用 Hermes 理念改进 OpenClaw 记忆系统：可行性分析

> 来源: OpenClaw 记忆文档 + 本地配置分析

> 前置报告: Hermes 5 层记忆架构分析

> 研究时间: 2026-03-21

🎯 一句话版本

好消息：OpenClaw 已经内置了 Hermes 5 层中的 3 层能力（压缩前刷盘、语义搜索、Skills 索引），只是我们没开启。改进的重点不是"造轮子"，而是"开开关+加约束"。

📊 逐层对比：Hermes vs OpenClaw 现状

Layer 1: 热记忆（Prompt Memory）

可行性：⭐⭐⭐（中等）

OpenClaw 目前没有原生的字符限制机制。但我们可以通过以下方式近似实现：

1. AGENTS.md 中加约束规则：告诉模型 MEMORY.md 不超过 3,000 字符，超了先删旧的再写新的

2. 写一个 memory guardian skill：在写入 MEMORY.md 前检查大小，超限时提醒模型精简

3. 等 OpenClaw 原生支持：v2026.3.7 已经有 plugins.slots.memory 插件槽，未来可能原生支持限制

冻结快照更难——需要 OpenClaw 核心修改。但 compaction 后的 prompt 重建实际上已经是一种"准冻结"。

Layer 2: 冷检索（Episodic Recall）

可行性：⭐⭐⭐⭐⭐（立即可做）

OpenClaw 的 hybrid search（BM25 + 向量）实际上比 Hermes 的纯 FTS5 更强。而且向量搜索天然支持中文——不需要分词。

我们只需要在配置里开启：

{
  agents: {
    defaults: {
      memorySearch: {
        experimental: { sessionMemory: true },
        sources: ["memory", "sessions"],
        query: {
          hybrid: {
            enabled: true,
            vectorWeight: 0.7,
            textWeight: 0.3,
            mmr: { enabled: true, lambda: 0.7 },
            temporalDecay: { enabled: true, halfLifeDays: 30 }
          }
        }
      }
    }
  }
}

Layer 3: 压缩前刷盘（Compression Flush）

可行性：⭐⭐⭐⭐⭐（已经有了）

OpenClaw 的 compaction.memoryFlush 就是 Hermes Layer 3 的实现。而且我们的实例已经在用了——刚才我的 session compaction 就触发了 memory flush，我把关键信息写进了 memory/2026-03-21.md。

唯一可优化的：调整 softThresholdTokens（默认 4,000）让 flush 更早触发，给模型更多时间存盘。

Layer 4: Skills 索引

可行性：⭐⭐⭐⭐⭐（已经一致）

唯一差异是 Hermes 能在检测到重复工作流后自动创建 skill。这更多是 prompt 层面的改进——可以在 AGENTS.md 里加规则。

Layer 5: Honcho（跨设备用户模型）

可行性：⭐⭐（较难，非优先）

需要：

• Honcho 账号 + API key
• OpenClaw 不原生支持 Honcho，需要写插件或用 mem0 插件（已有社区方案）
• 或者等 Hindsight 插件（2 周前发布，自动注入上下文）

🛠️ 实施路线图

第一阶段：开开关（0 代码，立即可做）

// 在 openclaw.json 中添加
{
  agents: {
    defaults: {
      memorySearch: {
        experimental: { sessionMemory: true },
        sources: ["memory", "sessions"],
        query: {
          hybrid: {
            enabled: true,
            vectorWeight: 0.7,
            textWeight: 0.3,
            mmr: { enabled: true, lambda: 0.7 },
            temporalDecay: { enabled: true, halfLifeDays: 30 }
          }
        }
      },
      compaction: {
        mode: "safeguard",
        memoryFlush: {
          enabled: true,
          softThresholdTokens: 6000  // 比默认 4000 更早触发
        }
      }
    }
  }
}

效果：

• ✅ 会话历史可搜索（Layer 2）
• ✅ Hybrid search 开启（BM25 + 向量）
• ✅ MMR 去重 + 时间衰减
• ✅ 压缩前 flush 更早触发（Layer 3）

第二阶段：加约束（修改 AGENTS.md）

在 AGENTS.md 中添加记忆管理规则：

## 记忆管理规则

### MEMORY.md 约束
- 总大小不超过 3,000 字符
- 只存：用户偏好、环境事实、重复纠正、稳定惯例
- 不存：任务进度、会话结果、临时 TODO
- 超限时：先 replace/remove 旧条目再写新的
- 写入前检查：不包含 API key、密码、token 等敏感信息

### memory/YYYY-MM-DD.md 约束
- 每日日志，append-only
- 记录：决策、发现、报告发布、规则变更
- 不记录：中间过程、调试输出

效果：

• ✅ 近似 Layer 1 的字符限制和策展管理
• ✅ 安全规则（防敏感信息写入）

第三阶段：QMD 后端（中期）

{
  memory: {
    backend: "qmd",
    qmd: {
      includeDefaultMemory: true,
      update: { interval: "5m" },
      paths: [
        { name: "docs", path: "~/clawd/docs", pattern: "**/*.md" }
      ]
    }
  }
}

效果：

• ✅ BM25 + 向量 + reranking（比 hybrid search 更强）
• ✅ 可索引 docs/ 目录下的所有研究报告
• ✅ 搜索之前的深度研究报告内容

第四阶段：用户模型插件（长期）

探索 Hindsight / mem0 / 自建 Honcho 集成。等社区方案成熟。

📊 总结：Hermes 5 层在 OpenClaw 的实现状态

结论：OpenClaw 的记忆基础设施比 Manthan Gupta 文章暗示的要强得多。 差距主要在两个地方：

1. L1 的约束机制——OpenClaw 缺少对 MEMORY.md 的硬限制，但可以通过规则近似

2. L5 的用户模型——需要第三方方案，但优先级最低

最大的改进空间其实是我们没开的开关——session memory、hybrid search、MMR、temporal decay 都是现成功能，开启后立即获得 Hermes L2 的能力（甚至更强，因为有向量语义搜索）。

📊 评分

报告由深度研究助手自动生成 | 2026-03-21

来源: OpenClaw 记忆文档