侧边栏壁纸
博主头像
极简笔记

  • 累计撰写 15 篇文章
  • 累计创建 4 个标签
  • 累计收到 0 条评论

目 录CONTENT

文章目录
大模型

AI Agent 的记忆战争：OpenClaw vs Hermes vs QwenPaw vs HiClaw，谁真正"记得住"？

温馨提示：
部分素材来自网络，若不小心影响到您的利益，请联系我们删除。

在理解了记忆机制的通用原理之后，最关键的问题来了：当前主流的开源 Agent，到底是怎么实现记忆的？它们之间有什么本质差异？

本文将四大主流 Agent——OpenClaw、QwenPaw、Hermes Agent、HiClaw——的记忆系统逐层拆解，从存储架构、检索策略、写入机制到核心设计哲学，做一次彻底的横向对比。

ChatGPT Image 2026年5月13日 11_16_52-xwzh.png

一、四大 Agent 一句话定位

Agent 定位 记忆核心关键词
OpenClaw 插件化记忆后端，让任何 LLM 都能"记住" SQLite + Markdown + 混合检索 + memory-host-sdk
Hermes Agent 与你共同成长的自进化个人智能体 四层记忆栈 + Agent 策展 + KEPA 反向传播 + Honcho 建模
QwenPaw 本地优先的个人助理型"Agent 操作系统" 每 Agent 独立记忆 + Multi-Agent 协作共享 + 本地模型
HiClaw 多 Agent 协作系统，Manager-Workers 架构 专属 Manager Claw 统筹 + Matrix 实时通信 + 记忆隔离

二、记忆架构逐层对比

🧠 2.1 存储架构对比

维度 OpenClaw Hermes Agent QwenPaw HiClaw
核心存储介质 SQLite + Markdown 文件 SQLite WAL + FTS5 + MEMORY.md / USER.md 本地文件系统 + SQLite（AgentScope Runtime） 每个 Claw 独立存储
长期记忆文件 MEMORY.md（工作区根目录） MEMORY.md（2200字符）+ USER.md（1375字符） 每个 Agent 独立的 memory 目录 各 Claw 独立记忆
短期/会话记忆 memory/YYYY-MM-DD.md 每日日志 SQLite 原始对话记录（Session Memory） Agent 内部 memory（对话历史 + 执行记录） Worker Claw 会话记忆
是否向量化 ✅ LanceDB（可选扩展） ❌ 无向量数据库（FTS5 + LLM 摘要） ✅ 支持（通过 AgentScope Runtime） ❌ 偏关键词检索
字符硬限制 ❌ 无显式限制 ✅ MEMORY.md ≤2200 chars，USER.md ≤1375 chars ❌ 无 ❌ 无

🔑 核心差异：OpenClaw 和 QwenPaw 走"向量化"路线，Hermes 故意不用向量库，用 FTS5 + LLM 摘要实现"轻量级语义检索"——这是 Hermes 最独特的设计选择。

🔍 2.2 检索策略对比

策略 OpenClaw Hermes Agent QwenPaw HiClaw
关键词检索 ✅ FTS5 / BM25 ✅ FTS5（SQLite 全文索引） ✅ 支持 ✅ 支持
向量语义检索 ✅ LanceDB（混合检索，默认 7:3 权重） ❌ 不使用 ✅ AgentScope Runtime 内置 ❌
LLM 摘要检索 ✅ 检索后 LLM 提炼摘要再注入 ✅ 核心策略：检索→LLM 摘要→注入 ✅ Planner 驱动按需检索 ⚠️ Manager 统筹
混合检索权重 70% 向量 + 30% 关键词 无（纯 FTS5 + LLM） 动态（Runtime 调度） N/A
去重策略 ✅ MMR（最大边际相关性） ✅ Jaccard 相似度去重 ✅ Runtime 内置 ⚠️ 依赖 Manager
时间衰减 ✅ 指数衰减（半衰期 30 天），常青记忆不衰减 ✅ 定时提醒 + 字符限制自然控制 ⚠️ 无显式衰减 ⚠️ 无

