从模型到智能体：Agent、Harness、Hermes Agent 与 openclaw

目录

1. 执行摘要：一条主线，四个层次
2. Agent：从「会说」到「会做」
3. Harness：智能体的运行骨架
4. Hermes Agent：会自我进化的自托管框架
5. openclaw：把骨架装进日常
6. 四层如何咬合：一次完整调用
7. 落地选型与边界
8. 附录：术语表与参考资料

执行摘要：一条主线，四个层次

2025 到 2026 年，大模型最深刻的变化不是「说得更好」，而是「能动手做事」。从 ChatGPT 发布至今，模型在语言能力上的进步令人印象深刻，但真正打开想象空间的，是让模型走出对话框、去操作真实世界的工具与系统。而实现这一步的，往往不是模型本身，是包在模型外面的那一层工程。

这份文档沿一条主线，把这层工程拆成四块：Agent 范式、Harness 运行骨架、Hermes Agent 自托管框架、openclaw 应用形态。由抽象到具体，由原理到落地。

核心结论

• Agent 是范式：把无状态模型放进「感知 → 决策 → 行动 → 观察」的循环，它才从答题者变成执行者。
• Harness 是骨架：负责主循环、上下文管理、工具调度与权限控制。Claude Code、openclaw 本质都是 harness——也就是智能体的运行时。
• Hermes Agent 是自托管框架：Nous Research 于 2026 年 2 月开源，模型无关、数据全留本机，靠「完成任务即自动写 skill」的闭环学习机制越用越强，发布后累计超过 4.6 万 GitHub star。
• openclaw 是应用形态：把智能体从终端搬进聊天软件，2026 年 1 月底发布后一周内拿下 1 万+ GitHub star，是近年增速最快的开源项目之一。

本文档试图回答：一个模型怎么才算成了 Agent？Harness 到底替模型扛了哪些活？Hermes Agent 凭什么能越用越强？openclaw 又把这套骨架做成了什么样的产品？

四个名词常被混在一起讨论，但它们落在不同层。层分清楚了，选型时就不会拿模型的问题去怪框架，也不会指望换一个框架解决模型的短板。

Agent：从「会说」到「会做」

Agent（智能体）不是一个更大的模型，而是一个被放进闭环里、能自己决定下一步动作的模型。差别不在参数量，在于它有没有一条「行动 → 观察 → 再行动」的回路。

对话与智能体的分界

传统对话是单轮补全：给一段输入，模型吐一段文字，结束。它不知道自己说得对不对，也碰不到外部世界。Agent 把这条直线掰成了环：模型每说一句话，都可能是一个动作指令，这个动作会被实际执行，执行结果再喂回模型，让它判断下一步该怎么走。模型因此第一次能「看到」自己行为的后果，并据此修正。

这里也可以对照另一个经典范式——Plan-and-Execute（先规划后执行）：模型先一次性地生成完整计划，再逐步执行。相比 ReAct 的边想边做，Plan-and-Execute 适合步骤明确的任务，但对中途出现意外缺乏应变。现实中多数框架以 ReAct 为默认，辅以规划能力作为补充。

最小回路：推理与行动交替

这套回路最经典的表述是 ReAct（Reasoning + Acting），由 Yao 等人在 2022 年提出。它的核心思想很简单：让模型把「推理一步」和「行动一步」交替进行。一轮 Agent 循环通常是这样四步：

1. 感知：读入任务目标和当前可见的环境状态（已有对话、文件、上一步工具返回）。
2. 规划：模型推理出下一步该调用哪个工具、传什么参数。
3. 行动：工具被真正执行——读文件、跑命令、查 API。
4. 观察：执行结果写回上下文，进入下一轮，直到任务完成。

