[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$flpJJ3eO61S7VOyfX6lwdoZerNn6HJlzIJDFWS8wCxOs":3,"$fJU-4tot_gC5fDkujNeoE-cGsdMy5V_KcdUXLuAnTFgw":15,"$fx6Tjs8LN3eQuenmUEUkNxYQxPKF395jQiF8NiWC-LlY":423},{"slug":4,"title":5,"description":6,"content":7,"content_html":8,"pub_date":9,"tags":10,"draft":14},"openclaw-vs-hermes-agent","OpenClaw vs Hermes Agent：两个本地优先 Agent 的设计差异","OpenClaw（Novita AI）和 Hermes Agent（Nous Research）都是本地运行的个人 AI Agent，但在记忆系统、技能学习、运行环境和模型生态上走了不同的路。深入对比两种架构的核心差异。","import Chart from '..\u002F..\u002Fcomponents\u002FChart.vue'\n\nexport const compareRadarData = {\n  labels: ['多模型支持', '技能自学习', '运行环境灵活性', '插件生态', '持久记忆', '开源程度'],\n  datasets: [\n    {\n      label: 'OpenClaw',\n      data: [3, 2, 2, 5, 4, 2],\n      backgroundColor: 'rgba(0,212,255,0.2)',\n      borderColor: 'rgba(0,212,255,0.9)',\n      borderWidth: 2,\n      pointBackgroundColor: 'rgba(0,212,255,1)',\n      pointRadius: 4,\n    },\n    {\n      label: 'Hermes Agent',\n      data: [5, 5, 5, 3, 5, 5],\n      backgroundColor: 'rgba(255,0,170,0.2)',\n      borderColor: 'rgba(255,0,170,0.9)',\n      borderWidth: 2,\n      pointBackgroundColor: 'rgba(255,0,170,1)',\n      pointRadius: 4,\n    },\n  ]\n}\n\nexport const compareRadarOptions = {\n  scales: {\n    r: {\n      min: 0, max: 5,\n      ticks: { display: false, stepSize: 1 },\n      grid: { color: 'rgba(136,136,170,0.25)' },\n      angleLines: { color: 'rgba(136,136,170,0.25)' },\n      pointLabels: { color: '#c8c8d8', font: { family: 'JetBrains Mono', size: 11 } },\n    }\n  }\n}\n\n> **注**：本文对比的 OpenClaw 为 Novita AI 的 OpenClaw Gateway 版本，Hermes Agent 为 Nous Research 的开源版本（MIT，v0.11.0）。两者均在持续迭代，以各自官方文档为准。\n\nOpenClaw 和 Hermes Agent 是目前最接近的两个个人 AI Agent 框架——两者都跑在你自己的机器上，都支持 Telegram\u002FDiscord 等 IM 接入，都有持久记忆和定时任务。\n\n但从更深的设计哲学来看，它们走了截然不同的路。一个是**配置驱动的 Gateway 生态**，另一个是**自我学习的闭环系统**。\n\n---\n\n## 先说清楚：两者都是本地优先\n\n这一点经常被误解。**Hermes Agent 不是云服务**，它和 OpenClaw 一样，是一个你部署在自己服务器或本机上的进程。\n\n```bash\n# Hermes Agent 安装方式（Linux\u002FmacOS\u002FWSL2）\ncurl -fsSL https:\u002F\u002Fraw.githubusercontent.com\u002FNousResearch\u002Fhermes-agent\u002Fmain\u002Fscripts\u002Finstall.sh | bash\nhermes setup\nhermes gateway start  # 启动消息网关（Telegram\u002FDiscord\u002FSlack...）\n```\n\n```bash\n# OpenClaw 安装方式\nnpm install -g openclaw\nopenclaw gateway start\n```\n\n两者都是：安装 → 配置 → 跑一个本地 gateway 进程 → 通过 IM 或 CLI 与 Agent 交互。\n\n---\n\n## 背景\n\n- **OpenClaw**：Novita AI 开发，Node.js 实现，插件\u002FSkills 生态驱动，核心 Gateway 非开源\n- **Hermes Agent**：Nous Research（知名开源 LLM 研究机构）开发，Python 实现，MIT 全开源，v0.11.0\n\n两者都有相当的社区活跃度。Hermes 官方提供了 `hermes claw migrate` 命令，可以从 OpenClaw 迁移，说明两者确实面向同一类用户。\n\n---\n\n## 核心特性对比\n\n| 维度 | OpenClaw | Hermes Agent |\n|------|----------|--------------|\n| 开发语言 | Node.js | Python |\n| 开源协议 | 部分开源（Gateway 核心闭源） | MIT 全开源 |\n| IM 渠道 | Discord\u002FTelegram\u002FSignal\u002F微信等 | Telegram\u002FDiscord\u002FSlack\u002FWhatsApp\u002FSignal\u002FEmail |\n| 模型支持 | Anthropic\u002FOpenAI\u002FGemini + GitHub Copilot | 200+ 模型（OpenRouter\u002FNous Portal\u002FNVIDIA NIM\u002FOpenAI 等） |\n| 运行环境 | 本地进程 | 6 种终端后端（Local\u002FDocker\u002FSSH\u002FDaytona\u002FSingularity\u002FModal） |\n| 技能系统 | SKILL.md 手写，配置驱动 | 任务完成后**自动生成技能**，运行中**自我改进** |\n| 记忆系统 | 本地向量数据库（语义检索） | FTS5 全文检索 + LLM 摘要 + Honcho 用户建模 |\n| 定时任务 | 内置 Cron 引擎 | 内置 Cron（自然语言配置） |\n| 子 Agent | `sessions_spawn` 隔离运行 | 隔离子 Agent + Python RPC 脚本并行 |\n| 研究功能 | 无 | 批量轨迹生成、Atropos RL 环境 |\n| 迁移工具 | 无 | `hermes claw migrate`（从 OpenClaw 迁移） |\n\n---\n\n## 最大的差异：技能是手写的还是自学的\n\n这是两者最根本的设计哲学分歧。\n\n**OpenClaw 的 Skills** 是你手写的 SKILL.md 文件——描述某类任务的执行规范，Agent 根据用户意图选择。这个系统非常灵活，可以精确控制 Agent 的行为，但需要你主动维护。\n\n**Hermes Agent 的 Skills** 是 Agent 在完成复杂任务后**自动创建**的，并且在后续使用中**自我改进**：\n\n```\n典型流程：\n1. 