| 检索效果对比 | OpenClaw | Hermes Agent | QwenPaw |
|-------------|----------|--------------|
| 语义理解深度 | ⭐⭐⭐⭐⭐（向量检索） | ⭐⭐⭐（FTS5 + LLM 摘要） | ⭐⭐⭐⭐（向量 + LLM） |
| 精确匹配能力 | ⭐⭐⭐⭐（BM25 保留） | ⭐⭐⭐⭐⭐（FTS5 关键词强） | ⭐⭐⭐⭐ |
| 部署复杂度 | ⭐⭐⭐（需 LanceDB） | ⭐⭐⭐⭐⭐（零额外依赖） | ⭐⭐⭐ |
| 检索成本 | 中（Embedding 计费） | 低（纯 SQLite） | 中 |

✏️ 2.3 记忆写入机制对比

机制 OpenClaw Hermes Agent QwenPaw HiClaw
写入触发 Agent 主动调用 memory_search / 压缩前自动刷新 定时提醒（每 120 秒）+ Agent 主动 memory 工具 Agent Loop 中每轮 read→write Manager 统筹 + Worker 自主
写入方式 LLM 提炼 → 写入 Markdown → SQLite 索引增量更新 字符截断 → 写入 MEMORY.md / USER.md → SQLite 写入 Agent 独立 memory 目录 各 Claw 独立写入
总结/压缩 ✅ Memory Flush：压缩前触发记忆刷新，LLM 主动提炼持久事实 ✅ ContextCompressor：五阶段压缩（工具输出裁剪→头部保护→尾部预算→LLM 摘要→flush） ✅ Runtime 内置压缩 ⚠️ 依赖 Manager
Agent 策展 ❌ 无（全量记录） ✅ 核心特色：Agent 自主决定保存什么，不是自动录制一切 ⚠️ 部分（Skill 驱动） ⚠️ Manager 统筹
元记忆/反思 ❌ 无显式元记忆 ✅ KEPA 反向传播：失败信号 → 更新提示模板和技能定义 ⚠️ Planner 隐式反思 ❌
双状态管理 ✅ 快照注入 + 实时落盘 ✅ MemoryStore 双状态：系统提示快照（冻结）+ 实时状态（工具修改） ✅ Profile 冻结 + Memory 动态 ⚠️ Claw 隔离

🔄 2.4 记忆生命周期对比

┌─────────────────────────────────────────────────────────────────┐
│                    OpenClaw 记忆生命周期                         │
│                                                                   │
│  会话开始 → 加载 MEMORY.md + 最近2天 daily.md → 注入 System     │
│     │                                                             │
│     ▼                                                             │
│  每轮对话 → messages 追加 → 上下文累积                            │
│     │                                                             │
│     ▼                                                             │
│  上下文压缩 → Memory Flush → LLM 提炼 → 写入 MEMORY.md          │
│     │                                                             │
│     ▼                                                             │
│  会话结束 → session 快照写入 memory/YYYY-MM-DD.md → 索引增量更新   │
│     │                                                             │
│     ▼                                                             │
│  跨会话 → memory_search() 语义/关键词检索 → 注入上下文             │
└─────────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────────┐
│                    Hermes Agent 记忆生命周期                       │
│                                                                   │
│  会话开始 → 加载 MEMORY.md + USER.md → 拼接为 System 前缀         │
│     │                                                             │
│     ▼                                                             │
│  每轮对话 → MemoryStore 双状态：快照不动 + 实时状态落盘             │
│     │                                                             │
│     ▼                                                             │
│  每 120 秒 → Memory Nudge 提醒 → Agent 判断是否保存               │
│     │                                                             │
│     ▼                                                             │
│  上下文压缩 → ContextCompressor 五阶段 → flush_memories()        │
│     │                                                             │
│     ▼                                                             │
│  失败/纠错 → KEPA 反向传播 → 更新技能定义 + 提示模板               │
│     │                                                             │
│     ▼                                                             │
│  跨会话 → session_search (FTS5) → LLM 摘要 → 注入上下文           │
└─────────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────────┐
│                    QwenPaw 记忆生命周期                            │
│                                                                   │
│  Agent 初始化 → load_agents() → 每个 Agent 加载独立 memory        │
│     │                                                             │
│     ▼                                                             │
│  Agent Loop → read memory → Planner 决策 → executor 执行          │
│     │                    │                                         │
│     │                    ▼                                         │
│     │              write back memory                               │
│     │                                                             │
│     ▼                                                             │
│  Multi-Agent → 消息通信 → 记忆共享（通过消息传递上下文）             │
│     │                                                             │
│     ▼                                                             │
│  Mission Mode → 任务拆解 → 子 Agent 执行 → 结果整合 → 记忆沉淀     │
└─────────────────────────────────────────────────────────────────┘