关键的一句：模型自己不会执行任何动作。它只会输出「想调用某个工具」这个意图。真正去跑命令、接结果的，是模型外面那层代码。这层就是下一章的主角——harness。

为什么模型本身不够

单独的大模型是一个无状态函数：输入文本，输出文本，调用之间什么都不记得，也没有手脚触碰外部系统。要把它变成能连续干活的 Agent，至少需要外部补上三样东西：

• 跨轮次的记忆：让模型记住在这一轮对话中做过什么、结果如何。
• 可调用的工具：文件系统、命令行、浏览器、API 等。
• 驱动循环的运行时：让上述两者在循环中运转起来。

这三样都不在模型权重中，而在它外面的运行层。理解这一点，整个技术栈的分层就自然浮现出来。

图 1：Agent 技术栈四层。模型负责「想」，协议负责「传」，框架负责「驱动循环」，应用负责「接入生活」。换掉最底层的模型，上面三层基本不动——这正是分层的价值。

Harness：智能体的运行骨架

Harness，直译「挽具」，在智能体语境里指运行骨架——就是把无状态模型变成有状态 Agent 的那层工程。你日常用的 Claude Code 是一个 harness，本章要讲的 openclaw 也是一个 harness。它们形态各异，干的是同一类活。

Harness 替模型扛下的四件事

模型只管「想下一步」，剩下让循环转起来、不转崩的工程，全落在 harness 里。它的职责可以收敛为四类：

职责	具体做什么	不做会怎样
循环控制	反复调用模型，直到本轮没有新的工具调用为止	模型只能答一次，无法连续完成多步任务
上下文管理	把历史消息、工具结果按窗口大小拼装、压缩、截断	对话一长就超出窗口，请求直接报错
工具调度	解析模型给出的调用意图、执行真实操作、回灌结果	模型说要调工具，却没人真的去执行
权限与安全	在不可逆动作前拦一道，要么人工审批要么沙箱隔离	模型一句话就能删库、发邮件、花钱

这四件事中，上下文管理往往是实际工程中最棘手的部分——不仅因为窗口有限，更因为「丢什么、留什么」直接影响 Agent 的决策质量。这个问题在下一节展开。

主循环：整套范式的心脏

把上面四件事压成代码，就是所有 harness 的同一个骨架——一个「调模型 → 执行工具 → 回灌结果」的 while 循环：

# harness 主循环：把无状态模型驱动成有状态 agent
messages = [system_prompt, user_task]
while True:
    response = model.generate(messages, tools=TOOLS)   # 1. 调模型，附上可用工具列表
    if not response.tool_calls:                          # 2. 没有工具调用 → 任务完成
        return response.text
    for call in response.tool_calls:                     # 3. 逐个执行模型要求的动作
        result = dispatch(call.name, call.arguments)     #    真正执行、碰外部世界的地方
        messages.append(tool_result(call.id, result))    # 4. 把结果写回上下文
    messages = compact_if_needed(messages)               # 5. 超出窗口就压缩，再进入下一轮

这二十行不到的循环，就是「Agent」一词在工程上的全部含义。框架之间的差异——是否并发执行多个工具、怎么压缩上下文、权限在第几步拦截——都是在这个骨架上做加法。

值得一提的是，这层循环并非只有自建一条路。Anthropic 的 MCP（Model Context Protocol） 于 2024 年底提出，试图用标准协议规范 Agent 与工具、数据源之间的连接方式，让不同的 Agent 框架和工具可以互操作——某种程度上是在协议层对 harness 的工作做了标准化切分。

上下文工程：Harness 最难的一环

模型的上下文窗口是有限且按量计费的。任务一长，历史消息和工具返回会迅速把窗口塞满，因此第 5 步的「压缩」往往是 harness 里最见功力的一环：哪些旧消息可以丢弃、哪些需要做成摘要保留、外部检索到的资料该放多少。这件事在业界被称作上下文工程（Context Engineering）——围绕「往窗口里放什么」做的取舍，对 Agent 表现的影响常常不亚于换一个更强的模型。

