1. 背景
这周我一直在用 Hermes Agent。用着用着，发现它自己沉淀了 4 个 Skill。这个点很有意思，因为它不是你手动建出来的，而是你多跑几次任务之后，它自己慢慢长出来的。作为程序员，我很想知道这套东西到底怎么工作的。
刚好 OpenClaw 我也用了几个月。我们这边其实也在做类似的事，只是路径不太一样。Hermes 更像把"学习"直接塞进了运行时，OpenClaw 则更像一套偏工程化、偏人工把关的沉淀流程。现在我把这两种路子放在一起对比下。
2. 核心内容
2.1 Hermes自动创建Skill机制
从源码里的 SKILLS_GUIDANCE 看，Hermes 对 Skill 的处理其实分成两段：一段是"什么时候该沉淀"，另一段是"用坏了就立刻修"。
它的提示词里写得很直接：完成复杂任务（5+ tool calls）、修复棘手错误、发现非平凡工作流程后，就应该用 skill_manage 把这套做法保存成 Skill，方便下次复用。反过来，如果使用某个 Skill 时发现它过时、不完整或有错误，就要立刻用 skill_manage(action='patch') 修补它，不要等用户再提醒。
按 Hermes Agent v0.10.0 的源码，这套闭环由两个工具分工完成：skill_manage 负责创建与 patch，skill_view 负责加载复用，两者配合形成从沉淀到复用再到回修的完整链路。
2.2 OpenClaw Skill沉淀实践
OpenClaw 这几个月也慢慢把一套半自动的 Skill 沉淀流程跑出来了。思路和 Hermes 有相通的地方，但落地方式明显更偏可控：
- 触发层：目前更接近「人工触发 + Agent 主动提议」的混合模式。用户可以显式要求创建或改进 Skill，Agent 也可以在会话里识别出重复劳动、踩坑或非平凡工作流程，然后建议把经验沉淀下来。
- 沉淀层：一旦决定沉淀，Skill 资产会尽量收敛到标准目录结构里，通常是「SKILL.md + 可执行 scripts + references」，避免经验只停留在聊天记录和一次性脚本里。
- 反哺层：新 Skill 或已有 Skill 的改动，走的是显式 review 和本地落盘链路，优先保证结构透明、可解释、能二次维护，而不是追求全自动黑盒入库。
- 迭代层：OpenClaw 的优化方式更像「基于真实会话摩擦点做小步修补」。重点不是后台自动吃运行指标，而是把具体报错、用户纠正和绕路经验，翻译成更稳的 Skill 指令或脚本。
说白了，OpenClaw 这套机制已经能稳定支持 Skill 沉淀，但它走的不是"让系统自己长"，而是"把经验整理成结构化资产，再慢慢磨"。代价是没有 Hermes 那么丝滑，换来的好处是更容易 review，也更容易长期维护。
2.3 核心差异对比
两种模式核心差异如下： 
| 维度 | OpenClaw模式 | Hermes模式 |
|---|---|---|
| 触发方式 | 人工触发为主，Agent 可基于会话信号主动提议 | 官方定位更偏运行时自动学习与沉淀 |
| 透明度 | 强调显式 review、结构透明和可维护性 | 先沉淀再迭代，内部过程更黑盒 |
| Skill结构 | 偏工程化约束，常见形态是 SKILL.md + scripts + references |
官方强调 SKILL.md 为核心，附属资源按需扩展 |
| 迭代闭环 | 基于真实摩擦点做小步修补 | 官方明确支持从反馈和后续使用中持续打磨 |
| 适用场景 | 适合对稳定性、可控性、可审计性要求更高的团队场景 | 更适合希望低门槛获得自动沉淀体验的个人场景 |
3. 总结
目前的体感是：Hermes 更适合想直接上手的人。它的学习闭环确实很顺，用着用着就会自己沉淀 Skill；但缺点也明显，就是有点黑盒，我不太知道它每次具体为什么沉淀、沉淀了什么。
所以我现在把 Hermes 工作空间 ~/.hermes 放到了 Git 里，每天早晨让它自动提交一次，再让它告诉我过去一天到底改了什么。这样至少能把这个黑盒稍微掰开一点。 
相比之下，OpenClaw 没有 Hermes 那种"自己长出来"的丝滑感，但掌控感更强，结构也更清楚。你能看到 Skill 是怎么写的，脚本放在哪里，经验是怎么被沉淀进去的。
不过话说回来，Hermes 这种自动迭代、把学习闭环塞进运行时的思路，可能正是它最近让人觉得有意思的原因。