Agent 框架越来越多，但很多项目表面都在说“让 AI 调工具、执行任务、拥有记忆”，真正落到架构上，差异其实非常大。

这次选三个方向明显不同的项目放在一起看：

•openclaw/openclaw[1]

•NousResearch/hermes-agent[2]

•tinyhumansai/openhuman[3]

它们都可以被理解为某种 AI Agent harness，但重点完全不同：

•OpenClaw 解决的是入口与控制平面问题：怎么让 Agent 常驻在用户已有设备和聊天渠道里。

•Hermes Agent 解决的是自我演化运行时问题：怎么让 Agent 从经验中沉淀 skills、记住用户、跨环境执行。

•OpenHuman 解决的是个人上下文和产品体验问题：怎么让 Agent 快速接入个人数据，并通过桌面 UI 变得可用。

一句话概括：

项目	核心定位	架构关键词
OpenClaw	跑在自己设备上的个人 AI 助理，通过各种聊天/设备入口驱动任务	Local-first Gateway、Channels、Nodes、Skills、Plugins
Hermes Agent	会积累记忆、生成/改进 skills、跨平台运行的自改进 Agent	AIAgent Loop、Tool Registry、SQLite/FTS5、Skills Learning、Gateway
OpenHuman	UI 优先、连接个人账号数据并构建长期记忆树的桌面 AI 助理	Tauri/Rust Core、Memory Tree、OAuth Integrations、MCP/Socket.io

OpenClaw：本地优先的个人助理网关

OpenClaw 的核心不是“做一个聊天机器人”，而是做一个本地优先的个人 AI 控制平面。

它的 README 里明确强调：OpenClaw 是运行在用户自己设备上的 personal AI assistant。用户可以从 WhatsApp、Telegram、Slack、Discord、Signal、iMessage、WeChat、QQ 等渠道和它交互。

也就是说，它不是只解决“模型如何调用工具”，而是在解决一个更贴近日常的问题：

AI 助理应该住在哪里？用户应该从哪里唤起它？它如何连接桌面、手机、聊天软件和工具？

架构模式：Gateway-centric

OpenClaw 的架构非常典型：以 Gateway 为中心。

Gateway 是长期运行的控制平面，负责：

•消息渠道接入

•会话管理

•工具执行

•事件分发

•节点连接

•权限与路由

CLI、macOS App、Web UI、自动化任务可以通过 WebSocket 连接到 Gateway。macOS、iOS、Android、headless nodes 也可以接入，并声明自己的能力，例如 canvas、camera、screen、location 等。

Agent loop 大致经过：

1intake：接收用户输入

2context assembly：组装上下文

3model inference：模型推理

4tool execution：工具执行

5streaming：流式返回

6persistence：持久化记录

每个 session 会串行执行，避免工具调用和 transcript 写入互相打架。

扩展方式

OpenClaw 的扩展主要来自两层：

•Skills：采用 AgentSkills 兼容目录，支持 workspace、project、personal、managed、bundled 等多级优先级。

•Plugins：用于 provider、channel、tool lifecycle hook 等更底层的扩展。

所以 OpenClaw 更像一个“AI 助理操作系统入口层”。它的价值不只是模型能力，而是把用户已有入口整合起来。

适合什么场景？

OpenClaw 适合：

•希望 AI 助理常驻在本机或个人服务器上

•需要从多个聊天渠道发任务、收结果

•需要连接桌面、手机节点、Canvas、语音等本地能力

•愿意自己管理模型、配置、权限和安全边界

如果目标是“让 AI 助理住进用户已有设备和聊天入口”，OpenClaw 是三个项目里最贴近这个方向的。

Hermes Agent：会自我改进的 Agent 运行时

Hermes Agent 的关键词是 self-improving。

它更像一个通用 Agent runtime：既能运行任务，也能积累记忆、生成 skills、改进 skills、搜索历史会话，并跨 session 建立对用户的长期理解。

和 OpenClaw 相比，它不那么强调“入口住在哪里”，而更强调：

Agent 如何从一次次执行中学到东西，并把经验沉淀为可复用能力？

架构模式：Agent-loop-centric runtime

Hermes 的中心是 AIAgent。

它负责：

•prompt builder

•provider resolution

•tool dispatch

•memory injection

•skill invocation

•session persistence

Hermes 支持多种入口：

•CLI

•Gateway

•ACP

•Batch Runner

•API Server

•Python Library

Provider 层支持多种 API 模式，例如 chat completions、Codex responses、Anthropic messages。

工具系统也很重：Tool Registry 集中注册 70+ tools 和约 28 个 toolsets。终端 backend 支持 local、Docker、SSH、Singularity、Modal、Daytona、Vercel Sandbox 等执行环境。