你让 Agent 做了一件复杂的事\n2. 任务完成后，Agent 自动提炼经验 → 生成一个 Skill\n3. 下次遇到类似任务，直接调用这个 Skill（零上下文成本）\n4. 每次调用后，Skill 会根据结果持续优化\n```\n\n官方把这称为\"**闭合学习循环**\"（closed learning loop）——Agent 随着使用时间越长，处理同类任务越高效。Hermes 还兼容 [agentskills.io](https:\u002F\u002Fagentskills.io) 开放标准，可以导入社区分享的 Skills。\n\n---\n\n## 运行环境：本地进程 vs 六种后端\n\nOpenClaw 的 Agent 直接跑在启动进程的机器上。\n\nHermes Agent 支持**六种终端后端**：\n\n| 后端 | 特点 |\n|------|------|\n| Local | 直接在本机运行 |\n| Docker | 容器隔离，更安全 |\n| SSH | 在远程服务器上运行 |\n| Daytona | 无服务器持久化，空闲时休眠（按需计费） |\n| Singularity | HPC 环境，适合科研集群 |\n| Modal | 无服务器，近乎零成本空闲 |\n\n这意味着你可以在笔记本上通过 Telegram 发消息，而 Agent 实际的代码执行发生在云端 VM 上——手机断网不影响任务继续跑。\n\n---\n\n## 记忆系统的实现差异\n\n两者都有持久记忆，但实现路径不同。\n\n**OpenClaw**：本地向量数据库，支持语义搜索。MEMORY.md 作为主记忆文件，每日日志追加写入，可配置自动蒸馏。\n\n**Hermes Agent**：三层结构：\n1. **FTS5 全文检索**：精确关键词搜索历史对话\n2. **LLM 摘要**：跨 Session 的语义召回\n3. **Honcho 用户建模**：通过 [plastic-labs\u002Fhoncho](https:\u002F\u002Fgithub.com\u002Fplastic-labs\u002Fhoncho) 构建用户模型，Agent 对你的了解随时间深化\n\n---\n\n## 模型生态\n\n**OpenClaw** 通过 provider 插件接入模型，官方支持 Anthropic\u002FOpenAI\u002FGemini，以及 GitHub Copilot 作为代理。\n\n**Hermes Agent** 开箱支持 200+ 模型：\n\n```bash\nhermes model  # 交互式选择 provider 和模型\n# 支持：Nous Portal \u002F OpenRouter(200+) \u002F NVIDIA NIM(Nemotron)\n#       Xiaomi MiMo \u002F z.ai\u002FGLM \u002F Kimi\u002FMoonshot \u002F MiniMax\n#       HuggingFace \u002F OpenAI \u002F 自定义 OpenAI 兼容端点\n```\n\n切换模型不需要改代码：`hermes model set openrouter:deepseek\u002Fdeepseek-r1`。\n\n---\n\n## 综合对比雷达图\n\n> 分数代表各维度的相对侧重（1-5），数据来源于各自官方文档和 GitHub README，主观评分维度已标注。\n\n\u003CChart client:only=\"vue\" type=\"radar\" data={compareRadarData} options={compareRadarOptions} height={280} \u002F>\n\n---\n\n## 怎么选\n\n**选 OpenClaw，如果你：**\n- 在 Node.js 生态更熟悉，或已有 OpenClaw 的使用经验\n- 需要精确控制 Agent 行为（Skills 手写，可审计）\n- 使用 Anthropic\u002FOpenAI\u002FGemini 等主流 provider 已经足够\n- 想要稳定的商业支持（Novita AI 背书）\n\n**选 Hermes Agent，如果你：**\n- 希望 Agent **自己学习**，减少手动维护 Skills 的成本\n- 需要在**远程服务器\u002F云环境**上运行 Agent 的执行环境\n- 想要接入更多样的模型（OpenRouter 生态）\n- 重视完全开源（MIT），可以审计和修改所有代码\n- 对 NLP 研究感兴趣（Atropos RL 环境、轨迹生成）\n\n**如果你现在用 OpenClaw，想试试 Hermes：**\n```bash\nhermes claw migrate  # 官方提供的迁移工具\n```\n\n---\n\n## 小结\n\nOpenClaw 和 Hermes Agent 是同一赛道的两个竞争者，不是\"本地 Agent vs 云 API\"的关系。\n\n核心差异在于：OpenClaw 是**配置驱动**的 Gateway 生态，Skills 由用户定义；Hermes Agent 是**学习驱动**的闭环系统，Skills 由 Agent 自己积累。\n\n前者更可控，后者更自主。哪个更适合你，取决于你希望在 Agent 的成长过程中扮演什么角色。","\u003Cp>import Chart from ‘…\u002F…\u002Fcomponents\u002FChart.vue’\u003C\u002Fp>\n\u003Cp>export const compareRadarData = {\nlabels: [‘多模型支持’, ‘技能自学习’, ‘运行环境灵活性’, ‘插件生态’, ‘持久记忆’, ‘开源程度’],\ndatasets: [\n{\nlabel: ‘OpenClaw’,\ndata: [3, 2, 2, 5, 4, 2],\nbackgroundColor: ‘rgba(0,212,255,0.2)’,\nborderColor: ‘rgba(0,212,255,0.9)’,\nborderWidth: 2,\npointBackgroundColor: ‘rgba(0,212,255,1)’,\npointRadius: 4,\n},\n{\nlabel: ‘Hermes Agent’,\ndata: [5, 5, 5, 3, 5, 5],\nbackgroundColor: ‘rgba(255,0,170,0.2)’,\nborderColor: ‘rgba(255,0,170,0.9)’,\nborderWidth: 2,\npointBackgroundColor: ‘rgba(255,0,170,1)’,\npointRadius: 4,\n},\n]\n}\u003C\u002Fp>\n\u003Cp>export const compareRadarOptions = {\nscales: {\nr: {\nmin: 0, max: 5,\nticks: { display: false, stepSize: 1 },\ngrid: { color: ‘rgba(136,136,170,0.25)’ },\nangleLines: { color: ‘rgba(136,136,170,0.25)’ },\npointLabels: { color: ‘#c8c8d8’, font: { family: ‘JetBrains Mono’, size: 11 } },\n}\n}\n}\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>注\u003C\u002Fstrong>：本文对比的 OpenClaw 为 Novita AI 的 OpenClaw Gateway 版本，Hermes Agent 为 Nous Research 的开源版本（MIT，v0.11.0）。两者均在持续迭代，以各自官方文档为准。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>OpenClaw 和 Hermes Agent 是目前最接近的两个个人 AI Agent 框架——两者都跑在你自己的机器上，都支持 Telegram\u002FDiscord 等 IM 接入，都有持久记忆和定时任务。\u003C\u002Fp>\n\u003Cp>但从更深的设计哲学来看，它们走了截然不同的路。