判断一个产品「是不是真 Agent」，不看它接的模型多大，看它有没有这个主循环、能不能在工具失败后自己重试或换策略。没有循环的，只是给模型答案套了层壳；有循环的，才谈得上自主。

主循环、上下文、工具调度、权限——这套骨架听起来抽象，但真实产品里就是这样搭起来的。接下来两章用两个 2026 年走红的开源框架做实证：先看重度自托管、会自我进化的 Hermes Agent，再看把 Agent 搬进聊天软件的 openclaw。

Hermes Agent：会自我进化的自托管框架

Hermes Agent 是 Nous Research 于 2026 年 2 月开源的自托管智能体框架。它把上一章那套 harness 骨架做成了完整产品，模型无关、数据全留本机，还加上了一件别的框架还没有的东西——让 Agent 越用越强的「闭环学习」。

是框架，不是那个同名模型

先跟「Hermes 大模型」分开说：Hermes Agent 是一套运行框架，不是一组权重。据 Nous Research 的公开声明，他们没有再发一个微调模型，而是构建了一个能驱动任意大模型的 Agent 框架，自带持久记忆、技能学习、多平台通信与安全代码执行。Hermes 系列模型可以作为底座，但框架本身刻意做成模型无关——接 Claude、GPT、Gemini 或任意兼容接口都行。

它采用 MIT 许可，发布后累计超过 4.6 万 GitHub star、346 位贡献者，是开源 Agent 生态里增长最快的项目之一。

三层架构与核心构件

Hermes Agent 采用分层设计，把用户界面 / Agent 核心逻辑 / 执行后端三层解耦。读懂它的构件，差不多就读懂了一个成熟 harness 的解剖图：

构件	做什么
工具注册表 tools/registry.py	核心枢纽，登记 70+ 工具、约 28 个工具集。每个工具文件在导入时自注册，注册表统一做 schema 收集、分发、可用性检查与错误包装
执行后端	同一个工具可落到多种环境：终端就有 6 种后端（本地 / Docker / SSH / Daytona / Modal / Singularity），另有浏览器、Web、MCP 等后端支持
会话存储	基于 SQLite，配 FTS5 全文检索。会话带血缘追踪（压缩前后的父子关系）、按平台隔离、原子写入
网关进程	一个长驻进程对接 20 个平台适配器，统一会话路由、用户授权、命令分发，以及 hook 与 cron 定时任务

这套注册表正是上一章主循环里 dispatch() 那一步的真身——工具如何登记、参数 schema 怎么收集、执行落到哪个后端，都在这里裁定：

# 每个工具文件在导入时自注册到中央注册表
@register_tool
def run_terminal(cmd: str, backend: str = "local") -> str:
    """在 6 种后端之一执行命令：local/docker/ssh/daytona/modal/singularity"""
    return BACKENDS[backend].run(cmd)

# 注册表统一收集 schema、按名分发、检查可用性、包装错误——
# 主循环只管调 dispatch(name, args)，不关心工具具体在哪台机器上跑

闭环学习：它凭什么「越用越强」

这是 Hermes Agent 最有辨识度的设计。多数 Agent 是无状态的，关掉就忘；它把学习循环做成了架构的一等公民：每完成一个复杂任务，Agent 会自动写下一个可复用的 skill 文件，下次遇到类似任务直接调用学过的技能，收敛更快。再配合跨会话的持久记忆与 FTS5 历史检索，它对上下文的掌握随使用时长累积，而不是每次从零开始。

一个能说明问题的案例：Nous Research 的 CEO Jeffrey Quesnelle 让 Hermes Agent 跨多次迭代会话，自主写完了一部 7.9 万字的小说。这种需要在上百个独立工作会话之间保持连贯的任务，对任何无状态 Agent 来说，在结构上几乎不可能完成。