记忆与自我改进

Hermes 的记忆机制很突出。

它使用 SQLite + FTS5 做 session storage 和历史检索，同时用 MEMORY.md、USER.md 这类 curated memory 注入 system prompt。

更关键的是，它强调 skills learning：

•从经验中创建 skill

•在使用中改进 skill

•用历史会话检索辅助当前任务

•通过 cron 和 gateway 让任务长期运行

这让 Hermes 的定位更接近“会成长的 Agent harness”。

适合什么场景？

Hermes Agent 适合：

•需要长期自我改进的个人或团队 Agent

•希望复杂流程沉淀成 skills

•需要在云 VM、Docker、SSH、serverless sandbox 等环境运行

•重视 provider/model 灵活切换和工具运行环境可移植性

•想用一个 Python runtime 管理工具、记忆、子代理、cron 和 gateway

如果目标是“让 Agent 从经验里变强”，Hermes 是三个项目里最强调这个方向的。

OpenHuman：个人数据驱动的桌面 AI 助理

OpenHuman 的方向更产品化，也更 UI-first。

它强调的是：通过账号集成和自动拉取，让 AI 助理尽快理解用户的个人上下文。

这和前两个项目不太一样。OpenClaw 更像入口网关，Hermes 更像自我演化运行时，OpenHuman 则更像一个面向普通用户的桌面 AI 产品底座。

它想解决的问题是：

Agent 如何快速接入用户的真实工作数据，并把这些数据变成长期记忆？

架构模式：desktop-memory-first

OpenHuman 当前以桌面端为主。

架构上：

•前端使用 React/Vite

•桌面壳使用 Tauri

•核心逻辑在 Rust openhuman-core

•WebView 负责 UI

•Rust core 负责 RPC、skills、memory、socket 等能力

•前后端通过 Tauri IPC 和 HTTP JSON-RPC 通信

它的重点不是只做一个 agent loop，而是围绕个人数据构建一套同步、压缩、记忆和调用系统。

集成与记忆

OpenHuman 提供大量第三方集成，例如 Gmail、Notion、GitHub、Slack、Stripe、Calendar、Drive、Linear、Jira 等，通过 OAuth 接入。

数据同步后，会进入 Memory Tree：

•把不同来源的数据规范化为 Markdown chunks

•存入 SQLite

•写入 Obsidian-compatible vault

•使用 TokenJuice 压缩工具结果、抓取内容、邮件正文等上下文

这意味着 OpenHuman 的核心竞争力不是“工具特别多”，而是“用户上下文来得快”。

安全边界

OpenHuman 也很强调本地安全：

•本地存储

•OS keychain

•AES-256-GCM

•Argon2id

•prompt injection guard

这对一个连接大量个人账号的桌面 AI 助理来说非常关键。

适合什么场景？

OpenHuman 适合：

•希望桌面 UI 开箱即用

•希望连接 Gmail、Slack、Notion、Drive、Calendar 等个人工作数据

•希望本地形成 Obsidian/Memory Tree 知识库

•不想为每个能力单独配置 API key、插件和工具链

•接受项目仍处于 early beta

如果目标是“让 Agent 先理解用户，再帮用户做事”，OpenHuman 的方向最直接。

横向对比

维度	OpenClaw	Hermes Agent	OpenHuman
主目标	本地常驻个人助理	自改进通用 Agent runtime	UI-first 个人超级助理
核心架构	Gateway 控制平面	AIAgent 统一执行环	Tauri/Rust core + React UI
入口	多聊天渠道、CLI、App、Web、Nodes	CLI、Messaging Gateway、ACP、API、Batch	桌面 UI、集成数据、消息渠道
工具系统	Gateway tools + plugins + skills	70+ tools、28 toolsets、MCP、terminal backends	MCP tool catalog、skill bridge、native tools
Skills	AgentSkills-compatible，多级优先级，ClawHub	自我创建/改进 skills，Skills Hub	skill packages + managed Node runtime
记忆	session/workspace/context + skills；偏运行上下文	MEMORY.md、USER.md、SQLite FTS5 session search	Memory Tree、SQLite、Obsidian vault、auto-fetch
集成取向	通讯渠道、设备节点、Canvas、语音、本地工具	Provider、terminal、browser、messaging、cron、subagents	OAuth SaaS 连接器、个人数据同步
部署形态	本机/个人服务器 Gateway	本机、VPS、Docker、SSH、serverless sandbox	桌面 App 为主
安全重点	DM pairing、allowlist、sandbox、gateway auth	command approval、DM pairing、container isolation、profile isolation	本地加密、OS keychain、prompt injection guard
最适合	AI 助理住在用户设备和聊天入口里	Agent 持续学习并把流程沉淀成技能	快速接入个人数据并形成长期上下文

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】