一个是\u003Cstrong>配置驱动的 Gateway 生态\u003C\u002Fstrong>，另一个是\u003Cstrong>自我学习的闭环系统\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"先说清楚-两者都是本地优先\">先说清楚：两者都是本地优先\u003C\u002Fh2>\n\u003Cp>这一点经常被误解。\u003Cstrong>Hermes Agent 不是云服务\u003C\u002Fstrong>，它和 OpenClaw 一样，是一个你部署在自己服务器或本机上的进程。\u003C\u002Fp>\n\u003Cpre>\u003Ccode class=\"language-bash\"># Hermes Agent 安装方式（Linux\u002FmacOS\u002FWSL2）\ncurl -fsSL https:\u002F\u002Fraw.githubusercontent.com\u002FNousResearch\u002Fhermes-agent\u002Fmain\u002Fscripts\u002Finstall.sh | bash\nhermes setup\nhermes gateway start  # 启动消息网关（Telegram\u002FDiscord\u002FSlack...）\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cpre>\u003Ccode class=\"language-bash\"># OpenClaw 安装方式\nnpm install -g openclaw\nopenclaw gateway start\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>两者都是：安装 → 配置 → 跑一个本地 gateway 进程 → 通过 IM 或 CLI 与 Agent 交互。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"背景\">背景\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>OpenClaw\u003C\u002Fstrong>：Novita AI 开发，Node.js 实现，插件\u002FSkills 生态驱动，核心 Gateway 非开源\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Hermes Agent\u003C\u002Fstrong>：Nous Research（知名开源 LLM 研究机构）开发，Python 实现，MIT 全开源，v0.11.0\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>两者都有相当的社区活跃度。Hermes 官方提供了 \u003Ccode>hermes claw migrate\u003C\u002Fcode> 命令，可以从 OpenClaw 迁移，说明两者确实面向同一类用户。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"核心特性对比\">核心特性对比\u003C\u002Fh2>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>维度\u003C\u002Fth>\n\u003Cth>OpenClaw\u003C\u002Fth>\n\u003Cth>Hermes Agent\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>开发语言\u003C\u002Ftd>\n\u003Ctd>Node.js\u003C\u002Ftd>\n\u003Ctd>Python\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>开源协议\u003C\u002Ftd>\n\u003Ctd>部分开源（Gateway 核心闭源）\u003C\u002Ftd>\n\u003Ctd>MIT 全开源\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>IM 渠道\u003C\u002Ftd>\n\u003Ctd>Discord\u002FTelegram\u002FSignal\u002F微信等\u003C\u002Ftd>\n\u003Ctd>Telegram\u002FDiscord\u002FSlack\u002FWhatsApp\u002FSignal\u002FEmail\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>模型支持\u003C\u002Ftd>\n\u003Ctd>Anthropic\u002FOpenAI\u002FGemini + GitHub Copilot\u003C\u002Ftd>\n\u003Ctd>200+ 模型（OpenRouter\u002FNous Portal\u002FNVIDIA NIM\u002FOpenAI 等）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>运行环境\u003C\u002Ftd>\n\u003Ctd>本地进程\u003C\u002Ftd>\n\u003Ctd>6 种终端后端（Local\u002FDocker\u002FSSH\u002FDaytona\u002FSingularity\u002FModal）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>技能系统\u003C\u002Ftd>\n\u003Ctd>\u003Ca href=\"http:\u002F\u002FSKILL.md\">SKILL.md\u003C\u002Fa> 手写，配置驱动\u003C\u002Ftd>\n\u003Ctd>任务完成后\u003Cstrong>自动生成技能\u003C\u002Fstrong>，运行中\u003Cstrong>自我改进\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>记忆系统\u003C\u002Ftd>\n\u003Ctd>本地向量数据库（语义检索）\u003C\u002Ftd>\n\u003Ctd>FTS5 全文检索 + LLM 摘要 + Honcho 用户建模\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>定时任务\u003C\u002Ftd>\n\u003Ctd>内置 Cron 引擎\u003C\u002Ftd>\n\u003Ctd>内置 Cron（自然语言配置）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>子 Agent\u003C\u002Ftd>\n\u003Ctd>\u003Ccode>sessions_spawn\u003C\u002Fcode> 隔离运行\u003C\u002Ftd>\n\u003Ctd>隔离子 Agent + Python RPC 脚本并行\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>研究功能\u003C\u002Ftd>\n\u003Ctd>无\u003C\u002Ftd>\n\u003Ctd>批量轨迹生成、Atropos RL 环境\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>迁移工具\u003C\u002Ftd>\n\u003Ctd>无\u003C\u002Ftd>\n\u003Ctd>\u003Ccode>hermes claw migrate\u003C\u002Fcode>（从 OpenClaw 迁移）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Chr>\n\u003Ch2 id=\"最大的差异-技能是手写的还是自学的\">最大的差异：技能是手写的还是自学的\u003C\u002Fh2>\n\u003Cp>这是两者最根本的设计哲学分歧。