Hermes 凭啥打动我，Token 压缩、记忆的成长性。就这两点我就决定卸载小龙虾了！
记忆和Token
小龙虾在这块做得不好，对话一长 context 就膨胀，你能感觉到它越聊越慢越聊越贵，最后要么手动清上下文，要么接受效果打折。
Hermes 完全不是这个思路。它把记忆拆成四层，每层的加载时机和 Token 策略都不一样：
Prompt Memory 是常驻层。MEMORY.md + USER.md 直接注入系统提示，但卡了一个硬限制，总共 3,575 字符。不是随便设的，是刻意逼 Agent 做精炼而不是堆砌。还有个反直觉的设计：对话中改的记忆要到下一次会话才生效，防止临时信息把上下文污染了。
FTS5 Session Search 解决的是”历史怎么用”。每次对话存 SQLite，全文检索索引。Agent 需要的时候去搜，搜出来的结果经 LLM 摘要才注入不塞整段历史，只拿跟当前任务相关的内容。
Skills 层是程序性记忆。创新点在渐进式加载：默认只加载名称和摘要，完整内容按需调。这意味着 200 个 Skill 和 40 个 Skill 的 Token 成本几乎一样。
最上面是 Honcho，被动用户建模。Agent 在交互中自动追踪你的沟通风格、偏好、领域知识，通过方言式建模在 12 个身份层上持续进化。你不用写任何东西，它在观察你。
四层加在一起的效果：Agent 越用越聪明，Token 账单不会跟着涨。
能力比较
直接对比三个核心差异：
（1）闭环学习
小龙虾的 Skill 是你手动创建的，它不会自己学任何新东西。Hermes 不一样，当任务满足触发条件（5 次以上工具调用、错误恢复、用户纠正），Agent 会自动创建 Skill 文件，记录”这条路走通了，下次不用重新摸索”。这些 Skill 还会在使用中自我改进，用 patch 而非 rewrite 更新，只改变化的部分。这不是存储，是经验积累。
（2）Token压缩
小龙虾的压缩是粗暴的，要么丢要么全塞。Hermes 用辅助模型在 context 接近上限时触发压缩，提取关键内容到 3,575 字符限制内，中间轮次做摘要而非丢弃。关键是保留了 Lineage 链，压缩后可以追溯回原始对话，不是不可逆的信息丢失。
（3）Gateway一体化
小龙虾的 Gateway 只管消息投递，Skill 创建、记忆写入、定时任务走独立机制。Hermes 的 Gateway 是学习闭环的一部分：消息进来可以触发 Skill 创建，定时任务输出通过同一层路由回去。Telegram 开始的对话终端里继续，因为 Session 绑定 ID 不绑定平台。
总结和教程
我 100% 确定，Hermes 一定不是最优解，但他是当前阶段最适合解决我的问题的 Agent！
所以啥是好 Agent？是能无缝和自己配合解决自己需求的贴身助理，不是热点，不是流量，不是人云亦云。Agent 好还是不好，一定是你弄懂了而不是别人说清了！
安装过程很简单，我直接让 Claude code 给我安装的，步骤是：
python
#给我安装 Hermes，并把在 openclaw 里面的所有配置迁移过来，包括但不限于和 Telegram 的配置、模型 API Key、Skill、记忆体系等等。当然，如果你还没有用 Claude code，又想跟一下热度去装一下，那么步骤是：
python
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash安装好以后，使用 hermes setup 命令配置就可以