怎么跑、还能拿来做什么

部署门槛被刻意压得很低：一条 curl 命令自动装好全部依赖，支持 Linux / macOS / WSL2。小到一台 5 美元的 VPS 就能跑，大到 GPU 集群或 serverless 场景也行。数据全部留在本机，无遥测、无云锁定，因此能直接对接本地守护进程或开发环境，不必走 ngrok 之类的隧道转发。

它还有一层开发者身份：兼做训练数据平台——并行生成成千上万条工具调用轨迹、自动 checkpoint，再以 ShareGPT 等格式导出，用于微调模型。自动化只是一面，造数据是另一面。

Hermes Agent 把 harness 推到了「重度自托管 + 自我进化」这一端。与之相对，下一章的 openclaw 代表了同一类骨架的另一种取舍：更轻、更贴近日常聊天体验。

openclaw：把骨架装进日常

openclaw 是 harness 的一种完整产品形态：它把智能体从开发者的终端，搬进你每天都在用的聊天软件，让你像发消息一样把任务交给它。2026 年 1 月底发布后，据社区统计一周内拿下 1 万+ GitHub star，是近年增速最快的开源项目之一。

它是什么

据 openclaw 官方文档，它是一个跑在你自己机器上的开源 AI 助手（前身为 Moltbot / Clawdbot，由 Peter Steinberger 与社区构建）。几个定调它产品气质的选择：MIT 许可、本地优先（记忆和数据以 Markdown 文件存在你的磁盘上）、通过可移植的技能格式让社区扩展能力。它能代你执行 shell 命令、浏览器自动化、收发邮件、读写日历和文件——也正因如此，它的能力边界和风险都比一个普通聊天框大得多。

网关架构：单一真相源

openclaw 的核心是一个自托管的网关（Gateway）。它一头连着各种聊天渠道——Telegram、WhatsApp、Slack、Signal、Discord 等，一头连着一个或多个 AI 编码智能体。网关是会话、路由与渠道连接的单一真相源：谁发来的消息、归属哪个会话、交给哪个 Agent，全在这里裁决。它支持多 Agent 路由，按 Agent、工作区或发送者隔离会话，互不串扰。

图 2：openclaw 网关架构。所有渠道与 Agent 会话都经网关路由，会话隔离、心跳唤醒、权限审批可以集中实现，而不必散落到每个聊天平台各做一遍。

心跳调度：自主性的工程来源

openclaw 内置一个心跳调度器（heartbeat scheduler），按可配置的间隔定时唤醒自己。这一笔设计很关键：它让智能体不必等你开口也能运行——可以定时查邮件、盯任务、跑巡检。「你问一句、它答一句」是助手；「没人催也会按节奏自己动」才是自主智能体，差别就落在这个调度器上。

把编码智能体挂到聊天里

通过 openclaw-code-agent 这类插件，openclaw 能把 Claude Code、Codex 作为后台编码会话来管理：在它们之上加了计划审批、会话生命周期、唤醒路由、worktree 隔离、合并与 PR 跟进。于是你可以从 Telegram 或 Discord 发起一个编码任务，并在第一条消息之后持续观察它的进展。其默认工作流是 Plan → Review → Execute：先出计划、需要审批通过再执行。

# 官方推荐用安装脚本；若已自备 Node 22+，也可手动安装
npm install -g openclaw@latest
openclaw onboard --install-daemon   # 引导配置并装成后台守护进程

能力越大，越要先谈安全

openclaw 连着真实的消息平台，应把所有入站消息当作不可信输入看待。官方给出的几条底线值得认真对待：在服务商一侧设硬性消费上限（而非只在 Agent 配置里限数字）；任何不可逆动作——支付、删除、发送邮件、对外操作——都必须挂一道人工审批；锁定到近期的安全版本并持续更新；除非你清楚自己在做什么网络配置，否则不要把它暴露到公网。