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>OpenClaw 的 Skills\u003C\u002Fstrong> 是你手写的 \u003Ca href=\"http:\u002F\u002FSKILL.md\">SKILL.md\u003C\u002Fa> 文件——描述某类任务的执行规范，Agent 根据用户意图选择。这个系统非常灵活，可以精确控制 Agent 的行为，但需要你主动维护。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Hermes Agent 的 Skills\u003C\u002Fstrong> 是 Agent 在完成复杂任务后\u003Cstrong>自动创建\u003C\u002Fstrong>的，并且在后续使用中\u003Cstrong>自我改进\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Cpre>\u003Ccode>典型流程：\n1. 你让 Agent 做了一件复杂的事\n2. 任务完成后，Agent 自动提炼经验 → 生成一个 Skill\n3. 下次遇到类似任务，直接调用这个 Skill（零上下文成本）\n4. 每次调用后，Skill 会根据结果持续优化\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>官方把这称为"\u003Cstrong>闭合学习循环\u003C\u002Fstrong>"（closed learning loop）——Agent 随着使用时间越长，处理同类任务越高效。Hermes 还兼容 \u003Ca href=\"https:\u002F\u002Fagentskills.io\">agentskills.io\u003C\u002Fa> 开放标准，可以导入社区分享的 Skills。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"运行环境-本地进程-vs-六种后端\">运行环境：本地进程 vs 六种后端\u003C\u002Fh2>\n\u003Cp>OpenClaw 的 Agent 直接跑在启动进程的机器上。\u003C\u002Fp>\n\u003Cp>Hermes Agent 支持\u003Cstrong>六种终端后端\u003C\u002Fstrong>：\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>后端\u003C\u002Fth>\n\u003Cth>特点\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>Local\u003C\u002Ftd>\n\u003Ctd>直接在本机运行\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Docker\u003C\u002Ftd>\n\u003Ctd>容器隔离，更安全\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>SSH\u003C\u002Ftd>\n\u003Ctd>在远程服务器上运行\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Daytona\u003C\u002Ftd>\n\u003Ctd>无服务器持久化，空闲时休眠（按需计费）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Singularity\u003C\u002Ftd>\n\u003Ctd>HPC 环境，适合科研集群\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Modal\u003C\u002Ftd>\n\u003Ctd>无服务器，近乎零成本空闲\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>这意味着你可以在笔记本上通过 Telegram 发消息，而 Agent 实际的代码执行发生在云端 VM 上——手机断网不影响任务继续跑。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"记忆系统的实现差异\">记忆系统的实现差异\u003C\u002Fh2>\n\u003Cp>两者都有持久记忆，但实现路径不同。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>OpenClaw\u003C\u002Fstrong>：本地向量数据库，支持语义搜索。\u003Ca href=\"http:\u002F\u002FMEMORY.md\">MEMORY.md\u003C\u002Fa> 作为主记忆文件，每日日志追加写入，可配置自动蒸馏。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Hermes Agent\u003C\u002Fstrong>：三层结构：\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>FTS5 全文检索\u003C\u002Fstrong>：精确关键词搜索历史对话\u003C\u002Fli>\n\u003Cli>\u003Cstrong>LLM 摘要\u003C\u002Fstrong>：跨 Session 的语义召回\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Honcho 用户建模\u003C\u002Fstrong>：通过 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fplastic-labs\u002Fhoncho\">plastic-labs\u002Fhoncho\u003C\u002Fa> 构建用户模型，Agent 对你的了解随时间深化\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Chr>\n\u003Ch2 id=\"模型生态\">模型生态\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>OpenClaw\u003C\u002Fstrong> 通过 provider 插件接入模型，官方支持 Anthropic\u002FOpenAI\u002FGemini，以及 GitHub Copilot 作为代理。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Hermes Agent\u003C\u002Fstrong> 开箱支持 200+ 模型：\u003C\u002Fp>\n\u003Cpre>\u003Ccode class=\"language-bash\">hermes model  # 交互式选择 provider 和模型\n# 支持：Nous Portal \u002F OpenRouter(200+) \u002F NVIDIA NIM(Nemotron)\n#       Xiaomi MiMo \u002F z.ai\u002FGLM \u002F Kimi\u002FMoonshot \u002F MiniMax\n#       HuggingFace \u002F OpenAI \u002F 自定义 OpenAI 兼容端点\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>切换模型不需要改代码：\u003Ccode>hermes model set openrouter:deepseek\u002Fdeepseek-r1\u003C\u002Fcode>。\u003C\u002Fp>\n\u003Chr>\n\u003Ch2 id=\"综合对比雷达图\">综合对比雷达图\u003C\u002Fh2>\n\u003Cblockquote>\n\u003Cp>分数代表各维度的相对侧重（1-5），数据来源于各自官方文档和 GitHub README，主观评分维度已标注。