三、核心设计哲学对比（最关键的差异）

维度 OpenClaw Hermes Agent QwenPaw HiClaw
设计哲学 "记忆是可插拔的后端" "记忆是 Agent 的核心能力" "记忆服务于多 Agent 协作" "记忆由 Manager 统筹"
记忆是谁的？ LLM 的外部插件 Agent 自主策展 每个 Agent 独立 每个 Claw 独立
谁决定存什么？ LLM（通过记忆工具） Agent 自主决定（策展式） Planner + Skill Manager Claw
谁决定怎么存？ 统一后端（SQLite + LanceDB） 四层栈 + 字符硬限制 Runtime 统一管理 各 Claw 自管
记忆能进化吗？ ⚠️ 被动积累 ✅ KEPA 反向传播 + Honcho 建模 ✅ Skill 沉淀 ⚠️ 有限
可扩展性 ⭐⭐⭐⭐⭐ memory-host-sdk ⭐⭐⭐⭐ MemoryProvider 插件 ⭐⭐⭐⭐ Skill 插件系统 ⭐⭐⭐ Claw 定制
数据主权 本地（SQLite） 完全自托管 完全本地，支持本地模型 自托管
最大优势 生态最开放，任何 LLM 都能用 越用越懂你，真正的"自进化" 多 Agent 协作 + 本地优先 分布式协作 + 企业级
最大局限 Agent 不主动策展，噪声多 无向量检索，语义召回弱 单 Agent 记忆深度有限 架构复杂，上手门槛高

四、记忆能力详细对比表

能力 OpenClaw Hermes Agent QwenPaw HiClaw
跨会话记忆 ✅ MEMORY.md ✅ MEMORY.md + USER.md ✅ 独立 memory ✅ 各 Claw 独立
语义检索 ✅✅ LanceDB ⚠️ FTS5 + LLM 摘要 ✅ 向量检索 ❌
精确检索 ✅✅ BM25 ✅✅ FTS5 ✅ ✅
主动总结 ✅ Memory Flush ✅ 定时提醒 + KEPA ✅ Runtime 压缩 ⚠️
Agent 策展 ❌ ✅✅ 核心特色 ⚠️ ⚠️
失败学习 ❌ ✅✅ KEPA 反向传播 ⚠️ ❌
用户建模 ❌ ✅✅ Honcho 辩证建模 ⚠️ Profile ⚠️
技能沉淀 ❌ ✅✅ Skill Memory ✅ Skill 系统 ⚠️
多 Agent 记忆共享 ❌ ❌（单 Agent） ✅✅ 核心能力 ✅✅ Manager 统筹
外部程序读写记忆 ✅ memory-host-sdk ✅ MemoryProvider 插件 ⚠️ API ❌
本地模型支持 ✅ ✅ 200+ 模型 ✅✅ Ollama/llama.cpp ⚠️
字符限制防膨胀 ❌ ✅✅ 硬限制 3575 chars ❌ ❌
缓存友好 ⚠️ ✅✅ 快照冻结不破坏 system_and_3 ⚠️ ⚠️