讲到这里，四层都各自亮过相。但它们真正的价值在于咬合在一起。下一章用一次完整的请求，把四层从头到尾串一遍。

四层如何咬合：一次完整调用

分层讲清楚了各自的职责，但只有把它们串成一次真实请求，才看得出这套设计的好处。设想一个场景：你在手机上发一句「帮我把仓库里失败的测试修好」，看这句话怎么穿过四层、又怎么带着结果回来。

1. 应用层 · 接入：你在 Telegram 发出这句话。openclaw 网关收到，按发送者路由到对应会话，选定一个后台的 Claude Code 智能体来接手。
2. 框架层 · 组装：Harness 把任务描述、仓库当前状态、可用工具清单组装成上下文，进入主循环，并把每个工具的 schema 一并发给模型。
3. 模型层 + 协议层 · 决策：模型推理后，按函数调用格式吐出一个 <tool_call>（比如 run_tests）。注意——这一步它只给出「意图」，并没有真的跑测试。
4. 框架层 · 执行回灌：Harness 接住这个调用，真正去执行，把测试输出以 <tool_response> 写回上下文。
5. 循环 · 收敛：模型读到失败堆栈，再吐出下一个调用——修改源文件、重跑测试——Harness 继续执行并回灌。如此往复，直到测试变绿、本轮不再有新的工具调用。
6. 应用层 · 回送：网关把最终结果连同 PR 链接发回你的 Telegram。整个过程跑在隔离的 worktree 中（独立工作副本），不会污染主分支。

串起来看，每一层只解决自己那一段：模型负责判断下一步，协议负责把判断说清楚，框架负责真正执行并驱动循环，应用负责接入你的生活并守住权限。任意一层被替换——换个更强的模型、换种协议、换个聊天平台——其余三层几乎不用动。这种解耦，正是「分层」二字在这里值钱的地方。

一句话记住：Agent ＝ 模型（会判断）＋ 协议（说得清）＋ 框架（跑得动）＋ 应用（用得上）。少了任何一层，它要么不会动，要么没法用。

落地选型与边界

理解了分层，选型就从「跟风挑名字」变成「按约束选层」。先看你的硬约束落在哪一层，再决定每层用什么。

按约束选组合

你的首要约束	建议组合	原因
要最强通用能力，可接受闭源	闭源模型接口 + 厂商 SDK，或直接用 Claude Code	省去自建 harness，循环与工具调度已经成熟
要重度自托管、想让 Agent 越用越强	Hermes Agent	数据全留本机，闭环学习自动沉淀技能，还能导出训练数据
想从手机 / 聊天软件指挥、做个人自动化	openclaw	网关已接入多渠道，自带心跳调度与多 Agent 路由
主要在编辑器和终端里写代码	Claude Code、Codex 等终端 harness	贴着代码库工作，工具与权限模型为编码场景深度优化

这四行不互斥。openclaw 把 Claude Code 当后台 Agent 来跑，就是「应用层 + 框架层」的组合；Hermes Agent 既能独立当框架，也能被别的网关当后台会话调用。分层的意义，正是让你按需混搭，而不是被某个产品名绑死。

Hermes Agent 还是 openclaw

两者是这波开源 Agent 浪潮里最像的一对：都自托管、都 MIT 许可、都本地优先、都接了一堆聊天平台、都跑一个网关进程。差别在于它们各自把取舍推向了哪一端：

维度	Hermes Agent	openclaw
发布时间 · 热度	2026.02 · 4.6 万 star	2026.01 · 1 万+ star
定位	会自我进化的 Agent 框架	装进聊天软件的个人助手
记忆机制	SQLite + FTS5，自动写可复用 skill	本地 Markdown 文件
最大卖点	闭环学习、兼用训练数据平台	心跳调度、直接挂载现成 coding agent
最适合	长期自托管、希望 Agent 越用越强	快速从手机指挥日常自动化