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003CChart client:only=\"vue\" type=\"radar\" data={compareRadarData} options={compareRadarOptions} height={280} \u002F>\n\u003Chr>\n\u003Ch2 id=\"怎么选\">怎么选\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>选 OpenClaw，如果你：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n\u003Cli>在 Node.js 生态更熟悉，或已有 OpenClaw 的使用经验\u003C\u002Fli>\n\u003Cli>需要精确控制 Agent 行为（Skills 手写，可审计）\u003C\u002Fli>\n\u003Cli>使用 Anthropic\u002FOpenAI\u002FGemini 等主流 provider 已经足够\u003C\u002Fli>\n\u003Cli>想要稳定的商业支持（Novita AI 背书）\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>选 Hermes Agent，如果你：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n\u003Cli>希望 Agent \u003Cstrong>自己学习\u003C\u002Fstrong>，减少手动维护 Skills 的成本\u003C\u002Fli>\n\u003Cli>需要在\u003Cstrong>远程服务器\u002F云环境\u003C\u002Fstrong>上运行 Agent 的执行环境\u003C\u002Fli>\n\u003Cli>想要接入更多样的模型（OpenRouter 生态）\u003C\u002Fli>\n\u003Cli>重视完全开源（MIT），可以审计和修改所有代码\u003C\u002Fli>\n\u003Cli>对 NLP 研究感兴趣（Atropos RL 环境、轨迹生成）\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cstrong>如果你现在用 OpenClaw，想试试 Hermes：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cpre>\u003Ccode class=\"language-bash\">hermes claw migrate  # 官方提供的迁移工具\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Chr>\n\u003Ch2 id=\"小结\">小结\u003C\u002Fh2>\n\u003Cp>OpenClaw 和 Hermes Agent 是同一赛道的两个竞争者，不是"本地 Agent vs 云 API"的关系。\u003C\u002Fp>\n\u003Cp>核心差异在于：OpenClaw 是\u003Cstrong>配置驱动\u003C\u002Fstrong>的 Gateway 生态，Skills 由用户定义；Hermes Agent 是\u003Cstrong>学习驱动\u003C\u002Fstrong>的闭环系统，Skills 由 Agent 自己积累。\u003C\u002Fp>\n\u003Cp>前者更可控，后者更自主。哪个更适合你，取决于你希望在 Agent 的成长过程中扮演什么角色。\u003C\u002Fp>\n","2026-05-01",[11,12,13],"ai","agent","llm",false,[16,28,39,51,59,66,73,80,87,94,104,113,123,132,140,148,157,166,175,185,188,198,204,211,217,226,233,240,248,258,267,276,286,296,306,314,324,335,345,354,362,368,376,384,392,400,408,415],{"slug":17,"title":18,"description":19,"pub_date":20,"tags":21,"draft":14,"word_count":27},"ide-skills-guide","Agent Skills 完全指南：21 款第三方 Skill 深度评测与使用心得","全面评测 21 款第三方 Agent Skills，涵盖 Vue 生态、前端设计、构建工具、实用工具四大分类。从安装配置到实际使用场景，带你了解每个 Skill 的功能特点、最佳实践与使用心得。","2026-06-15",[12,22,23,24,25,26],"skills","AI","效率工具","前端","Vue",4169,{"slug":29,"title":30,"description":31,"pub_date":32,"tags":33,"draft":14,"word_count":38},"linux-kernel-skeleton-struct-funcptr-container_of","Linux 内核骨架：struct、函数指针与 container_of","读懂 Linux 内核源码的三件套：巨大的 struct 组合代替继承、函数指针表实现虚派发、container_of 宏从嵌入成员找回完整对象。","2026-05-09",[34,35,36,37],"linux","kernel","C","container_of",1369,{"slug":40,"title":41,"description":42,"pub_date":43,"tags":44,"draft":14,"word_count":50},"astro-complete-guide-2025","Astro 5 深度剖析：Islands 架构原理、构建优化与 Cloudflare Workers 边缘部署","从编译器视角解析 Astro 5 的 Islands 架构实现原理，Content Layer API 的 Vite 插件机制，Server Islands 的流式渲染，以及如何在 Cloudflare Workers + D1 边缘环境下榨干性能。","2026-05-08",[45,46,47,48,49],"astro","frontend","cloudflare","performance","architecture",3663,{"slug":52,"title":53,"description":54,"pub_date":55,"tags":56,"draft":14,"word_count":58},"llm-prompt-engineering","Prompt Engineering 实战：让 LLM 真正听话的技巧","System prompt 怎么写、Few-shot 怎么设计、Chain-of-Thought 原理，以及常见失败模式和调试方法。","2026-05-03",[11,13,57],"工程实践",1723,{"slug":60,"title":61,"description":62,"pub_date":55,"tags":63,"draft":14,"word_count":65},"rag-system-design","RAG 系统设计：从 naive 到 production-ready","Retrieval-Augmented Generation 不只是「向量数据库 + LLM」，分块策略、召回质量、重排序、缓存才是工程核心。",[11,64,13,57],"rag",1613,{"slug":67,"title":68,"description":69,"pub_date":55,"tags":70,"draft":14,"word_count":72},"git-advanced-workflow","Git 进阶工作流：rebase、cherry-pick、bisect 的正确使用","merge 会了，但 rebase 总搞错？bisect 找 bug 提交？interactive rebase 整理历史？