跳转至

Hermes Agent 记忆系统 vs OpenClaw 记忆观

📊 Level ⭐⭐⭐ | 11.6KB

本页原内容在 2026-09-07 质量闭环中判定为 dup-0.8，已按导航页（MOC）重建； 原文备份见 _archive/hub-rewrite-2026-09-07/hermes-agent-memory-system.md，一手来源仍见下方 sources。

机制与论文

工程实践

深度分析

记忆的"成本账"视角：不是更强，而是分层更细

这篇文章最有价值的重构，是把"Hermes 记忆系统好"翻译成一句可操作的工程判断：Hermes 没有做"更强大的记忆"，而是把记忆的成本账算得更细——不同类型的信息进入成本和用途完全不同的机制，避免所有东西混进一个越来越大的 memory 口袋。四层体系（热记忆 MEMORY.md/USER.md、会话检索 session_search、程序性记忆 Skills、可选的 Honcho 深层用户建模）本质上是按"每轮都要知道 / 偶尔要找回 / 下次要会做 / 长周期画像"四种访问模式切分的存储策略。这与 Agent 记忆系统的主矛盾 所刻画的"历史增长 vs 临场上下文调度"是同一问题的两种表述：分层的目的就是让临场上下文只装高密度信息。值得注意的细节是热记忆用字符限制（2,200 + 1,375 字符）而非 token 限制——不依赖任何模型的 tokenizer，朴素但稳定、可预测、少耦合。

Prompt cache 是贯穿所有设计的隐形约束

把六个设计原则放在一起看，会发现一个贯穿性的隐形约束：保护 system prompt 前缀的稳定性，就是保护 prompt cache 命中率。MEMORY.md/USER.md 以 frozen snapshot 形式注入系统提示词，会话中途写入新内容立刻落盘但不改当前会话的 prompt——牺牲即时性换缓存命中。Honcho 的处理更精巧：第一轮预取织入系统提示词，后续轮次改为附加在用户消息附近动态提供，深层用户建模因此不破坏稳定前缀。压缩流程同样围绕缓存设计——压缩前 memory flush 保存稳定事实，压缩旧历史后重建 prompt cache，新热记忆进入新的稳定快照。文章的点睛判断是"记忆压缩不能只理解成把历史变短，而是把任务状态迁移到更稳定的位置"：压缩是状态迁移（transcript → durable memory），不是简单截断。对照 OpenClaw 三维度设计哲学 可以看出，OpenClaw 把重心放在 gateway/workspace 控制面，而 Hermes 的 cache-aware 执行型 runtime 选择了另一条路线——两者不是优劣关系，而是治理型 vs 执行型的定位差异。

Memory 即提示词供应链：写入面必须当输入校验做

文章把安全视角拉进了记忆设计：记忆是提示词供应链的一部分。普通日志混进恶意文本影响有限；长期记忆混进"忽略之前所有指令"，会在后续很多会话里反复污染系统状态。对应的工程动作是 memory 工具的三点设计：只有 add/replace/remove 三个动作、没有复杂的"读"（当前记忆会话开始时已注入，不需要再读一遍）、replace/remove 用子字符串匹配（模型不需要记住内部 ID）；写入前检查提示词注入、凭证泄露、SSH 后门暗示、不可见 Unicode 字符。这个"写入面 = 输入校验面"的观点与 MemOS Hermes 记忆插件 的智能去重+混合检索形成互补：前者防记忆被污染，后者管记忆的质量与检索。对于把 MEMORY.md 塞进 system prompt 的所有 Agent 框架，这个供应链检查是通用必修课，不限于 Hermes。

记忆分类学与 Skills 作为可审查的运行时资产

原文给出了一套干净的记忆分类学，可与 三级 memory 详解 对照阅读：事实记忆回答"环境是什么、用户偏好是什么"，会话检索回答"以前发生过什么"，Skills（程序性记忆）回答"下次遇到类似任务怎么做"。关键洞察有二：其一，session_search 是档案室不是随身备忘录——FTS5 搜索 → 按 session 聚合 → 解析 parent_session_id → 局部截断 → 便宜辅助模型做 focused summary，一整套流程只为"用户说上次那个问题时能找回来"，档案室很重要，但没人会把档案室背在身上。其二，Skills 的价值不在"越来越有灵性"，而在把已验证的做事方法变成可检索、可更新、可审查的运行时资产（注入紧凑 index，需要时再加载完整 skill）——这与 Skill 互优化闭环 的演化视角相接：先有可审查的资产，才谈得上自动演化。文章同样点破了反面：错误经验沉淀成 skill 会在未来反复误导 Agent，记忆"更多"本身不等于"更好"。

实践启示

  1. 先给记忆分层定"准入标准"，再谈容量。 用户偏好、环境事实、稳定约定才配进热记忆；任务进度、完成日志、一次性 TODO 留在别的层。判断标准是"每一轮都需要知道吗"，而不是"现在不存怕丢"。
  2. 把 system prompt 当 frozen snapshot 对待。 高频变动的内容不要进系统提示词；会话中途产生的记忆先落盘，下个会话再生效——用一点即时性换 prompt cache 稳定命中，长会话场景这笔账几乎总是划算的。
  3. 长会话压缩前必须做一轮 durable state extraction。 给模型专门指令（只开放 memory 工具），把用户偏好、修正、重复模式迁入持久记忆，不要保存一次性任务细节；别等历史被摘要磨薄了才发现关键事实没留下来。
  4. 历史会话要有独立的档案层，且与热记忆边界清晰。 完整保存消息 + 关键词搜索 + 按 session 聚合 + 局部截断摘要召回；"上次那个问题"类问题走检索，不占热记忆配额。Claude Code 与 OpenClaw 记忆对比 可作为参考实现。
  5. 记忆写入按提示词供应链做安全扫描。 任何进入长期记忆的文本都可能在后续 N 个会话里反复注入系统，写入前的注入检测/凭证检测/不可见字符检查应视为默认配置而非可选项。
  6. Skills 是 SOP 不是魔法。 团队已验证的做事方法应显式沉淀为 skill 文件（可检索、可更新、可审查），而不是指望模型从 transcript 里"悟"出来；同时警惕错误经验固化——skill 需要定期审查，这正对应 工作集视角 中把状态分门别类的原则。

延伸导航