五、记忆写入流程深度对比

OpenClaw 的写入

Agent 调用 memory 工具
    │
    ▼
LLM 提炼关键信息
    │
    ▼
写入 MEMORY.md（长期）或 memory/YYYY-MM-DD.md（短期）
    │
    ▼
SQLite 索引增量更新：
  ├── 文件 hash 对比 → 没变就跳过（省钱）
  ├── chunk 重建 → tokens*4 字符分块
  ├── embedding 缓存复用 → 避免重复计费
  └── id = sha256(source:path:line:chunk.hash:provider.model)
       → ON CONFLICT DO UPDATE

Hermes 的写入

每 120 秒 Memory Nudge 触发
    │
    ▼
Agent 判断：是否有值得保存的内容？
    │
    ├── 是 → 调用 memory 工具 → 字符截断 → 写入 MEMORY.md / USER.md
    │         └── 截断规则：MEMORY.md ≤2200 chars，USER.md ≤1375 chars
    │
    └── 否 → 跳过（只有"忘记保存"的 Agent 才会被提醒）
    │
    ▼
ContextCompressor 触发（上下文达阈值）：
  Phase 1: 工具输出裁剪
  Phase 2: 头部保护（保留关键指令）
  Phase 3: 尾部 token 预算
  Phase 4: LLM 摘要
  Phase 5: flush_memories() → 用户角色消息注入
    │
    ▼
KEPA 反向传播（仅失败/纠错时）：
  失败点定位 → 生成替代提示 → 更新技能定义 → 写入长期记忆

QwenPaw 的写入

Agent Loop 每轮：
  ┌──────────────────────────────┐
  │  read memory → think → act   │
  │       ↑              │       │
  │       └── write back ┘       │
  └──────────────────────────────┘
    │
    ▼
Mission Mode（自动任务）：
  目标 → 任务拆解 → 子 Agent 执行 → 结果整合 → 记忆沉淀
    │
    ▼
Multi-Agent 协作：
  Agent A 完成 → 消息 → Agent B 接收（上下文即记忆传递）

六、检索注入流程深度对比

步骤 OpenClaw Hermes Agent QwenPaw
触发时机 任务开始前 + 推理中按需 会话启动自动加载 + 相似度>0.82 自动注入 Agent Loop 每轮 + Planner 按需
检索工具 memory_search(query) session_search(query) Runtime 内存检索
检索算法 FTS5 + LanceDB 混合（7:3） FTS5 全文 → LLM 摘要 向量 + 关键词
注入方式 注入 System Prompt 拼接为 System 前缀（§ 分隔） 注入 Agent memory 上下文
注入量控制 MMR 去重 + 数量限制 字符硬限制 + 摘要压缩 Token 预算
缓存策略 ✅ embedding 缓存（provider+model+hash） ✅ 快照冻结不破坏 system_and_3 ⚠️ Runtime 内置

七、实战场景对比：谁更适合什么？

场景 推荐 Agent 理由
个人日常助理，需要跨会话记住偏好 ⭐⭐⭐⭐⭐ Hermes Honcho 用户建模 + 字符限制 + KEPA 进化，真正"越用越懂你"
接入已有 LLM，快速加记忆能力 ⭐⭐⭐⭐⭐ OpenClaw memory-host-sdk 生态最开放，任何 LLM 都能用
多 Agent 协作完成复杂任务 ⭐⭐⭐⭐⭐ QwenPaw Multi-Agent + 记忆共享 + Mission Mode，协作能力最强
企业级多 Agent 分布式部署 ⭐⭐⭐⭐ HiClaw Manager-Workers + Matrix 通信，架构最完整
追求语义检索精度 ⭐⭐⭐⭐ OpenClaw LanceDB 向量检索 + 混合检索，召回质量最高
追求零依赖、轻量部署 ⭐⭐⭐⭐⭐ Hermes 无向量库，纯 SQLite + FTS5，部署最简单
需要外部程序读写 Agent 记忆 ⭐⭐⭐⭐⭐ OpenClaw memory-host-sdk 独立 SDK，6 个文件搞定
需要从失败中自动学习 ⭐⭐⭐⭐⭐ Hermes KEPA 反向传播是独家能力，其他三家都没有
数据完全本地、隐私敏感 ⭐⭐⭐⭐ QwenPaw / Hermes 两者都支持 100% 本地部署 + 本地模型