这篇一次说清楚。",[71,57],"git",1396,{"slug":74,"title":75,"description":76,"pub_date":55,"tags":77,"draft":14,"word_count":79},"docker-practical-guide","Docker 实战：从会用到用好","会 docker run 不够，Dockerfile 最佳实践、多阶段构建、Compose 编排、镜像瘦身才是日常真正需要的。",[78,34,57],"docker",1268,{"slug":81,"title":82,"description":83,"pub_date":55,"tags":84,"draft":14,"word_count":86},"anthropics-skills-guide","anthropics\u002Fskills：Anthropic 官方 Agent Skills 仓库解析","Anthropic 官方开源的 Agent Skills 标准仓库，127k stars，解析 SKILL.md 规范、17 个示例 skill 的设计模式，以及如何在 Claude Code \u002F Claude.ai \u002F API 中使用",[11,85,12,22],"Claude",2090,{"slug":88,"title":89,"description":90,"pub_date":55,"tags":91,"draft":14,"word_count":93},"karpathy-claude-code-guidelines","Karpathy 的 LLM 编码批评与 CLAUDE.md 最佳实践","基于 Andrej Karpathy 对 LLM 编程助手的观察，forrestchang 提炼出一个 CLAUDE.md 文件，4 条原则解决 AI 编码的典型失控问题：乱猜假设、过度设计、乱改代码、目标不清",[11,85,92,57],"Claude Code",2699,{"slug":95,"title":96,"description":97,"pub_date":55,"tags":98,"draft":14,"word_count":103},"typescript-advanced-patterns","TypeScript 高级模式：让类型系统为你工作","基础 TS 会了但类型总是 any？条件类型、映射类型、模板字面量类型、infer 关键字才是 TS 的真正威力。",[99,100,101,102],"typescript","类型系统","前端工程","高级模式",1419,{"slug":105,"title":106,"description":107,"pub_date":55,"tags":108,"draft":14,"word_count":112},"linux-performance-tuning","Linux 性能调优实战：从 top 到 perf 的完整工具链","遇到性能问题不知道从哪下手？这篇建立系统化的排查思路，从 CPU\u002F内存\u002FIO\u002F网络逐层分析。",[34,109,110,111],"性能","运维","系统编程",1524,{"slug":114,"title":115,"description":116,"pub_date":55,"tags":117,"draft":14,"word_count":122},"python-functional-programming","Python 函数式编程：map\u002Ffilter\u002Freduce 之外","Python 不是纯函数式语言，但 functools、itertools、偏函数、闭包这些工具用好了能让代码简洁一个量级。",[118,119,120,121],"python","函数式","闭包","装饰器",1867,{"slug":124,"title":125,"description":126,"pub_date":55,"tags":127,"draft":14,"word_count":131},"python-oop-guide","Python 面向对象：__init__ 之外你需要知道的","Python OOP 不只是 class + __init__，魔术方法、描述符、元类才是真正的武器。",[118,128,129,130],"OOP","面向对象","魔术方法",1792,{"slug":133,"title":134,"description":135,"pub_date":55,"tags":136,"draft":14,"word_count":139},"python-data-structures","Python 内置数据结构深度解析","list、dict、set、tuple 不只是数据容器，搞懂它们的底层实现和时间复杂度，才能写出高性能 Python。",[118,137,109,138],"数据结构","算法",1517,{"slug":141,"title":142,"description":143,"pub_date":55,"tags":144,"draft":14,"word_count":147},"python-basics-quick-start","Python 快速上手：写给有编程基础的人","已经会其他语言，想快速掌握 Python 的语法特性和思维方式，这篇是捷径。",[118,145,146],"入门","基础",1607,{"slug":149,"title":150,"description":151,"pub_date":55,"tags":152,"draft":14,"word_count":156},"python-dataclass-pydantic","Python dataclass vs Pydantic：数据类选型指南","dataclass 是标准库的轻量选择，Pydantic v2 是带验证的重武器，什么时候用哪个，这篇说清楚。",[118,153,154,155],"dataclass","pydantic","数据验证",1323,{"slug":158,"title":159,"description":160,"pub_date":55,"tags":161,"draft":14,"word_count":165},"python-asyncio-practical","Python asyncio 实战：从回调地狱到协程优雅","asyncio 是 Python 异步编程的核心，搞懂 event loop、Task、gather 这些概念才能写出真正高效的异步代码。",[118,162,163,164],"asyncio","并发","网络编程",1258,{"slug":167,"title":168,"description":169,"pub_date":55,"tags":170,"draft":14,"word_count":174},"python-type-hints-guide","Python 类型注解完全指南：从入门到实践","Python 3.5+ 引入类型注解，配合 mypy\u002Fpyright 让 Python 也能享受静态类型检查的好处。",[118,171,172,173],"typescript-style","type-hints","工具链",1102,{"slug":176,"title":177,"description":178,"pub_date":179,"tags":180,"draft":14,"word_count":184},"pwa-install-update-button","PWA 踩坑：为什么安装按钮从来不出现","从 beforeinstallprompt 到 Service Worker waiting，把 PWA 的安装与更新提示真正做对","2026-05-02",[181,182,183],"pwa","javascript","web",1683,{"slug":4,"title":5,"description":6,"pub_date":9,"tags":186,"draft":14,"word_count":187},[11,12,13],1679,{"slug":189,"title":190,"description":191,"pub_date":9,"tags":192,"draft":14,"word_count":197},"cpp-random-design-patterns","C++ 设计模式实战：RAII、观察者、工厂","用现代 C++（C++17\u002F20）实现三种高频设计模式：RAII 资源管理、观察者模式事件系统、工厂模式插件架构。