	完整闭环（自主创建 Skill）

三种架构最本质的差异在于对信息密度的不同处理方式：

OpenClaw 采用“文件即真理”的低密度存储。所有信息都以原始或接近原始的形式存入 Markdown，优势是完全透明、可审计、可 Git 管理；劣势是文件会无限膨胀，检索效率随数据量增长而下降。

Claude Code 采用“按需压缩”的中密度策略。通过四级压缩机制在运行时动态决定信息的详细程度——不常用的信息被高度压缩，关键信息保留完整。这是最工程化的方案。

Hermes 采用“认知分层”的高密度策略。Memory 和 Skill 的分离本身就是一种认知压缩——Memory 存声明式事实（知道什么），Skill 存过程性知识（会做什么）。严格的字符上限迫使模型只保留最高密度的信息。

场景	推荐方案	理由
个人本地助手	OpenClaw	无需云服务，透明可控，文件即备份
多客户企业客服	OpenClaw + memory-agentcore	云端共享层实现用户隔离和跨 Agent 共享
AI 编程工具	Claude Code	长对话压缩能力强，编程场景深度优化
需要长期学习的系统	Hermes Agent	Self-Improving 闭环让能力持续增长
边缘设备/IoT	OpenClaw	无数据库依赖，资源占用低
知识密集型应用	Hermes	向量库+知识图谱支持复杂关系推理

值得强调的是，这三种架构不是互斥的。实际生产系统可以根据需求组合使用：

• OpenClaw 的文件层 + Claude Code 的压缩机制：用 Markdown 存储原始数据，但在上下文注入前执行分级压缩
• Hermes 的 Skill 系统 + OpenClaw 的工具生态：让 OpenClaw 的技能也能自我进化
• Claude Code 的 Dream 整合 + memory-agentcore 的云端共享：编程 Agent 的经验可以被团队其他 Agent 复用

OpenClaw、Claude Code 和 Hermes Agent 分别代表了 Agent 记忆系统演进的三代思路：

• 第一代（OpenClaw） ：文件即记忆。简单、透明、可控，但缺少智能化的信息管理
• 第二代（Claude Code） ：工程化压缩。通过多级压缩在有限上下文中塞入更多信息，但 Agent 本身不学习
• 第三代（Hermes） ：自主进化。Agent 不仅使用记忆，还能从经验中提炼技能，实现能力增长

未来的 Agent 记忆系统可能会向三个方向演进：

1. 混合架构：在文件系统基础上构建轻量级索引层，兼顾透明度和检索效率

2. 联邦记忆网络：实现跨实例的记忆共享与协作，形成“集体智能”

3. 量子化记忆压缩：将记忆存储需求降低 70% 以上，让长时间跨度的记忆成为可能

正如 HN 上一个高赞评论所说：“Data Is the Final Moat”——当模型智能被商品化、Agent 框架被开源，真正的护城河是 Agent 在工作中积累的领域知识。记忆系统的设计，将直接决定这条护城河的深度和宽度。

以上就是深度对比OpenClaw,Claude Code与Hermes Agent的AI Agent记忆系统架构设计的详细内容，更多关于OpenClaw,Claude Code与Hermes Agent对比的资料请关注风君子博客其它相关文章！