八、一张图总结四大 Agent 记忆系统

记忆能力光谱

  语义检索强度 ←──────────────────────────→ 精确检索强度
  
  OpenClaw [████████████░░] 向量+关键词混合，最均衡
  QwenPaw [███████████░░░] 向量为主，协作增强
  Hermes  [██████░░░░░░░░] FTS5+摘要，精确为主
  HiClaw  [█████░░░░░░░░░] 关键词为主，Manager统筹


  记忆进化能力 ←──────────────────────────→ 部署简单度
  
  Hermes  [██████████████] KEPA+Honcho，进化最强
  OpenClaw[███████████░░░] 记忆刷新，中等进化
  QwenPaw [████████░░░░░░] Skill沉淀，协作进化
  HiClaw  [██████░░░░░░░░] 架构复杂，进化有限


  ┌──────────────┬──────────────┬──────────────┬──────────────┐
  │   OpenClaw   │  Hermes      │   QwenPaw    │   HiClaw     │
  ├──────────────┼──────────────┼──────────────┼──────────────┤
  │ 插件化后端   │ 自进化个体   │ Agent OS     │ 多Agent协作  │
  │ SQLite+MD   │ 四层记忆栈   │ 每Agent独立  │ Claw隔离     │
  │ LanceDB向量  │ FTS5+LLM摘要 │ 向量+LLM     │ 关键词检索   │
  │ 全量记录     │ Agent策展    │ Planner驱动  │ Manager统筹  │
  │ memory-sdk   │ KEPA反向传播 │ Multi-Agent  │ Matrix通信   │
  │ 生态最开放   │ 越用越懂你   │ 本地优先     │ 企业级架构   │
  └──────────────┴──────────────┴──────────────┴──────────────┘

九、核心结论

观点 说明
OpenClaw 是"记忆基础设施" 它不追求记忆多智能，但提供了最开放、最标准化的记忆后端，任何项目都可以接入
Hermes 是"记忆原生 Agent" 记忆不是外挂，而是 Agent 的核心能力。四层栈 + 策展 + KEPA，代表了"Agent 记忆"的最前沿方向
QwenPaw 是"记忆协作平台" 单 Agent 记忆不是最强，但 Multi-Agent 记忆共享 + Mission Mode 让它在复杂任务场景下无敌
HiClaw 是"记忆企业方案" 架构最重，但对于需要多 Agent 分布式协作的企业场景，它是最完整的选择

🔥 2026 年的趋势判断：Hermes 的"Agent 策展 + KEPA 反向传播"代表了 Agent 记忆的未来方向——不是记得越多越好，而是 Agent 自主决定什么值得记、怎么记、怎么用。OpenClaw 的 memory-host-sdk 生态则代表了另一个方向——记忆标准化、可插拔、跨 Agent 互通。两者融合，才是最优解。

核心公式（更新版）

\boxed{\text{Agent 能力} = (\text{推理能力} \times \text{上下文窗口}) + \text{记忆系统质量} \times \text{协作系数}}
Agent 记忆质量 协作系数 综合评估
OpenClaw ⭐⭐⭐⭐ ⭐⭐ 适合单 Agent + 外接 LLM
Hermes ⭐⭐⭐⭐⭐ ⭐⭐ 适合个人助理，越用越强
QwenPaw ⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ 适合复杂多步任务
HiClaw ⭐⭐⭐ ⭐⭐⭐⭐⭐ 适合企业多 Agent 部署
0
AI Agent
版权归属： Administrator
本文链接： https://www.minims.cn/archives/wei-ming-ming-wen-zhang-hstGpxBG
许可协议： 本文使用《署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0)》协议授权

评论区