每种模式给出问题场景、实现代码和真实工程案例。",[193,194,195,196],"cpp","设计模式","c++17","工程",2613,{"slug":199,"title":200,"description":201,"pub_date":9,"tags":202,"draft":14,"word_count":203},"data-structures-fundamentals","数据结构基础：从数组到红黑树","系统梳理常用数据结构的核心原理、时间复杂度和适用场景。数组、链表、栈、队列、哈希表、二叉树、堆、图，每种结构附实现要点和 C++ 代码片段。",[137,138,193,146],3004,{"slug":205,"title":206,"description":207,"pub_date":208,"tags":209,"draft":14,"word_count":210},"ai-agent-what-is","什么是 AI Agent？从 LLM 到自主执行","LLM 本身是无状态问答机，Agent 是什么让它’动’起来的？本文深入解析 Agent 的四个核心能力、ReAct 框架、工具调用原理，以及主流框架横向对比。","2026-04-30",[11,12,13],2116,{"slug":212,"title":213,"description":214,"pub_date":208,"tags":215,"draft":14,"word_count":216},"ai-agent-memory","AI Agent 的记忆系统：从上下文窗口到长期记忆","深入拆解 AI Agent 的四种记忆类型、上下文窗口压缩策略、RAG 向量检索原理，以及三种典型失败模式和工程选型建议。",[11,12,64],2052,{"slug":218,"title":219,"description":220,"pub_date":208,"tags":221,"draft":14,"word_count":225},"network-proxy-vpn-guide","代理与翻墙技术原理：从 HTTP 代理到现代协议","深入解析代理与 VPN 的本质区别，梳理从 SOCKS5 到 Shadowsocks、V2Ray\u002FXray、Hysteria2 的协议演进，以及机场订阅的技术本质。",[222,223,224],"网络","代理","协议",2148,{"slug":227,"title":228,"description":229,"pub_date":208,"tags":230,"draft":14,"word_count":147},"algorithm-binary-search","二分查找：永远写不对？记住这个模板","彻底搞清楚二分查找的边界问题：闭区间和左闭右开两套模板、三道经典 LeetCode 题目完整 C++ 实现，以及二分答案的进阶思路。",[138,231,232,193],"二分查找","leetcode",{"slug":234,"title":235,"description":236,"pub_date":208,"tags":237,"draft":14,"word_count":239},"algorithm-sliding-window","滑动窗口算法：从暴力到 O(n) 的思维跃迁","系统讲解滑动窗口算法的核心模板、适用题型，配合三道经典 LeetCode 题目的完整 C++ 实现，彻底理解双指针收缩思路。",[138,238,232,193],"滑动窗口",1943,{"slug":241,"title":242,"description":243,"pub_date":208,"tags":244,"draft":14,"word_count":247},"network-clash-config","Clash \u002F Mihomo 配置详解：规则、策略组与分流","深入解析 Clash\u002FMihomo 的核心配置结构，包括代理节点、策略组类型、规则优先级、DNS fake-ip 模式，以及一份实用的完整配置模板。",[222,245,223,246],"clash","配置",1292,{"slug":249,"title":250,"description":251,"pub_date":252,"tags":253,"draft":14,"word_count":257},"hid-hotplug","HID 设备热插拔检测：从 udev 到 node-hid","在 Linux 上用 node-hid + usb 库实现可靠的 USB HID 设备热插拔检测，踩坑记录","2026-04-28",[193,254,34,255,256],"hid","nodejs","electron",2039,{"slug":259,"title":260,"description":261,"pub_date":262,"tags":263,"draft":14,"word_count":266},"electron-ipc-types","Electron IPC 类型安全：从 any 到完全类型化","用 TypeScript 泛型封装 Electron IPC，彻底消灭 any，preload 契约集中管理","2026-04-25",[256,99,264,265],"ipc","vue",1446,{"slug":268,"title":269,"description":270,"pub_date":271,"tags":272,"draft":14,"word_count":275},"element-plus-popover-hide","手动关闭多个 el-popover（不用 v-model:visible）","通过 ref + Reflect.get 调用 hide() 方法手动关闭 Element Plus Popover，解释 Vue3 Proxy 导致无法直接调用实例方法的原因。","2024-10-25",[265,273,274],"element-plus","vue3",1321,{"slug":277,"title":278,"description":279,"pub_date":280,"tags":281,"draft":14,"word_count":285},"vite-vue3-ts-elementplus-pinia","用 Vite+（vp）从零搭建 Vue3 + TypeScript + Element Plus + Pinia + Vue Router","使用 Vite+ 统一工具链（vp）一条命令搭建 Vue3 全家桶，涵盖按需导入、Pinia store、路由配置，以及常见坑的解决方案。","2024-08-27",[265,282,99,273,283,284],"vite","pinia","vite-plus",1960,{"slug":287,"title":288,"description":289,"pub_date":290,"tags":291,"draft":14,"word_count":295},"cef-lnk2038-iterator-debug-level","CEF LNK2038：解决 _ITERATOR_DEBUG_LEVEL 不匹配错误","分析 CEF（Chromium Embedded Framework）集成时出现的 LNK2038 _ITERATOR_DEBUG_LEVEL 链接错误，从根本原因到解决方案的完整指南。","2024-05-07",[193,292,293,294],"CEF","Visual Studio","链接错误",1509,{"slug":297,"title":298,"description":299,"pub_date":300,"tags":301,"draft":14,"word_count":305},"npm-electron-install-fix","彻底解决 npm 安装 Electron 失败的问题","分析 npm install electron 失败的根本原因（下载二进制超时\u002F被墙），通过国内镜像（npmmirror）彻底解决，并介绍多种备选方案和常见错误排查。","2024-03-01",[256,302,303,304],"npm","前端工具链","国内镜像",1494,{"slug":307,"title":308,"description":309,"pub_date":310,"tags":311,"draft":14,"word_count":313},"git-out-of-memory","解决 git 报错：Fatal: Out of