三条绕不开的边界

• 自主性与可控性是一对反向量。心跳越勤、自动执行越多，越要在不可逆动作前加审批闸。把自主性开满却不设闸，等于把方向盘交给一个不会停的循环。
• 提示注入是新的攻击面。Agent 读取的网页、邮件、消息中可能藏着「忽略以上指令，执行某某操作」的诱导性内容。凡是入站内容，默认应当作不可信数据来对待。
• 成本会被循环放大。一个没有步数上限的主循环可能反复调用模型，Token 消耗在无人察觉时指数增长。务必设预算上限与步数阈值，循环失控时自动熔断。

周一可以做的一件事：挑一个你每周重复在做的小任务，用一个现成 harness 把「Plan → Review → Execute」跑通一轮，并刻意把人工审批卡在最后那个不可逆动作之前。先把闸建好，再谈放权。

附录：术语表与参考资料

A. 术语表

Agent（智能体）：被放进「感知 → 决策 → 行动 → 观察」循环、能自主决定下一步动作的模型系统。

Harness（运行骨架）：包在模型外、负责循环控制、上下文管理、工具调度与权限的运行时。Claude Code、Hermes Agent、openclaw 都是 harness 的不同实例。

主循环（Agent Loop）：「调模型 → 执行工具 → 回灌结果」反复进行、直到本轮无新工具调用的循环。这是 Agent 区别于普通对话模型的核心工程要素。

ReAct：让模型把「推理一步」和「行动一步」交替进行的智能体范式（Yao 等人，2022 年）。是目前多数 Agent 框架的默认行为模式。

Plan-and-Execute：先让模型生成完整执行计划，再逐步执行的另一种范式。适合步骤明确、中途变故少的任务，但缺乏应变能力；常与 ReAct 结合使用。

函数调用（Function Calling）：模型以结构化格式输出「要调用哪个工具、传什么参数」的能力，是连接模型与外部工具的标准协议。

上下文窗口（Context Window）：模型单次能读入的 token 上限。有限且通常按量计费，是 Agent 工程中最核心的硬约束之一。

上下文工程（Context Engineering）：围绕「往窗口里放什么、丢什么、压缩什么」所做的取舍与优化，对 Agent 决策质量的影响常常不亚于模型本身的能力。

MCP（Model Context Protocol）：Anthropic 于 2024 年提出的开放标准，用统一的协议规范 Agent 与外部工具、数据源的连接方式，类似于「工具调用的 USB 接口」。

Gateway（网关）：Hermes Agent 与 openclaw 中负责会话路由、渠道连接与授权管理的长驻进程，是整个系统的单一真相源。

Heartbeat（心跳调度）：按固定间隔唤醒智能体的调度器，使其无需用户主动触发也能自主运行定时任务。是 Agent 从「被动响应」走向「主动执行」的关键机制。

Hermes Agent：Nous Research 于 2026 年 2 月开源的自托管 Agent 框架，模型无关，以「完成任务即自动写可复用 skill」的闭环学习为核心辨识特征。

闭环学习（Closed Learning Loop）：Agent 完成任务后自动将过程与知识沉淀为可复用技能文件，使得后续相似任务能更快收敛。这是 Hermes Agent 区别于其他框架的最核心设计。

B. 参考资料

• Hermes Agent 官网 — hermes-agent.org
• Hermes Agent 架构文档 — hermes-agent.nousresearch.com/docs/developer-guide/architecture
• Nous Research（含 Hermes 模型家族）— nousresearch.com
• openclaw 仓库 — github.com/openclaw/openclaw
• openclaw 官方文档 — docs.openclaw.ai
• ReAct 论文 — Yao et al., “ReAct: Synergizing Reasoning and Acting in Language Models”, 2022
• Anthropic MCP 规范 — modelcontextprotocol.io

阅读说明：文中产品状态、版本号与社区数据整理自上述公开来源，截至 2026 年 6 月。这类信息变动较快，实际落地前请以官方页面为准。