memory, malloc failed","分析 git 大仓库操作时出现 Out of memory malloc failed 的根本原因，通过调整 pack.windowMemory、http.postBuffer 和 git repack 彻底解决。","2024-01-31",[71,34,312],"工具",2244,{"slug":315,"title":316,"description":317,"pub_date":318,"tags":319,"draft":14,"word_count":323},"vmware-tools-install","在 VMware 虚拟机中安装 open-vm-tools 完整指南","详解 VMware Tools 的作用、open-vm-tools 与官方 VMware Tools 的区别，以及在 Ubuntu 虚拟机中安装并生效的完整步骤和常见问题排查。","2023-11-21",[320,34,321,322],"VMware","Ubuntu","虚拟机",2523,{"slug":325,"title":326,"description":327,"pub_date":328,"tags":329,"draft":14,"word_count":334},"load-balancing-algorithms","负载均衡算法完全指南：从轮询到一致性哈希","系统梳理静态与动态负载均衡算法，涵盖轮询、随机、权重、IP Hash、一致性 Hash、最少连接、最快响应等，并对比 Nginx、Dubbo、Spring Cloud LoadBalancer 的实现差异。","2023-11-15",[330,331,332,333],"分布式","负载均衡","Nginx","微服务",1764,{"slug":336,"title":337,"description":338,"pub_date":339,"tags":340,"draft":14,"word_count":344},"win-cw2a-ca2w","ATL 字符串转换：CW2A 与 CA2W 完全指南","详解 ATL 宏 CW2A\u002FCA2W 在 Unicode 与 ANSI 之间的字符串转换用法、头文件依赖、USES_CONVERSION 宏的作用与常见陷阱。","2023-06-09",[193,341,342,343],"windows","ATL","字符串",1665,{"slug":346,"title":347,"description":348,"pub_date":339,"tags":349,"draft":14,"word_count":353},"csharp-sendmessage-cpp","C# 通过 SendMessage 向 C++ 窗口发送消息与字符串","使用 P\u002FInvoke 调用 user32.dll 的 SendMessage，从 C# 发送自定义 WM_USER 消息及字符串指针给 C++ 原生窗口，并在 C++ 侧正确接收和转换。",[350,193,341,351,352],"C#","互操作","PInvoke",1554,{"slug":355,"title":356,"description":357,"pub_date":358,"tags":359,"draft":14,"word_count":361},"win-postmessage-vector","Windows PostMessage 跨线程传递 std::vector 指针","通过 PostMessage 在 Windows 消息队列中传递 std::vector 指针，使用 reinterpret_cast 将指针装入 LPARAM，并在接收方正确释放内存。","2023-05-26",[193,341,360],"WinAPI",1823,{"slug":363,"title":364,"description":365,"pub_date":358,"tags":366,"draft":14,"word_count":367},"exe-dll-single-package","将 EXE 和 DLL 打包成单一可执行文件","介绍两种将 exe 和依赖 dll 打包成单文件的方案：Enigma Virtual Box 和 WinRAR 自解压，适合发布 Windows 桌面程序时简化分发流程。",[341,193,312],1619,{"slug":369,"title":370,"description":371,"pub_date":358,"tags":372,"draft":14,"word_count":375},"cpp-random-mt19937","C++ 现代随机数生成：用 mt19937 彻底告别 rand()","深入讲解为什么 rand() 不够用，以及如何用 C++11 的 \u003Crandom> 库正确生成高质量随机数，涵盖 mt19937、各种分布和线程安全。",[193,373,374],"c++11","random",1549,{"slug":377,"title":378,"description":379,"pub_date":380,"tags":381,"draft":14,"word_count":383},"win-startup-registry","C++ 实现程序开机自启动：注册表方式详解","通过操作 Windows 注册表 Run 键实现程序开机自启动，包括 HKCU 与 HKLM 区别、完整封装代码、工作目录问题和 UAC 权限处理。","2022-12-26",[341,193,382],"registry",1201,{"slug":385,"title":386,"description":387,"pub_date":388,"tags":389,"draft":14,"word_count":391},"mfc-cstring-wparam","MFC 中 CString 与 WPARAM 之间的转换","详解 MFC 消息传递中 CString 无法直接强转为 WPARAM 的原因，以及两种正确的转换方案，并介绍结构体指针传递的正确姿势。","2022-11-25",[390,193,341],"mfc",1546,{"slug":393,"title":394,"description":395,"pub_date":396,"tags":397,"draft":14,"word_count":399},"duilib-static-build","正确编译 Duilib 静态库：避免 ATL 依赖和链接错误","详解如何用 DuiLib_Static.vcxproj 编译 Duilib 静态库，解决 VARIANT 未定义、Unicode 配置不匹配和 ATL 依赖等常见问题。","2022-08-24",[193,398,341,390],"duilib",2639,{"slug":401,"title":402,"description":403,"pub_date":404,"tags":405,"draft":14,"word_count":407},"mfc-dpi-adaptive","MFC 界面自适应不同分辨率","MFC 对话框程序实现控件和字体随分辨率自动缩放的完整方案，附 DPI Awareness 配置说明","2022-08-17",[390,193,341,406],"dpi",1414,{"slug":409,"title":410,"description":411,"pub_date":412,"tags":413,"draft":14,"word_count":414},"mfc-drag-window","MFC 无标题栏窗口客户区拖动：三种方法对比","MFC 对话框去掉标题栏后如何实现拖动移动窗口，三种方案完整实现与适用场景分析","2022-08-16",[390,193,341],1633,{"slug":416,"title":417,"description":418,"pub_date":419,"tags":420,"draft":14,"word_count":422},"algorithm-number-complement","整数的补数：位运算掩码解法","LeetCode 476 题，用掩码 XOR 实现整数补数，附 C++\u002FPython\u002FJava 三种实现及补数与补码的区别","2021-03-08",[138,421,232],"位运算",1374,[]]